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。1、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。2、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。3、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。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。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.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。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。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。
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。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。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。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。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。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。
热门跟贴