阅读，与值得关注的内容Readance

全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

公众号文章
出品 | 《态度》栏目 
作者 | 纪川 
编辑 | 定西

一年前，中国视频模型在国际权威模型评测竞技场上还只是零星出现。到2026年9月，字节Seedance2.0/2.5、MiniMax H3、阿里Wan 3.0和智象HiDream-O1-Video-1.0（下文简称HiDream V1）已相继进入全球视频生成模型头部方阵。三个月内，四款模型密集上新，意味着中国力量正从单点突围转向集群式上行。

但进入同一梯队，并不意味着走的是同一条路。当画质、时长和人物一致性逐渐成为基础能力，竞争焦点开始从“生成得像不像”转向“是否理解真实世界”。有人押注效率，有人依托规模与生态；智象选择的切口，则是更懂物理规律与事件逻辑。HiDream V1由此成为观察其“原生全模态世界模型”路线的一扇窗口。


四支力量，三种路线，

同一个梯队


沿着各自的技术路线向下看，四家公司呈现出不同的资源禀赋与竞争逻辑。

字节Seedance背靠大厂完整的算力、工程和产品体系；MiniMax H3依托大模型基座与用户积累，向多模态持续延伸；阿里Wan 3.0则嵌入通义、阿里云等构成的技术生态。智象走的是另一条路：作为AI创业公司，它没有大厂的资源和入口优势，选择押注“原生全模态世界模型架构”，推动图像、视频、3D交互与具身智能在统一底座上演进。HiDream V1补上的，正是其中关于“时间与变化”的关键一环。

不同背景、不同路线的团队同时进入国际主流榜单头部，意味着中国视频模型正在从单点突围转向集群竞争。其优势不只是玩家更多，更在于大厂、AI独角兽等玩家从不同方向探索技术边界，降低了产业对单一路线的依赖。

这也引出一个问题：当市场已有多款高画质、长时长且成本不断下降的视频模型，为什么还需要HiDream V1？

答案不在于“多一个模型”，而在于“多一条路”。当前视频生成仍面临一个核心难题：模型可以把每一帧画得足够逼真，却未必理解事件应该如何发生。例如物体运动是否符合物理规律、动作与声音能否准确同步、前后事件是否具有因果关系。这些问题无法仅靠提升分辨率和延长时长解决。

HiDream V1试图把竞争向前推进一步：在生成之前强化对动作持续时间、物体关系、事件逻辑和音画对应的理解，让视频模型从“会生成”走向“懂世界”。这并非对其他技术路线的替代，而是一种补充：当画质、时长和效率逐渐成为基础能力，对真实世界的理解将成为新的分水岭。中国视频模型的集群优势，恰恰在于多条路线能够同时向前探索。


双榜前列，HiDream V1

进入全球头部阵营


HiDream V1 的首次亮相，先被放进了全球视频模型竞争的公开坐标系。

发布同期，在 Artificial Analysis Image to Video Leaderboard（With Audio）榜单中，HiDream V1 位列全球第4；Arena.ai Image-to-Video 榜单暂列第8。



值得注意的不只是智象一家。同一张榜单上，MiniMax H3、字节 Seedance 也都在头部区间——中国名字密集出现在国际视频模型排行里，这本身就是一种产业信号。

榜单不是全部，但它提供了一个外部参照：HiDream V1 已经进入全球头部视频模型的同场比较，而中国视频模型作为一个整体，正在这张榜单上形成存在感。

回到产品本身。HiDream V1 支持文本、图片、视频等多种模态输入，可生成5至20秒1080p高保真视频，在意图理解、物理规律、动态时长、叙事连贯性、人物一致性和音画同步上完成系统优化。它是智象首个原生全模态视频生成模型。

更值得看的，是 HiDream V1 的竞争力并非来自某一个单点能力。画面高保真只是基础，真正拉开差距的，是它试图把意图理解、物理规律、时长规划和音画同步放进同一条生成链路里。换句话说，HiDream V1 要让视频里的事件更合理。

