智象推出具身世界模型HiDream-O1-Embodied，登顶RoboColiseum扰动适应子榜单

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。