新智元报道
新智元报道
AI视频，已经开始挑战「实时造世界」了！
9月初，Runway公布GWM Worlds 2研究预览，把音视频生成推进到了实时交互。
你让角色往前走，让房间涌进水，让沙尘暴卷过来，模型就接着生成后面的画面与声音。镜头怎么转、场景怎么变，都能继续下指令。
视频里的世界，开始跟着人的操作往下演。
但一个问题也跟着冒了出来：画面接得上，物理就一定说得通吗？
一篇名为PhysWeep的预印本，给「视频模型懂物理」泼了盆冷水。
研究人员测了三个开放视频生成模型。其中两个，在能追踪运动的样本里，暴露出一个问题：动作看着自然，物理参数却没按要求变化。生成结果，反倒更受随机种子左右。
画面演得挺像，物理题却做错了。
这道坎，恰恰卡在视频生成继续往前走的路上。
视频模型似乎学会了「马上回应」，却还没有学会「合理回应」：角色看似实时行动，场景随指令变化，但水为什么这样流、物体为什么这样倒、人物为什么此刻作出反应，仍在考验模型。
实时交互解决的是延迟，理解世界最需要的是逻辑。想让模型模拟事情如何发生，光靠几秒惊艳的画面，显然交不了卷。
就在这个节点，智象（HiDream.ai）发布原生全模态视频模型HiDream-O1-Video-1.0（下文简称HiDream V1）。
这是一款全新的「原生全模态」视频生成模型。它瞄准的，正是物理合理性、叙事规划和音画同步。
说得直白一点，就是让模型更懂创作者想要什么，生成的视频更连贯，也更接近可用素材。
首次参评，就在Artificial Analysis图生视频榜（含音频）杀入全球第四，Arena图生视频盲测榜全球第八。
这一刻，在全球最顶级的多模态视频牌桌上，又挤上来一位狠角色——智象HiDream V1。
此前，MiniMax、字节Seedance、阿里万相，已经在全球AI视频赛道打出了声量。
如今，智象带着双榜前十的成绩，挤上了同一张牌桌。
中国AI视频「四小龙」，凑齐了。
1080P、5—20秒范围内灵活生成、音画一体化，这些是HiDream V1交出的基础配置。
更有意思的，智象给这套能力提出的要求：听懂人想拍什么，让动作按合理的顺序发生，让声音跟着画面里的事件走。
HiDream V1最令行业惊艳的能力，是对物理规律的理解与建模。
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——这些物理规律直接被写进了视频模型的叙事之中，成为画面生成的底层逻辑。
对做视频的人来说，这件事只有一个衡量标准：素材可用率。
同一段镜头，过去反复抽卡才能挑出一条能用的，现在第一遍就能用——省下的每次重抽，都是实打实的时间和钱。
来看几组真实的同题对比测试。
场景一，高速赛车从镜头前疾驰而过，引擎声必须表现出逼真的多普勒效应。
A模型生成的画面中，赛车的车尾突然变成了车头。车还在往前跑，朝向却接不上了。
HiDream V1在这组演示中保持了行驶方向，引擎声也随赛车经过镜头，从高音调过渡到低音调。
这个场景要看的是，车的位置、朝向和声音变化，能不能对应同一次运动。车身再漂亮，中途突然掉个头，整段视频也会露馅。
多普勒效应听着专业，它管的是最朴素的一件事：引擎声卡在车经过的那一帧上，不用后期再逐帧对轨。
上：HiDream V1；下：A模型
把场景搬到太空，连喝口水都成了一道物理题。
HiDream V1跑出来的画面，宇航员轻轻一吹，悬浮的水球随之晃动变形，再逐渐恢复圆润、缓缓飘远；她伸出手指拨回来，凑上前一口吸进嘴里。
这段最绝的地方在于，水球怎么变形、往哪边飘，每一步都严丝合缝地对上了人物动作，瞬间就把「太空喝水」那种失重的真实感给立住了。
再把三种材质放进同一道题：抽走托板，让网球、玻璃弹珠和橡皮泥从同一高度落下。
HiDream V1生成的效果，网球落桌后明显弹起，玻璃弹珠的起伏小得多，蓝色橡皮泥则落地变形，留在原处。