智象未来技术合伙人、算法科学家潘滢炜博士告诉网易科技，智象希望做的是"带脑子的、更智能的模型"，不是简单把提示词和图片丢进去，让画面动一动。这解释了为什么智象会把视频模型能力的竞争，放到"智能水平"的维度上，而非单纯追逐生成效果。


真正拉开差距的，

是demo里的细节


物理规律，是整个视频模型行业最难啃的骨头，不只是智象的挑战。

当前不少视频模型已经能生成相当精致的画面，也能按照指令做简单动作。但一旦进入更复杂的物理场景，违和感就会出现：柔性物体不按受力方向运动，物体凭空出现或消失，碰撞反馈不自然，动作完成后镜头仍被强行拉长。这些问题在四家头部模型身上都不同程度存在，区别只在于谁犯得更少。

接下来，从几个看似日常、却很能暴露模型短板的任务，看 HiDream V1 的完成效果。

首先是推倒多米诺骨牌。

这个画面考验的不是“骨牌倒下”这一个动作，而是一整条因果链能不能成立。每一块骨牌都必须先接触下一块，下一块才能倒下，同时还要配合清晰的点击声。

实测下，部分模型会在中途断掉，或出现骨牌还没发生接触就自行倒下的情况。HiDream V1 的处理更接近真实连锁反应：第一块被推倒后，碰撞一块块传递，骨牌数量、倒下顺序和拐角处的运动关系都保持得更稳定。

同时，对“时长”的理解在这里也很关键。多米诺的时间不是被硬塞进一个固定窗口，而是由事件自己决定：第一块何时倒下，第二块何时被碰到，声音何时出现，都要跟碰撞节奏一致。HiDream V1 在这里做的，是让镜头时长服从内容本身。

已关注
关注
重播 分享 赞
观看更多
    网易科技

    0/0

    00:00/00:07
    进度条，百分之0
    00:00
    /
    00:07
    00:07
    全屏

    倍速播放中
    您的浏览器不支持 video 标签

    继续观看

    全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

    转载
    ,
    全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
    网易科技
    已同步到看一看写下你的评论


    已关注
    关注
    重播 分享 赞
    观看更多
      网易科技

      0/0

      00:00/00:07
      进度条，百分之0
      00:00
      /
      00:07
      00:07
      全屏

      倍速播放中
      您的浏览器不支持 video 标签

      继续观看

      全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

      转载
      ,
      全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
      网易科技
      已同步到看一看写下你的评论


      已关注
      关注
      重播 分享 赞
      观看更多
        网易科技

        0/0

        00:00/00:06
        进度条，百分之0
        00:00
        /
        00:06
        00:06
        全屏

        倍速播放中
        您的浏览器不支持 video 标签

        继续观看

        全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

        转载
        ,
        全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
        网易科技
        已同步到看一看写下你的评论

        图注：此视频为HiDream V1生成


        提示词：Live-action low angle, one take. The fingertip taps the first domino, and the twelve dominoes fall in order around the right-angle corner, ending beside the blue mug. Each tile must contact the next before it falls; keep exactly twelve alternating red and ivory tiles, the mug upright, and no jump cuts. Add twelve distinct clicks with correct timing.

        再看，高速赛车。

        这个任务同时考验画面高保真、指令遵循、运动方向和音画同步。赛车高速掠过镜头时，模型要维持车身结构稳定，不能在运动中变形；声音也不能只是一段泛泛的引擎噪音，而要随着车辆接近、掠过和远离发生变化。

        实测下，部分模型会出现车身形态漂移，甚至尾部突然变成车头的情况。HiDream V1 的赛车主体保持得更稳定，运动方向清晰，引擎声也随车辆位置变化产生了更自然的音调落差。

