vivago R1一次对话生成5分钟，AI视频迎来“单反”时刻？｜实测

3个月融资21亿

这家AI独角兽瞄准AI长视频编排能力

文 | 子路

编辑 |佛耶戈

欢迎在小宇宙APP订阅：FoST未来叙事

收听我们出品的播客节目《AI超创快上车！》

上周末最大的新闻看了吗？ChatGPT-6 Astra上线，意味着AGI时代（AI专业度优于人类）可能真的要来了。

很巧，今天我去海淀参加了一场特别有趣的WorkShop分享活动。近三个月内融资超21亿元的智象（HiDream.ai），宣布旗下Agent产品vivago R1（国内版够搭）全球正式上线，他们根植于AI长视频编排应用场景，提出了一个新锐观点：

请相信这个Agent平台的专业能力，它是行业首个通过一次自然语言对话，就能稳定生成5分钟“单反级交付”AI视频的产品。

AI视频创作的AGI时代，先从智象未来开始了？

这家AI独角兽公司以自研多模态模型起家，是业内著名“学霸”，旗下模型频频登上国际权威评测榜单前列，在多项基准测试中刷新SOTA纪录：

2026年5月，开源模型HiDream-O1-Image-Dev-2604在AA榜单中斩获开源模型全球第一；

2026年6月，商用版图像生成模型HiDream-O1-Image-1.5在AA榜单中，超越Google Nano Banana 2、NVIDIA Cosmos3-Super-Text2Image、字节跳动 Seedream 4.0等国内外主流模型，位居全球第三、中国第一。

“学霸”发布新产品，效果如何？

【FoST未来叙事】第一时间上手实测，确定vivago R1真的做到了具备大众普适性与场景应用价值的AI视频创作专业度，你可以相信这个Agent。

1

在当下AI市场上，没有搭载Skill的Agent平台拿不到大结果。

打开vivago R1（国内版够搭）官网（https://goudaai.com/）首页，我首先就被它的SkillHub吸引了。

不同于多数Agent平台用电影名家画风区分Skill，R1的技能库更符合“技能”定义，每一个都导向了具体应用场景，比如服装搭配、叙事广告、装修模板、亚马逊商品详情页等，大部分指向TVC视频。

现在市面上大都在讨论AI故事片作品，但其实AI视频使用最广泛的，正是TVC广告片领域。不管是产品元素还是视频片段，AI与实拍相比都是十倍以上的成本压缩。

所以要用vivago R1做测试，尤其是它高亮的“一次对话稳定生成5分钟长视频”能力，我第一反应就是：给我做一个FoST品牌的长视频汽车广告出来。

点击箭头生成，就会跳转到R1画布。左边是整齐排列的图片资产、视频素材，右边是自然语言对话Agent，随便给它提要求，它都能进一步拆解你的创意、导向成品。

R1拆解了我的创作意图之后，表示汽车广告一般1分半左右，建议我不要做太长，最好是3分钟出头；

又经过简单沟通，给我生成了一份一家三口驾驶FoST电动汽车、两天一夜自驾游的剧本：让汽车经过城市、盘山公路、草地、碎石浅滩、涉水等路况，展现汽车的多地形性能与长续航能力。

我觉得这个故事覆盖面已经很全了，确认继续制作，它就开始生成画面风格、资产圣经、分镜设计、图片资产等。

值得一提的是，R1在图片资产设计这块儿很有一套，它帮我完成了从创意激发到资产落地的全过程。

比如，它会生成一些十二宫格的铅笔画分镜草图，大致演示一下分镜效果，并且用红粉蓝绿等不同颜色标明对应的动作、表演、运镜、构图等专业信息，简单明了。

在调用图片模型方面也很智能，在我还没有明确想法时，它生成图片强调给角色更松弛的站姿、多种造型、粗糙但真实的皮肤细节，供我选择；

帮助我排除错误答案、确定各种造型应用场景之后，则改为生成更标准的三视图，用于后续视频生成。

视频生成阶段也很稳定，全长3分15秒的汽车TVC，角色、汽车、画册等道具都没有崩坏，很好地保持了一致性。

它也支持分镜、视频素材等内容的修改，比如我觉得第六组分镜生成效果节奏慢了、原本确认的想法又有改变，就可以用自然语言要求它忘掉我之前的修改意见，按照新意见再修改，它能分辨并记住我的需求，应用在后续生成里。

这都体现了vivago R1足够长、足够稳定的上下文理解能力，不需要重复修改、赌命抽卡，你就能得到想要的交付级成品。

测试下来我发现，vivago R1的核心能力，是长视频编排。

以现有AI技术，生成视频片段并不难，难的是在保持一致的前提下持续生成叙事连续、逻辑在线的完整长视频。目前市面主流的制作模式，还是AI创作者生成零散素材之后剪辑为成片，R1改变了这种模式，就像它官方介绍的：

它能通过多智能体协同机制，将“理解任务→构思故事线→创作分镜脚本→生成核心素材→生成超长视频”的完整创作链路进行原子化封装与专业化调度，确保叙事、镜头、角色、风格、声音和审美的有机统一，真正实现了从“单点工具”到“全链路创作系统”的跨越。

