智东西

作者 | 毕伟豪

编辑｜漠影

近几月，AI 视频生成赛道持续升温。7 月 31 日，Seedance2.5 与 MiniMax H3 同日发布；8 月，阿里发布 Wan3.0；进入 9 月，智象 HiDream-O1-Video-1.0（下文简称 HiDream V1）发布并冲上权威榜单全球前四。

短短两个月，多家厂商接连推出新一代视频生成模型，行业竞争进一步加速。以字节 Seedance、MiniMax H3、阿里 Wan 3.0 和智象 HiDream V1 为代表的中国模型，开始在全球主流榜单头部形成集群。中国视频生成模型正在从 " 单点领先 " 转向 " 多家并进 "。

其中，智象作为创业公司进入这一竞争区间，也意味着全球视频模型的头部牌桌上，除了大厂和上市企业，开始出现新的玩家。

几轮密集上新的背后，AI 视频生成也逐渐从单一的内容创作走向影视、广告、电商等诸多生产场景，与此同时，行业竞争的重点也开始发生变化。

除了对画质、时长和人物一致性等方面的基础要求，模型对复杂运动、物理规律等真实世界的理解，正在成为新的竞争维度。随着视频模型开始处理越来越复杂的动作、空间关系和物理规律，视频生成也成为当前探索世界模型的重要路径之一。

9 月 15 日，智象（HiDream.ai）发布了原生全模态音视频生成模型 HiDream V1，其图生视频能力在 Artificial Analysis 排名第 4，在 Arena.ai 的图生视频模型榜单中排名第 8，双榜前十，跻身全球视频生成模型第一梯队。

相比于榜单排名，更值得注意的是它的位置，从今年 4 月的 HiDream-O1 原生全模态架构算起，智象在图像、3D 交互、具身方向的模型已相继落地，随着 HiDream V1 的加入，这套围绕世界模型路线构建的模型矩阵，也补上了视频这一块重要拼图。

这款模型的发布，不仅宣告了智象的原生全模态世界模型矩阵路线完成闭环，也在产业角度标志着智象正式跻身视频生成的核心决赛圈。

一、听得懂人话，也敢不凑时长

现如今，人们使用视频生成工具的常规姿势，是把提示词写详尽：镜头、光线、动作、时长一项项交代清楚。但真实场景里，撰写专业提示词存在门槛，用户给模型的输入常常只是一句口语、一个模糊的念头。

在这种情况下，模型能否根据用户偏口语化、细碎、模糊的输入理解意图并生成视频，变得尤为重要。

HiDream V1 的解法是，在生成前先通过多模态意图理解模块分析用户需求，再调用多模态理解模型进行结构化规划，规划字段覆盖人物、动作、镜头、光影、台词、声音等关键信息，将一句自然语言需求拆解成可执行的分镜信息后，再进入联合生成。

其中，时长也是规划的一部分。多数模型的生成时长由提示词预先设定：输入 5 秒，模型就在 5 秒窗口内完成内容，动作即使没有结束也只能压缩处理。

HiDream V1 则让模型根据内容自行规划时长，结合事件展开、动作完成和叙事节奏决定生成长度，原生支持 5 — 20 秒任意时长生成。这样一来，时长不再只是固定参数，而会根据内容同步变化。

在此基础上，1080p 高保真输出保障单镜头画质，为连续叙事提供基础。视频生成也由单纯的 " 按提示词生成画面 "，进一步走向 " 理解用户意图后组织完整镜头 "。

为了检验这套机制在真实输入下表现如何，智东西用三个场景做了实测。

首先来测试一下意图理解能力，我们用语音输入的方式提供了一段简单的提示词，并附上了一张从故事的中途切入的参考图，看看 HiDream V1 会怎样编排镜头。

其实我们最终想要的就是抚摸小狗、小狗跑走，男生接着赶路这条线，同时，" 下班 " 和 " 有点累 " 这两个关键词对主人公的状态存在约束。

能看到 HiDream V1 在生成视频时，根据参考图截取了故事情节，然后精确还原了人与狗的动向。同时在一些细节上，比如男生摸完狗以后手臂搭在腿上，起身时身体微微前倾和打晃等，透露出疲惫姿态。