        效果的实现主要源于背后的架构。HiDream V1 采用文本、视频和音频信号联合建模，而不是先生成画面、再后期配音。潘滢炜说，音画同步和原生全模态“天然耦合”，相比割裂生成，联合建模的对齐程度会更高，感知上也更自然。 

        也就是说，HiDream V1生成的不是一段带声音的视频，而是一段声音和画面共同成立的运动事件。

        已关注
        关注
        重播 分享 赞
        观看更多
          网易科技

          0/0

          00:00/00:10
          进度条，百分之0
          00:00
          /
          00:10
          00:10
          全屏

          倍速播放中
          您的浏览器不支持 video 标签

          继续观看

          全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

          转载
          ,
          全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
          网易科技
          已同步到看一看写下你的评论


          已关注
          关注
          重播 分享 赞
          观看更多
            网易科技

            0/0

            00:00/00:10
            进度条，百分之0
            00:00
            /
            00:10
            00:10
            全屏

            倍速播放中
            您的浏览器不支持 video 标签

            继续观看

            全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

            转载
            ,
            全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
            网易科技
            已同步到看一看写下你的评论


            已关注
            关注
            重播 分享 赞
            观看更多
              网易科技

              0/0

              00:00/00:05
              进度条，百分之0
              00:00
              /
              00:05
              00:05
              全屏

              倍速播放中
              您的浏览器不支持 video 标签

              继续观看

              全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

              转载
              ,
              全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
              网易科技
              已同步到看一看写下你的评论

              图注：此视频为HiDream V1生成


              提示词：一辆高速赛车以极快的速度从镜头前由左向右疾驰而过。音频：引擎声必须表现出逼真的多普勒效应，从极高音调开始，在经过镜头的瞬间音调显著下降。

              最后看线稿上色。

              这个任务考验的是模型能不能真正听懂复杂指令。它不只是生成一张漂亮插画，而是要理解顺序、边界和接触关系：先后顺序不能乱，颜色不能提前出现，画笔没碰到的地方不能自己变色，原有线稿结构也要保持稳定。 

              实测下，部分模型会出现上色突变、颜色溢出，或者没有严格按照指令推进。HiDream V1 的画面更稳定：颜色跟随画笔移动，线稿边界保持清晰，最终形成的是同一张图从黑白线稿到彩色插画的连续变化。

              这也是“懂意图”的另一种体现。难点不在画得像，而在听得懂。模型需要把一句复杂提示词拆成可执行的动作序列，再在连续生成中保持一致。

              已关注
              关注
              重播 分享 赞
              观看更多
                网易科技

                0/0

                00:00/00:08
                进度条，百分之0
                00:00
                /
                00:08
                00:08
                全屏

                倍速播放中
                您的浏览器不支持 video 标签

                继续观看

                全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

                转载
                ,
                全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
                网易科技
                已同步到看一看写下你的评论


                已关注
                关注
                重播 分享 赞
                观看更多
                  网易科技

                  0/0

                  00:00/00:08
                  进度条，百分之0
                  00:00
                  /
                  00:08
                  00:08
                  全屏

                  倍速播放中
                  您的浏览器不支持 video 标签

                  继续观看

                  全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

                  转载
                  ,
                  全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
                  网易科技
                  已同步到看一看写下你的评论


                  已关注
                  关注
                  重播 分享 赞
                  观看更多
                    网易科技

                    0/0

                    00:00/00:12
                    进度条，百分之0
                    00:00
                    /
                    00:12
                    00:12
                    全屏

                    倍速播放中
                    您的浏览器不支持 video 标签

                    继续观看

                    全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？

                    转载
                    ,
                    全球AI视频模型“四强”会师，为什么“理解世界”变得更加重要？
                    网易科技
                    已同步到看一看写下你的评论

                    图注：此视频为HiDream V1生成


                    提示词：Top-down live-action art process, one continuous take. A blue brush gradually fills the line drawing: first the green tree, then red bicycle, yellow sun and blue windows, leaving black contours crisp. Color follows brush contact and never spills outside the drawn shapes; by the end the same drawing is a coherent colored illustration. Show wet paint texture and brush sounds, no morphing or new objects.