同样是落到桌面上，三种材质交出了不同的反应，弹性和软硬的区别，也就有了直观的画面。
下面这个demo，看着简单，但考的其实也是最基础，也最容易翻车的物理规律——自由落体。
一大一小两颗铁球从同一高度同时松手，全程并排、同步加速，最后几乎在同一瞬间砸向地面。
HiDream V1把几个关键的细节，都接住了——
球没有一前一后乱飘，大小比例也没变，落地时还用一声重响、石板裂纹和扬尘把冲击感做了出来。
再来看农家小院里的压水井，男孩弯腰用力压下长杆，一股水随之涌进搪瓷盆，压杆抬起后，水流逐渐收细、停下。
HiDream V1把反复压水的过程接了起来，男孩身体的起伏、压杆的转动和水流的断续，有了对应的节奏。
还有一个特别能说明问题的案例，一扇几百年历史的古堡老木门，双手极其缓慢地推。
A模型生成的画面中，物体扭曲变形，B模型则出现了用力方向和开门方向相反的荒诞画面。
而HiDream V1将缓慢推门的动作与门轴摩擦声对应了起来。
推门这个动作，藏着好几层约束：手的施力方向要与开门方向对得上，门要围绕门轴转动，摩擦声也得跟着动作走。
只要其中一环错位，再阴森的古堡、再逼真的木纹，都救不回这一幕。
顺便说一句创作自由度的变化：过去这种多层物理约束的镜头，基本没人敢写进提示词——写了也大概率翻车，宁可绕开。现在敢写，本身就是能力边界外扩的信号。
左：HiDream V1；中：A模型；右：B模型
这几组案例，把视频生成的难点摆到了眼前：单帧画面可以很漂亮，但一旦动起来，物体之间的关系就得连续成立。
视频里的下一步，得接得住上一步。
这一步之差，就是一秒视频和一条能用的镜头之间的差距。
当然，生成翻车，有时从第一步就开始了。
除了动作本身，模型还得先弄明白：用户到底想让什么事发生？
通常人们给到的提示，往往口语化、碎片化、模糊化。
比如，拍得紧张一点，就这么一句话，究竟是让人物表情紧张，还是镜头快速推进？
说「突然安静下来」，是关掉背景音乐，还是连环境声也要收住？
人和人沟通时，可以靠语境补齐。模型如果只抓关键词，就很容易把所有元素都画进去了，结果整段视频仍然不对味。
HiDream V1的做法完全不同。它在生成之前前置了多模态意图理解模块，先对视频内容进行结构化规划：
镜头时长、场景地点、画面内容、首帧约束、在场角色、动作表情、台词节奏、光色影调、景别构图、运镜焦段、背景声与音效设计……
可以把它理解成，把自然语言，转写为可执行的分镜语言。
理解越深，规划越稳；规划越稳，后续联合生成越不容易「跑偏」。
这次，我们连完整句子都没给，只丢过去几个词：「雨、咖啡馆窗、路过的红伞、慢一点、有点想家。」
HiDream V1生成效果如下，一把红伞从窗外缓缓走过，随后离开镜头，窗边的咖啡还冒着热气，整段留出了安静看雨的时间。
隔着雨窗看人来人往，那点「想家」的情绪，有了可以落脚的场景。
接下来，我们还设计了一个自带反转的「拆弹」戏——
两个人守着倒计时的盒子，为剪红线还是蓝线争得满脸紧张，钳子一合，喷出来的竟是生日彩带。
没想到，HiDream V1接住了这段剧情的转折，从剪线前的慌张到彩带扑脸后的错愕，把「先让人捏把汗，再让人笑出来」的意图演了出来。
另一个容易被忽视的变化，发生在时长上。
大多数视频生成模型遵循的是，固定提示词路线。
用户写「生成5秒」，模型就只能在这个时间窗口里填充内容，内容叙事被迫适应时长。
这听起来理所当然，但仔细想想，这是一个根本性的错位。
真实世界里，一件事该用多长时间讲完，是由事情本身决定的，不是由你手里的秒表决定的。
举个栗子，故意要求HiDream V1在3秒内，不紧不慢地把三杯茶依次倒满。
视频中，AI没有为了硬卡时长突然加速，而是让水流、水位和换杯动作自然接下去，把整件事完整做完。
该快的地方快，该停的地方停。时长服务的是叙事，而不是叙事迁就时长。
目前，HiDream V1原生支持5–20秒任意时长生成。