接下来，我们输入了一个非常短的提示词，来测试 HiDream V1 动态调整时长的能力，提示词和参考图如下：

这个提示词根本撑不住十秒钟的情节，HiDream V1 并没有强行凑时长，比如拉长等待时间、安排突然跳出一个鸟，或者是猫咪反应超大等情节。猫咪只是简单抬了下头，视频时长仅为 7 秒，鸟叫、猫咪抬头动作、懒洋洋的姿态都保持得很好。

最后再来看一下 HiDream V1 在音画一致性上的表现，我们提供了一张参考图和一段说唱舞台的提示词，并且在提示词中的台词部分故意漏掉了一个字，提示词如下：

生成一段约 10 秒的真实嘻哈音乐节现场。一名年轻说唱歌手站在大型舞台中央，手持麦克风高能说唱，穿大众街头服装，巨型 LED 屏幕播放动态，视觉舞台灯光跟随鼓点变化，台下观众挥手欢呼。镜头结束场景紧随歌手前方移动，再切到近景捕捉表情、口型和嘴巴，最后拉远表演整个舞台。歌手说唱一首原创歌词：" 低轰进胸口，今晚就看谁先出手。" 要求中文说唱节奏明显，咬字充足，口型与歌词准确同步；鼓点、贝斯、歌声、灯光和人物动作保持同步，随着说唱逐渐推高现场情绪，最后以观众欢呼和音乐高潮结束。

可以看到，HiDream V1 在音画同步方面做得相当不错，人物的嘴型和歌词都一一对应。HD-V1 还把我们所提供的残缺歌词进行了补全，" 低音轰进胸口 " 这句歌词非常清楚，并不是含混的略过。

二、从生成动作到理解运动规律：一句话生成超燃百米飞人大战、NBA 绝杀

视频是人类观察动态世界最直接的方式。视频模型要跨过的分水岭，是让画面里的运动符合真实世界的因果。

比如，人在跑步时肌肉会颤动，篮球出手后会划出抛物线，手部施力会影响线的走向。让物体动起来，和让它按真实规律动，是两件事。

HiDream V1 在生成与叙事规划中进一步强化了对物理规律的建模：物体在重力下如何落下、碰撞如何反馈、惯性如何延续、光影如何衰减、空间如何保持连续等等。

关于这部分能力，智东西进行了三次测试，其中两个测试为多人运动场景，一个是细致的手部动作生成。需要观察的是模型面对动作描述和参考图片，能不能生成符合现实规律的完整运动过程。

首先，我们从精细的手部动作切入，选择了 " 拧螺丝 " 这一需要双手协作的场景，让一只手固定螺丝，另一只手使用螺丝刀旋转，将螺丝逐渐拧入木板，观察模型能否处理手、工具和小型物体之间的精细空间关系。

生成结果显示，HiDream V1成功理解了连续动作关系。螺丝刀保持着与螺丝位置的对应，随着旋转动作推进，螺丝逐渐进入木板，双手与工具之间的空间关系整体自然，最后也完成了拧紧动作。

第二个测试，我们根据 NBA 比赛最后时刻的三分绝杀场景，做了一张参考图，并附上提示词，看看 HiDream V1 在这种人物繁多的情况下，能否生成符合物理规律的视频。

HiDream V1 所生成的视频效果相当不错，在多人同时运动的场景中，每个球员的动作都很流畅，特别是在运球单打的后撤垫步和起身跳投的过程中，球员的肌肉线条、篮球的飞行轨迹和旋转都符合现实物理规律，只在最后出现了一点人物位置的偏移。

最后一个测试是奥运会百米飞人大战。我们设置了 8 名运动员同时起跑的场景，从发令、起跑，到中段逐渐拉开差距，再到最后两名运动员几乎并肩冲刺，观察 HiDream V1 能否处理多人同时运动时复杂的空间关系，以及不同运动员之间速度变化和相对位置的变化。

从生成效果来看，HiDream V1 基本还原了百米比赛的完整运动过程，运动员的跑步姿态、摆臂和腿部动作保持了较好的连贯性，人物之间也没有出现明显的肢体穿模，脚步声和步频也能对应。

