全球AI视频榜单第一梯队再添中国力量：智象发布首款物理规律导向视频模型

9月15日，智象未来（HiDream.ai）正式发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0(模型简称 HD-V1）。HD-V1采用智象自研原生全模态架构，支持文本、图片、视频等多种模态输入，可一键直出5–20秒1080p高保真视频，同时在意图理解、物理规律理解、自主规划叙事、以及音画一体化生成等维度均全面升级，达到全球领先水平。

发布同期，HD-V1 在两项国际权威评测榜单中，均位居世界前列。在全球领先的独立 AI 基准测试与分析平台Artificial Analysis Image to Video Leaderboard（With Audio）排行榜上，HD-V1 取得全球排名第四的佳绩。Artificial Analysis 的图生视频榜单以标准化、可复现的基准对全球头部视频生成模型进行系统评测，被视为衡量AI视频模型综合实力的重要标尺。

在全球最具影响力的AI 模型盲测评测平台 Arena.ai Image-to-Video 中，HD-V1也取得了第8的优异成绩。Arena.ai Image-to-Video是专注于AI视频生成模型的盲测评测子平台，是目前评估图生视频模型能力的重要第三方参考，被全球国际主流 AI 厂商广泛引用。

放在全球 AI 竞争格局中看，这一成绩的意义远超名次本身：多模态是当下全球人工智能的核心战场，图生视频则是其中技术密度最高、竞争最激烈的方向之一。HD-V1以双榜高位成绩完成全球首次亮相，这标志着中国优秀大模型企业已全面领先，形成全球AI视频模型第一梯队。

智象未来 CTO 姚霆表示：“HiDream-O1-Video-1.0 是智象原生全模态世界模型矩阵的关键组成部分。我们始终相信，视频生成的代际进化不仅仅是像素的提升和时长的延续，而在于模型是否真正理解创作者的意图和真实世界的物理规律。HD-V1从架构设计之初便面向文本、视频与音频的统一表征，原生全模态技术使之从‘看得清、动得顺’，迈向‘听得懂、说得准、演得连贯’。这次在两项国际权威榜单中再次进入第一梯队，是对智象原生全模态技术路线最直接的验证。”

01原生全模态，更懂意图、更懂物理

视频生成的难点，往往不在“会不会画”，而在“有没有听懂”。用户输入常常是口语化、碎片化、模糊化的信息。直接输入丢给模型，很容易出现意图漏解、镜头跳戏、人物漂移与音画错位等问题。

为此，HD-V1的设计中前置多模态意图理解模块，借助多模态理解模型的深度理解与思考，对视频内容进行结构化规划。规划内容包括镜头时长、场景地点、画面内容、首帧约束、在场角色、动作与表情、景别构图、运镜焦段、台词与背景声等音效设计等等字段。该模块的存在，保证模型充分理解用户自然语言输入的意图，并转换成模型可接受的专业表达。理解越深，规划越稳；规划越稳，后续联合生成越不容易“跑偏”。

理解意图只是第一步，HD-V1的另一重要突破，是“更懂物理”。

物体在重力作用下如何落下、碰撞如何反馈、惯性如何延续、光影如何衰减、空间如何保持连续——这些物理规律既被理解，也被写进视频模型的叙事之中，成为画面生成的底层逻辑。

02画面高保真、叙事连贯性、人物一致性全面升级

针对高保真画质、叙事连贯性与人物一致性等关键指标，HD-V1实现了全面优化升级。它不只追求单帧画面的精美，更要让视频内容在整体叙事维度上自洽。

当人物、情绪、动机、物理规律，一旦进入连续镜头，就必然互相影响。为此，智象提出了“先规划、后联合生成、再以多模态 Reward 对齐”的技术思路，让模型先在全局层面规划叙事与角色状态，再在联合生成中约束画面、动作和语义，最后用多模态奖励信号对齐画质、连贯性与物理合理性。