人们不需要再纠结「我该写几秒」——你只需要告诉模型你想表达什么，剩下的交给模型判断。该三秒就三秒，该十秒就十秒。
写提示词的体验也跟着变了，过去要在开头结尾反复写「注意重力、保持一致、不要穿模」这类补丁，现在这些是默认项，提示词只需要讲故事。
时长有了弹性，连续画面里的细节也得守住。
再看一个看似简单、却很考验细节的动作：原地转一整圈。
HiDream V1生成的视频中，女生转身露出背后的「07」，再转回正面，胸前的「NEW 2026」依然清晰，短发和黄色小包也保留了下来，最后还笑着歪了下头。
难点就在这一来一回：暂时离开视野的细节，重新出现时，还得接得上。
我们又让HiDream V1拍了一段嗦面，小伙把面条一根根吸进嘴里，接着拿起玻璃杯喝水，对镜头竖起大拇指，用四川话说出了「巴适」！
这段有意思的地方在于，嗦面占了大半段，喝水和最后的表情又各有停顿，一连串动作接下来，有了日常吃饭的节奏。
另外，音画不同步，是AI视频生成模型的一个「通病」。
原因在于，当前多数视频模型采用的是后期拼接路线：先逐帧生成画面，再回头配音配效。
就像先拍电影，再配字幕，总是差那么点意思。
HiDream V1则直接啃了块硬骨头，死磕「原生全模态架构」，对文本、视频、音频信号进行联合建模。
三者在同一生成过程中相互约束、相互对齐：画面运动牵引声音节奏，台词与音效反哺镜头情绪，文本条件贯穿始终。
毋庸置疑，效果也是立竿见影。
镜头切换时，环境声与配乐随之过渡；人物开口时，口型、气口与情绪同频；物理动作发生时，拟音效果与撞击反馈更贴近真实因果。
下面这个demo中，士兵从轻声耳语「我们需要支援」，突然切换为拼尽全力大喊「小心炮袭」。
D-V1不仅台词清晰准确，情绪的转换和音效的爆发力也与画面严丝合缝。
再听一列火车呼啸而过：汽笛由尖变沉，随列车远去，考验的正是声音能否跟上运动中的多普勒效应。
画面里，车厢依次掠过，女孩按住草帽，头发和裙摆被气流扬起，车过后才慢慢落回。
汽笛的变化、列车的位置和人物的反应，得落在同一次经过里，这一幕才有身临其境的感觉。
再来看个同款测试，列车从隧道深处一路驶来，由远及近音调升高、驶过后降低。
更细的一点是，车身高速经过时带起的风压，也准确传到了画面边缘被吹动的碎纸上，声音、速度和物体反应是对得上的。
下面这个案例测的，是视频模型最容易暴露短板的地方：中文口型对齐和情绪切换。
前半段女主语气平静地说，「我马上到，你先点菜」，后半段听到消息后表情瞬间僵住，情绪起伏非常明显。
而且，每个字不仅念的准，还与口型一致。
现在，把意图理解、动作、画质和声音放在一起，新的问题来了：
这么多目标，怎么同时提高？
画面更锐利了，人物却变脸；动作幅度变大了，物体开始变形；声音很丰富，却抢掉了台词。视频质量很容易顾此失彼。
智象披露的技术路径是：先规划，再联合生成，随后通过多模态奖励信号进行对齐——后训练采用扩散模型强化学习（Diffusion RL），引入多模态Reward模型，对画面保真、叙事连贯、身份一致、物理合理性和音画同步等维度进行评估。
通俗地说，模型练习之后，还需要一套尽量接近人类观感的评分方式，帮助它往更好的结果靠近。
撑起这套后训练的，背后有三项顶会论文支撑——
DMSampler（ICML 2026）、DiffusionCompass（ECCV 2026）、EvoID（CVPR 2026）。
视频模型每练一轮，都需要生成样本、获得反馈，再调整。生成本身就消耗计算，反复练习，成本很快叠上去。
DMSampler瞄准的，就是训练阶段的采样开销。
它用少步数的蒸馏采样器生成奖励评估所需的样本，并随着模型更新，周期性地重新蒸馏采样器。
这样，后训练就有机会以更低的采样成本持续推进。
这个改进首先服务于训练效率，不能直接换算成用户生成一条视频快了多少。但它解决了一个基础问题：模型想不断进步，得有成本可承受的练习方式。
练得起之后，还要防止练偏。