                    此外，网易科技还测试了几组更贴近日常物理世界的场景，包括冰块掉入水中、倒水、纸张折叠等。实测结果显示，HiDream V1 在这些场景里也能较好维持物体状态和动作连续性。

                    把这些实测放在一起看，HiDream V1 把一条能力链清晰地展示了出来：从物理因果，到动作时长，到音画因果，再到复杂指令理解和过程控制，模型正在把视频生成从画面能力推向状态推演能力。


                    为什么它能做到：

                    理解、生成、对齐


                    这背后，不是给视频模型多喂一些物理数据这么简单，也不是在生成后再做规则修补。

                    智象技术合伙人潘滢炜博士告诉网易科技，HiDream V1 的技术路径可以拆成三步：先理解，再生成，再对齐。

                    图注：HiDream V1 技术路径示意——理解→生成→对齐

                    第一步，是在生成前先做理解。

                    过去很多视频模型更像是"把图动起来"：用户给一张图、一句话，模型直接进入生成。但 HiDream V1 会先通过多模态理解模块，对输入图片和文本进行结构化拆解，判断画面中的场景、主体、动作、物理关系、镜头时长、运镜方式以及声音设计。

                    这一步的意义在于，模型会先把用户意图翻译成更适合视频生成的内部规划。比如苹果抛接，它要先理解这是一个短促动作；乒乓球弹跳，它要先理解弹跳高度、频率和撞击声之间存在物理关联；穿针引线，它要先判断红线、手指、针眼之间的受力关系。

                    第二步，是把这些理解结果灌进原生全模态生成过程。

                    潘滢炜提到，物理规律不能只停留在"知道"层面，还要变成跟视觉内容匹配的信号。"你重力落下来，几秒钟之后会在什么地方，这些精准的、跟视觉内容匹配的信号，是要给到模型里的。"

                    HiDream V1 的关键，正是在生成过程中纳入物理规律、动作节奏和音画关系，让画面、动作、声音和时间彼此约束。

                    第三步，是用后训练进一步对齐合理性。

                    在预训练之后，智象还会用 Reward 机制强化物理规律、音画同步和整体观感。潘滢炜将其类比为一种 human preference：哪些结果更符合重力、碰撞、光影、空间连续，哪些结果看起来违和，模型会从这种强弱对比中继续学习。

                    这也是 HiDream V1 的能力可以跨越多个场景的原因。穿针测试里，它要处理柔性物体的受力形变；苹果测试里，它要判断事件应该持续多久；乒乓球测试里，它要同时对齐画面运动和声音反馈。这几件事表面上不同，底层都指向同一个能力：模型开始推演一个事件如何发生。

                    更进一步，这套机制之所以能成立，也和智象的原生全模态底座有关。


                    一个UiT底座，

                    四大模型同源演进


                    HiDream V1 并不是一个孤立的视频模型。它和 HiDream-O1-Image、HiDream-O1-World、HiDream-O1-Embodied 同源，都是从 O1 原生全模态架构上长出来的不同任务形态。视频模型多了音频和时序信号，因此更重、更难，但也正因为它接入同一个底座，文本、图像、视频、音频之间才能在同一生成过程中互相约束，而不是各做各的。

                    所以，HiDream V1 能做出这些效果，不只是因为视频能力增强了，而是因为智象试图把"理解世界、表达世界、反馈世界"放进同一套模型逻辑里。

                    智象在视频生成领域有着深厚技术积累。2024年1月率先实现超15秒视频生成技术突破，同年7月推出全球首个商用DiT大模型HiDream 2.0，12月发布采用扩散自回归架构的HiDream 3.0，持续推动视频模型从生成能力向深层理解演进。今天发布的HiDream-01-Video-1.0，则实现了在面向世界模型方向的新一代UiT 架构上的再次升级。