03服从叙事内容 视频生成时长的逻辑革新

多数视频生成时长遵循的是固定提示词路线，比如用户在提示词中输入生成 5 秒，模型只能在这个时间窗口内填充内容，内容叙事“被迫”适应时长。

HD-V1的做法，是把时长决策交还给内容本身。模型根据事件展开的逻辑、动作完成的周期、叙事推进的节奏，自行规划生成时长。这一能力的关键，不在于简单改变帧数，而在于把时长选择与内容情境绑定，服务用户真正的目标——在连贯叙事中交付合理、真实质感的完整画面。

04文本、视频、音频信号联合建模 音画原生一体化生成

音画不同步是AI视频生成模型的一个普遍通病。这是因为当前多数视频模型采用的后期拼接技术路线：先逐帧生成画面，再回头配音配效，声音跟画面很难保持一致。

HD-V1采用了原生全模态架构，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。这种联合建模，直接服务于音画同步与叙事连贯。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。

实现真实世界的质感，根源在于模型的技术产品哲学：以人的感受为尺度。为此在后训练阶段，采用 Diffusion Reinforcement Learning，并设计与人工认知对齐的多模态 Reward 模型，对音视频内容进行从画面到声音、从局部到整体的统一评估。

05世界模型闭环成型：从单点能力到原生全模态矩阵

从今年4月正式发布原生全模态世界模型架构HiDream-O1以来，智象陆续发布了基于同一架构的模型家族，这几款模型也分别在各自赛道上取得国际权威榜单的领先位置。

图像生成模型HiDreamO1Image系列，其中商用版1.5 版本在国际独立评测平台 Artificial Analysis 文生图榜单中，取得中国第一、全球第二的成绩；开源版本也取得了第二的成绩。

交互式世界模型 HiDreamO1World，名列行业首个交互式世界模型基准 WBench综合总榜第一。

具身世界模型 HiDreamO1Embodied，先后在 RoboColiseum的扰动适应和空间推理子榜单中登顶榜首。

随着视频模型正式发布，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。

（原生全模态世界模型矩阵）

智象创始人梅涛博士表示：“基于我们对下一代人工智能技术路线的认知，智象致力于构建 ‘一个原生全模态底座、四大模型同源演进’的模型矩阵。我们所构建的，不是四条彼此独立的能力线，而是一套以统一技术架构为底座、面向世界模型持续进化走向可落地的原生全模态体系。”

06 C+轮融资落定，国资产业资本组团再加码

在HD-V1发布之际，智象同时宣布完成C+轮融资。本轮投资方为新微资本、交子资本、工银资本，体现了资本市场对公司原生全模态技术路线、世界模型布局及产业化潜力的高度认可。

新微资本由上海新微科技集团、上海科创投集团以及管理团队共同发起成立，管理基金规模近百亿元。作为新微集团的CVC，新微资本正持续加强在人工智能赛道的布局，依托新微集团在集成电路特色工艺制造领域的产业基座，构建在AI时代具备持续竞争力的新微产业生态。

新微资本表示：“智象未来的原生全模态世界模型矩阵，向上连接算力与AI基础设施，向下延伸至智能终端与行业应用，与新微集团的产业布局高度协同。未来新微将以制造能力支撑算力基建，以产业资源加速模型落地，助力智象未来占据世界模型时代的关键席位。”

交子资本是成都交子金控集团旗下全资国有股权投资平台，也是成都建设西部金融中心的重要产业资本载体，管理基金规模超1700亿元。依托成都、辐射西部、链接全国，交子资本聚焦人工智能等硬科技赛道，以长期资本和产业资源推动科技成果转化与产业生态建设。

交子资本相关负责人表示：“智象未来持续推动图像、视频、3D交互与具身四大模型同源演进，围绕底层架构持续创新，构建原生全模态世界模型矩阵。这一路线在行业中具有鲜明的稀缺性和领先性。HiDream-O1-Video-1.0的发布补齐了模型矩阵的关键一环，进一步验证了公司技术路线的前瞻性与落地能力。我们期待发挥国有产业资本的长期陪伴与资源协同作用，助力智象未来成长为具有全球竞争力的AI企业，并带动成都、辐射西部人工智能产业生态建设。”

随着HD-V1视频模型的发布，从原生全模态通往世界模型，不再只是一张战略蓝图，而是闭环发展、持续演进的现实。