强化学习依赖奖励反馈。如果模型过度迎合评分方式，可能出现分数提高、生成多样性下降，甚至钻评分规则空子的情况。
DiffusionCompass给训练引入了外部高质量样本作为参照。
DiffusionCompass架构
模型继续用自身生成的样本探索，同时借助这些质量参照校准优化方向，减少奖励过拟合和「刷分」的风险。
这就是「质量锚定」，模型追求更高奖励时，要有可靠的生成质量作为参考。
放到创作者的需求里，这件事很好理解。谁都不希望模型只学会讨评分系统喜欢，却把画面越练越单调，或者丢掉原本自然的细节。
第三项研究，落在视频最容易让人出戏的问题上：身份保持。
一个角色正面看是一张脸，转个头却像换了演员。对于要拍连续剧情的人来说，这样的素材再漂亮，也很难接着用。
EvoID对应的正是身份保持这一环，为生成过程中维持人物身份一致提供研究支撑。
这里要守住的，是角色在动作、视角等变化中的可辨认性。人物可以转身，可以改变表情，观众仍应认得出：这是刚才那个人。
低成本采样、质量锚定、身份保持，三篇论文串成一条线：一篇负责省，一篇负责准，一篇负责稳。而省、准、稳，最终都会落到创作者的同一本账上。
视频生成的单价在下降，但动作变形、人物变脸和结果偏离预期，依然可能让创作者反复尝试、重新等待。
前面的采样效率、物理合理性评估、质量锚定和身份保持，解决的正是这些藏在单价之外的成本：
让模型生成得更稳一些，让素材离「可用」更近一些，也让每次尝试少一点无效消耗。
但如果只把HiDream V1当成「又一个视频模型」，就低估了它在智象棋盘上的位置。
要看懂这一步，得先看智象整盘棋的下法：一个底座，四类模型。
底座只有一个，叫UiT——智象自研的统一架构，今年4月以「原生全模态世界模型HiDream-O1」的名字发布。
从那之后，四类模型全从这一个底座上长出来：
图像模型HiDream-O1-Image，主打「空间理解」。商用版1.5版本在Artificial Analysis文生图榜单中取得中国第一、全球第二。
交互式世界模型HiDream-O1-World，名列行业首个交互式世界模型基准WBench综合总榜第一。该模型具备漫游、编辑、交互三大功能，时空一致性和物理一致性实现关键突破。
具身世界模型HiDream-O1-Embodied，在RoboColiseum的扰动适应和空间推理子榜单中登顶榜首。
随着HiDream V1的发布，业内首个原生全模态世界模型闭环就此成型。
图像、视频、3D交互与具身动作，在统一原生的世界模型中交汇、共生、循环。
图像负责呈现空间，视频加入时间变化，交互和具身模型进一步涉及动作与反馈。
用创始人兼CEO梅涛一句话概括，智象要构建的是「一个原生全模态底座、四大模型同源演进」的矩阵。
这四条线不是各自为战，而是一套面向世界模型持续进化、走向落地的体系。
AI视频模型的下一个突破点在哪里？
分辨率更高、画质更细、时长更自由，当然都重要。
但当一段视频真正动起来，观众还会追问：这件事，现实里会这样发生吗？
手推门，门得顺着合理的方向开；苹果抛出去，要沿着连贯的轨迹被接住；骨牌倒下，碰撞得一块接一块传过去。
这些细节单独看都很小，连起来，却决定了整段视频能不能让人信服。
HiDream V1这次值得关注的，也正是这条方向：把物理合理性与意图理解、叙事规划、音画生成放到一起，让模型在追求画质之外，继续处理运动、交互和前后状态。
几组demo还不足以证明模型已经全面掌握物理规律，但它们把接下来该比什么，摆得更清楚了。
从「看起来像真的」，走向「事情真的会这样发生」，才是视频模型继续抬高能力上限的关键。
这也接上了智象布局世界模型的思路：感知当前状态，推演变化过程，再进一步回答行动会带来什么结果。
一个UiT底座、四类模型同源演进，视频补上的这一环，最终要经得起连续事件的检验。
画面可以惊艳一秒，真实得经得起下一秒。
编辑：桃子 摩西