                    图注：智象未来视频模型发展历程


                    潘滢炜用了一个更形象的比喻：O1-Image、O1-World、O1-Embodied 和 O1-Video，是"一个架构上面长出来的几朵不同的花"。它们的基础架构通用，只是不同任务灌入的数据、后训练方式、条件设计不同。视频任务因为多了音频和时序信息，也更重、更消耗算力。

                    这与行业里其他几条路线形成了有趣对照。

                    字节 Seedance 和 MiniMax H3 走的是"先把视频生成做强"的路线，在单点任务上建立优势，再向多模态外扩。阿里 Wan 3.0 依托通义体系，把视频模型嵌入大模型+云服务的整体方案。这些路径都很重要，本质上是从一个任务向外延展。

                    智象的选择不同：先押注原生全模态 UiT 底座，再让图像、视频、世界模型和具身模型在同一架构下同源演进。

                    潘滢炜说，这不是"做完A再做B，做完B再做C"的串行关系。原生全模态架构出来后，多个任务是并行推进的，只是视频模型更重，所以发布节奏更慢。

                    这条路线的代价是，单看一个任务，投入更大、周期可能更长；但好处也很清楚：一旦底座打好，不同模型之间可以互相促进，后续能力迭代会更快。

                    "对一个人来说，认识世界就是听觉、视觉，包括触觉等等一体的。"潘滢炜说。越接近 AGI 时代的世界模型，模态越齐、对齐程度越高，天花板也会越高。


                    视频之后，

                    世界模型闭环初现


                    从这个角度看，HiDream V1的节点意义非常清晰。

                    单看模型本身，HiDream V1是智象未来多年视频模型积累在新一代 UiT 底座上的升级；放在HiDream O1系列中，它连接的则是静态图像、动态视频、空间交互与现实行动，使智象“一个原生全模态底座、四大模型同源演进”的技术版图初步闭环。

                    按照智象的规划，图像模型负责静态表达，视频模型处理时间与运动，交互式世界模型理解空间及交互，具身世界模型进一步将行动与真实反馈纳入体系。四类模型并非彼此割裂，而是在统一底层架构上共享和迁移能力。相比单点推进视频生成，这一路线的核心价值不在于模型数量，而在于不同模态能否相互增强：图像沉淀视觉表征，视频引入时间与物理变化，世界模型和具身智能再将这些能力推向空间理解与现实行动。

                    但闭环初现，不等于世界模型已经成熟。正如潘博士所言，目前没有任何模型能够完全解决物理规律问题，复杂因果推理、长时一致性、可控交互与算力成本，仍是全行业共同面对的难题。HiDream V1的真正意义，是把竞争向前推进了一步：视频模型比拼的不再只是画质、时长和价格，还包括对运动、因果与真实世界规则的理解。

                    这也是中国视频模型集群竞争的下一站。字节、MiniMax、阿里和智象依托不同资源、选择不同路径，却都在从“生成画面”走向“理解世界”。其中，智象提供了一种底层模型架构创新先行的路线样本：视频模型不是孤立的一环，而是通向世界模型的关键接口。

                    过去，视频生成模型证明了AI可以生成足够逼真的画面；接下来，它们需要证明自己理解画面为何如此发生。HiDream V1补上的不仅是智象原生全模态世界模型版图中的视频一环，更是从“生成世界”迈向“构建世界”的关键一步。

                    目前，HiDream-O1-Video-1.0 已开放内测申请。感兴趣的读者可以扫描下方二维码，申请测试模型能力。



                    ——社群推荐——

                    与前沿大脑同步在线，让思维时刻领先。

                    欢迎扫描下方二维码，加入你的科技同行圈。

                    ▲欢迎加入粉丝群▲


                    —— END ——

                    排版 | 张若蘅    审核 | 北辰











                    前往微信阅读全文

                    内容来自公众号，可前往微信查看原文。

                    查看作者的更多文章 →