而且在这个平台上，你创作的角色、场景和道具都能形成可复用资产，后续镜头围绕同一套资产继续生成，进一步减少长片里常见的人物变化、场景跳变和风格断裂等问题。

所以第二个测试，我们就复用了汽车TVC里的角色资产，把这一家三口“搬”上街头、摄影棚，调用R1的“叙事广告导演Skill”，制作了一条全新风格的服装TVC视频。

来看看效果，是不是比某宝的模板视频强多了？

借助Skill预设能力，这条1分钟视频只做了两个小时。

一次对话稳定生成5分钟视频，角色、场景等资产复用后继续生成，从这个角度来讲，vivago R1几乎可以做到无限时长的持续稳定生成。

不止TVC品类，AI短剧团队、孵化自有IP的AI超创们、自媒体达人们等等，都可以来试试这个新上线的Agent平台。

2

其实早在7月份WAIC 2026大会现场，智象未来创始人兼CEO梅涛就现场首发了这款全球首个无限时长内容创作多模态智能体，vivago R1。

同期，这家公司在3个月内融资21亿元，成功跻身AI独角兽行列。很多人都在观望，智象未来到底想往哪个方向发展？

随着多个自研模型、产品的曝光，它的路线愈发明确：模型基座和Agent双轮驱动。

持续精进的自研模型能力是基础，除了上述全球前列的商用图像生成模型，就在前天，智象自研的具身世界模型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的成绩登顶榜首。

而落地到具体的应用场景上，则必须导向将基础模型的生成与推理优势转化为标准化、可验证、可交付的系统化产业能力的，Agent智能体。

梅涛院士在WAIC 2026大会发言里还给到了一个产品侧进一步落地的畅想：

在复杂的任务和场景中，单智能体存在明显的能力边界，无法独立完成跨链路、高精准的创作任务。唯有通过多智能体集群协作，模拟专业团队分工模式，才能“胜任”一些复杂的产业难题。

所以，智象自研了全新HD-AgentOS智能体操作系统。vivago R1，就是这套多智能体协同核心技术积累下，于视频创作领域最新落地的应用层产品。

这家公司很有趣的点就在这里，创始人是科学家出身，也待过京东等互联网大厂，所以绝对反对“纸上谈兵”。

他既要模型的技术力，又坚持把所有技术力通过智能体产品与用户产生强关联；而所有产品，都必须指向垂直的应用场景，从实操上帮创作者解决问题。

这次上线vivago R1（国内版够搭），就是AI视频场景应用的一次集中展示。

智象把这款产品定位为“你的AI视频创作好搭子”，在今天的分享会上，来自不同领域的品牌广告导演、AI创作者、品牌策划等均现场分享了用vivago R1创作的多场景AI视频demo，包括香水广告、IP设计、叙事片等多种类型。

来自海外的多位OPC创作者也通过视频分享，vivago R1帮他们实现了从输入一句话创意，到通过长视频编排来生成完整成片的惊喜。

我对vivago系列产品负责人现场分享的一句话印象很深刻：

Token消耗是摆在每个创作者面前最现实的问题，那么一个能做到稳定生成的AI产品，就是在帮创作者省钱。

而vivago R1致力于通过优化模型调用的长视频编排能力，让Agent“想得远、记得住、改得动”，就是当下乃至未来一段时间内这类AI产品的版本答案。

3

为什么我会觉得，智象未来主攻长视频编排能力的vivago R1产品，是AGI时代前夜的第一束光？首先，我们要厘清一个概念：

长视频编排，绝对不是站在其他生成模型肩膀上的偷懒行为，而是专业可落地的另辟蹊径。

1976年，第一台入门级单反相机“佳能AE-1”正式问世，彻底改变了摄影的社会属性。就像它那句非常经典的广告语：

So advanced, it's simple（如此先进，如此简单）。

它打破了单反相机操作繁琐的专业壁垒，让每一个不懂光圈、快门等专业参数的普通人都能拿起相机、记录生活，拍摄出不错的照片。

图片由AI生成

视频制作也一样。一直以来，人类把脑海里的故事变成可视化的影像，都需要复杂的“翻译层”（编剧、摄影、剪辑等）；AI技术的到来，把翻译简化成了提示词，你给到AI专业的语言指令，就能得到大致想要的结果。

但提示词仍然是有隐形门槛的，所以在AI视频行业诞生这一年里，首先实现经济繁荣的是卖课群体。

而如今vivago R1的诞生，砍掉了这层翻译。这意味着人类最擅长的“自然语言讲故事”能力，直接变成了最复杂的结果：一条可专业交付的完整视频。

放眼当下AI视频创作工具市场，产品方向主要分为两种路线。

一条是画布式、节点式工作流：把模型、工具和参数全部摊开，交给用户自己选择、连接和调试。它的优势是自由度高、控制颗粒度细；代价是用户必须理解模型边界、参数含义和组合逻辑。

另一条，是vivago R1选择的对话式路线：不把复杂流程摊给用户，而是尽可能把中间环节收进Agent里。用户只负责表达意图、判断结果；脚本拆解、镜头规划、角色一致性和成片组织等中间层，则由Agent在后台完成。

这两条路线背后，是两种不同的产品判断。

前者相信，创作的控制权应该尽可能交给用户；后者则认为，真正降低门槛的方式，是像单反一样用科技整合基础能力，把专业创作者的经验、审美和判断逻辑，编码进Agent的长视频编排能力中。

模型能力，不等于产品能力。

vivago R1用足够长、足够稳定、自带深度思考的模型基座与产品能力，大幅降低了大众从自然语言到复杂视频的门槛，把模型的上限变成每个创作者手里真正能用的东西，这就是AI视频创作的“单反”时刻。

当AI的专业能力优于人类并服务于人类，AGI时代就真的来了。而现在，至少我们已经在这个新产品上看到了一丝曙光。

Agent可以帮你做判断，你，只需要一个创意。