智东西

编译 | ZeR0

编辑 | 漠影

智东西 9 月 7 日报道，今日，智象未来（HiDream.ai）发布具身世界模型 HiDream-O1-Embodied。基于原生全模态的技术理念，该模型强化了机器人物理感知与动态预判能力，助力具身智能实现更高阶的物理交互。

其发布标志着智象逐步实现了打通图像、视频、3D、动作等模态，贯通理解—推演—执行全流程，构建统一世界模型基座的技术闭环。

模型发布同期，HiDream-O1-Embodied 首次参评具身智能模型评测平台 RoboColiseum，即在核心的 Robustness（扰动适应）子榜单中，以平均分 0.692 的成绩登上榜首。

智象未来 CTO 姚霆谈道，智象的原生全模态世界模型技术理念，从设计架构之初便计划面向包括动作等全模态在内的统一表征构建，HiDream-O1-Embodied 的发布是这一技术战略从 " 模拟世界 " 迈向 " 真实世界 " 的关键里程碑。

" 我们相信，围绕真实世界的表达、理解和生成，构建同时具备全模态表达、因果推演与物理世界构建三大核心能力，才能建立完整的世界模型基座。" 姚霆说。

常态化具身智能仿真评测平台 RoboColiseum 旨在构建多维度的系统评测体系，以与真机表现高度一致的仿真评测，帮助开发者识别模型的能力优势与短板，持续迭代提升。

该平台面向全球高校、科研机构、模型企业与研究者开放，实时更新评测结果，致力于构建一套结果可信、过程可复现的具身模型评测标尺。

RoboColiseum 基于高保真仿真环境构建，高度还原真实世界。平台围绕四个维度推出 4 类能力子榜、78 个高保真仿真评测任务——指令跟随、空间理解、扰动适应与通用操作，自内测上线以来，已吸引海内外几十款重量级模型开展评测。

在这四个维度中，扰动适应（Robustness）被公认为最具挑战性的一环。它通过改变背景、光照、材质、机器人初始状态、相机位置与图像质量，并对指令进行多样化改写，检验模型在非理想环境中的稳定性与泛化能力。换言之，这不是在实验室的 " 温室 " 里考试，而是在各种 " 意外 " 中检验真本事。

HiDream-O1-Embodied 以 0.692 分的成绩登顶该榜单榜首，这得益于其原生全模态底座。原生全模态世界模型天然为跨模态的理解与生成提供了基础。而在执行环节，为了保证在真实世界的各类 " 意外 " 中保持稳定。

该模型在三项核心能力上进行了创新，让理解更精准、感知更稳健、抗干扰能力更强。

1、语言理解，突破关键词匹配的局限

传统机器人对语言指令的理解往往停留在关键词匹配层面。说 " 把杯子拿过来 " 能听懂，换成 " 给我拿个杯子 " 或 " 杯子递我一下 " 就可能 " 宕机 "。

HiDream-O1-Embodied 覆盖多元动词、句式与表达方式的等价指令空间，不被句式束缚，只锁定意图本身。无论指令如何变换，它都能穿透字面，直达用户的本意。

2、视觉感知，多视角协同，避免 " 一处失灵、全局失效 "

在物理世界中，机器人的视觉通道并非是理想状态。相机位置可能发生偏移，标定精度会随时间变化，单路画面也可能受到遮挡或干扰。

HiDream-O1-Embodied 综合多个视角的信息，让不同视觉通道相互补充，而非依赖某一固定视角。当部分视觉信息出现偏差或暂时不可用时，模型仍能借助其他视角理解场景、判断任务并继续执行，让系统从 " 一处失灵、全局失效 "，转变为 " 局部受限、整体仍可运行 "。

3、高容错机制，在 " 不完美 " 中学会稳定执行

多数模型的训练基于 " 完美数据 " ——清晰的图像、完整的画面、标准的视角。但真实世界从来不是这样。光照变化、画面污损、视野遮挡、信号波动，都是机器人实际运行时可能遇到的日常情况。

HiDream-O1-Embodied 在训练阶段便主动引入多种非理想条件，让模型反复面对不完整、不稳定的信息，并学会从有限线索中作出可靠判断。这样的训练使模型不只追求理想条件下的最佳表现，也更加重视复杂环境中的持续稳定。这种容错能力也不局限于某一种视觉异常。

面对光照、外观和场景变化，该模型能够更灵活地利用已有信息，减少环境变化对任务执行的影响。

对 HiDream-O1-Embodied 而言，真正重要的不只是 " 看得清时做得好 "，更是 " 条件不理想时，依然能够稳稳完成任务 "。

4、模型 + 数据：打造 " 真实基座 + 生成增强 " 数据生产范式

这种 " 在训练中见过足够多不完美 " 的能力，并非凭空而来。它触及一个更底层的命题：模型的认知边界，由它所接触的数据所影响。高质量数据，恰恰是具身训练中最稀缺、也最具决定性的变量。

智象打造了 " 模型 + 数据 " 双驱动的策略。该策略的关键突破口，在于让数据生产本身成为模型迭代的有机一环。为此，智象探索出 " 真实基座 + 生成增强 " 的数据生产范式。模型不再是被动接收数据，而是主动参与数据的创造。

以与诺亦腾的合作为例：其高精度真人动作捕捉数据作为真实底座，智象借助原生全模态能力完成百倍级的数据精细化扩增。基于单段真实动作样本，模型可以生成变体视频：在严格恪守物理约束不变的前提下，切换背景环境、光照条件、物体形态等变量，产出海量多元训练样本。

这一机制的关键，在于模型既做 " 考生 "，也做 " 出题人 " ——它根据自身所需主动生成针对性训练样本，形成数据与模型互相驱动的增长飞轮。最终让 HiDream-O1-Embodied 在面对现实世界的强扰动时，展现出出色的鲁棒性。

结语：原生全模态世界模型矩阵日臻完善

就在不到一个月前，智象刚刚发布了交互式世界模型 HiDream-O1-World，该模型在交互式视频世界模型评测基准 WBench 的 Navi 分榜中以平均分 80.9 登上榜首。

交互式世界模型解决的是 " 理解与推演 "，让 AI 在数字世界中具备对空间、时间、运动与物体关系的完整认知。而具身世界模型解决的是 " 操作与执行 "，让 AI 在物理世界中完成真实任务。两者将形成有力互补，为原生全模态世界模型的发展筑牢根基。

正如智象未来创始人兼 CEO 梅涛博士此前所言，下一代大模型竞争的关键，不在于单一模态能力的增长，而是从单模态走向多模态，并走向原生统一的全模态。

从 HiDream-O1-Image 到 HiDream-O1-World，再到 HiDream-O1-Embodied，智象正将其原生全模态技术在多领域铺展，逐步形成覆盖视觉模型、交互式世界模型及具身世界模型的模型家族矩阵。