三组测试分别从精细操作、多人运动和复杂运动三个层面进行了验证。可以看到，HiDream V1 能够很好地持续维护人物、物体和空间之间的关系。

支撑这些能力的，是智象" 先规划、后联合生成、再以多模态 Reward 对齐 "的技术思路：先在全局层面规划叙事与角色状态，再在联合生成中约束画面、动作与语义，最后用多模态奖励信号对齐画质、连贯性与物理合理性。

在后训练阶段，智象采用 Diffusion RL 技术，并设计与人工认知对齐的多模态 Reward 模型。这套训练链路的背后，是 DMSampler、DiffusionCompass、EvoID 三篇论文，从扩散强化学习采样效率、生成质量控制和身份保持等方向为模型研发提供技术支撑，分别收录于 2026 年 ICML、ECCV、CVPR 三大顶会。

智象（Hidream.ai）联合创始人兼 CTO 姚霆说：" 视频生成的代际进化不仅仅是像素的提升和时长的延续，而在于模型是否真正理解创作者的意图和真实世界的物理规律。HiDream V1 从架构设计之初便面向文本、视频与音频的统一表征，原生全模态技术使之从‘看得清、动得顺’，迈向‘听得懂、说得准、演得连贯’。"

从实测来看，这种能力变化体现在了具体的视频生成任务中，模型需要理解的不再只是某一帧画面，还有人物如何运动、物体如何变化，以及一个动作发生后会带来怎样的结果。

对于视频生成而言，这或许也是其走向世界模型的重要特质。

三、不止路线图：一个 UiT 底座，四大模型的体系化落地

HiDream V1 的意义不只是新增一个视频模型，更在于它进一步补上了原生全模态世界模型矩阵中的 Video 一环。围绕这一统一底座，智象已经形成了图像、视频、3D、具身四个模型方向。

图像解决视觉生成与理解，视频进入时间维度，3D 对应交互式环境，具身进一步深入真实动作与具身反馈，四个模型分别对应着四个观察世界的切面。

此前，HiDream-O1-Image 商用版 1.5 在 Artificial Analysis 文生图榜取得中国第一、全球第三；HiDream-O1-Video 在两项图生视频榜单分列第 4 与第 8；HiDream-O1-World 在交互式世界模型基准 WBench 的 Navi 分榜以平均分 80.9 位列第一，物理一致性 73.3 分同样第一；HiDream-O1-Embodied 在 RoboColiseum 的 Robustness（扰动适应）子榜以平均分 0.692 登顶。

这些模型共享 UiT（Unified Transformer）统一底座，文本、图像、视频、3D 与具身数据能够在同一个表征空间里进行处理。

智象（Hidream.ai）联合创始人兼 CEO 梅涛在谈论智象的路线时坦言：" 智象致力于构建‘一个原生全模态底座、四大模型同源演进’的模型矩阵。我们所构建的，不是四条彼此独立的能力线，而是一套以统一技术架构为底座、面向世界模型持续进化、走向可落地的原生全模态体系。"

HiDream V1 发布后，原生全模态世界模型矩阵路线的闭环，让智象在全球世界模型探索中，进一步形成了从视觉生成到真实世界交互的完整能力布局。

结语：中国 AI 视频生成，再添一股全球竞争力量

从整体实测效果来看，HiDream V1 于各类复杂场景中，在连续动作、人物关系、物理规律以及音画同步等方面的表现可圈可点。

尤其是在篮球绝杀和百米飞人大战的视频中，HiDream V1 体现出了极强的预测能力，仅通过一张图片就生成了后续场景，而且物理定律并没有崩坏。

这一点能够反映出视频生成和世界模型路线的一个切口，视频所记录的是现实世界不断变化的过程，而当模型能进一步理解时间、空间、物理规律以及因果关系，视频生成所覆盖的能力边界也会随之不断扩大，逐渐成为模型理解和模拟真实世界的一种路径。

HiDream V1 的发布，不仅是智象在视频生成领域的全新进展，也让其 " 一个原生全模态底座、四大模型同源演进 " 的模型矩阵布局真正显现出来。