AI视频「四小龙」落定：智象HiDream-O1-Video，世界模型矩阵闭环成型

作者 | Judy

图片来源丨智象（HiDream）

对每天要出片的创作者来说，AI 视频工具带来的失望往往是同三种：说了半天需求，模型只听懂了一半；画面跑到一半，主角悄悄变了张脸；成片出来了，声音是后期贴上去的，口型对不上。

9月15日，智象 （ HiDream.ai）发布首 款原生全模 态视频生成模型HiDream-O1-Video-1.0 （下文简称HiDream V1） ，同步宣布完成C+轮融资，投资方为新微资本、交子资本、工银 资本。

这款模型正是冲着上面三件事来的。它的到来，也补齐了智象从去年到今年布下的四块拼图。当 HiDream‑O1‑Video 上线，智象基于自研原生全模态 UiT 架构的四大模型 —— 图像、视频、3D 交互、具身 —— 首次在同一个技术底座上完成闭环。对创作者而言，视频模型 HiDream V1 补上的，是「用画面讲好一段时间」的关键能力，也是世界模型理解和表达时间变化的关键一环。

另外，一个值得注意的判断浮出水面：在AI视频生成这个全球竞争最激烈的赛道上，中国企业已经形成了稳定的第一梯队。智象HiDream V1与字节跳动Seedance、MiniMax H3、阿里万相，正在成为AI视频领域的「四小龙」。

基本功拉满：1080P、任意时长、音画同步

HiDream V1给创作者的体验，可以概括成四件事：高保真画面、1080P高清输出、5–20秒任意时长、音画同步。前两件，是「不用返工」的底气。

在两项国际权威评测中，HiDream V1均进入全球前列：在Artificial Analysis Image to Video Leaderboard（With Audio）上取得全球第4名，在Arena.ai Image-to-Video盲测评测平台上取得第8名。前者以标准化、可复现的基准对全球头部视频生成模型进行系统评测，后者是目前全球主流AI厂商广泛引用的第三方参考。

榜单成绩是一方面，更直观的是同题实测中的表现。在相同提示词下，HiDream‑O1‑Video 的画面保真度、指令遵循度和人物与视频一致性均有更优异的表现。

我们来看一个案例。在同样的一套提示词下，模型 A出现了车尾突变车头、logo 漂移、苹果叶片消失等问题。对创作者来说，这些恰恰是最贵的错误 —— 每一处都意味着重新抽卡、重新渲染、重新排期。

上方赛车视频由HiDream V1生成

模型 A 生成

「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。」

另一个值得关注的细节是时长策略。多数视频生成模型遵循固定提示词路线——用户输入「生成5秒」，模型只能在这个时间窗口内填充内容，叙事被迫适应时长：创作者要么为凑满5秒硬加一个转场，要么把20秒的戏压成5秒。HiDream 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，原生支持5–20秒任意时长。5秒或20秒服务于同一个目标：在连贯叙事中交付合理、有真实质感的完整画面。你只需要想清楚要讲什么，剩下的事交给模型。

从「画得像」到「听得懂」

视频生成的真正瓶颈，往往在于模型能否「听懂」用户的意图。

创作者的输入常常是口语化、碎片化、模糊化的——「就那种，傍晚，主角一个人在海边走，风大一点，背景音乐孤独一点」。直接丢给模型，容易出现意图漏解、镜头跳戏、人物漂移与音画错位。HiDream V1选择「先理解，再生成」：你的一句话，模型先转写为可执行的专业分镜语言和叙事逻辑，再开始干活。

理解越深，规划越稳；规划越稳，后续联合生成越不容易「跑偏」。

第二层差异化是物理规律理解。推一扇城堡木门的力度与门轴摩擦声互相对应，多米诺骨牌在拐角处连锁倒下——画面不只「会动」，更知道「为什么这样动」。

推门视频由HiDream V1生成

多米诺骨牌视频由HiDream V1生成

HiDream-O1-Video将物理规律理解嵌入世界模型叙事，让物体在重力作用下的运动轨迹、碰撞反馈、惯性延续和光影衰减，都成为画面生成的底层逻辑。

第三层是音画同步。当前多数视频模型采用的是后期拼接技术路线：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。HiDream-O1-Video采用原生全模态架构，对文本、视频、音频信号进行联合建模——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。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贴近真实因果。

换句话说，过去要靠后期音效和剪辑完成的工作，模型在生成的那一刻就替你完成了。

支撑这一能力的是大规模带内容标注的音视频预训练数据。丰富的标注将画面语义、声音事件与时序关系绑定，使模型在预训练阶段便学习到「内容—声音—时间」的对应规律。

一次demo好看不难，每次出片都稳才难

产品能力的背后需要技术公信力——毕竟「demo好看」不等于「天天出片都稳」。HiDream-O1-Video的后训练采用Diffusion Reinforcement Learning，配合多模态Reward模型，对画面保真、叙事连贯、身份一致、物理合理性与音画同步进行联合打分。

三篇顶会论文分别切入后训练链路的三个关键瓶颈，构成「低成本采样—质量锚定—身份保持」的完整技术闭环。

DMSampler（ICML 2026，2026年7月，韩国首尔）针对扩散模型采样成本高的问题提出高效采样方案，降低推理阶段的计算开销，让大规模强化学习训练在工程上变得可行。落到创作者这里，就是出片更快、批量抽卡的成本更低。

DiffusionCompass（ECCV 2026，2026年9月，瑞典马尔默）为强化学习过程提供质量锚定机制——没有可靠的奖励信号，强化学习容易「自己骗自己」，这篇论文解决的是如何让模型在迭代中始终对准真实质量标准。对使用者而言，这意味着今天拿到的第100条片子，和第一天拿到的质量基准，出自同一把尺子。

EvoID（CVPR 2026，2026年6月，美国丹佛）则聚焦身份一致性难题，确保同一角色在长时段、多镜头生成中保持可辨识的稳定特征。主角不会中途「变脸」——对做系列内容、品牌片和连续叙事的创作者来说，这一条尤其值钱。

换句话说，HiDream V1不但有能力做到「demo好看」，也有同行评审的学术体系作为支撑。在AI视频赛道，能做到模型能力+权威榜单+实测+顶会研究四层实证支撑的公司，目前还不多。

一个底座，四种能力：世界模型的拼图闭环

HiDream-O1-Video的发布，其意义远超一款视频产品上线。

从今年4月发布原生全模态世界模型架构HiDream-O1以来，智象陆续推出了基于同一UiT架构的模型家族：

•图像生成模型HiDream-O1-Image：商用版1.5在Artificial Analysis文生图榜单取得中国第一、全球第二，开源版同列第二

•交互式世界模型HiDream-O1-World：在行业首个交互式世界模型基准WBench综合总榜排名第一

•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先后登顶

•视频生成模型HiDream-O1-Video：Artificial Analysis图生视频榜第4、Arena榜第8

四条产品线，共享同一个UiT底座，在统一架构中同源演进。图像记录状态，视频记录变化，空间提供结构，动作带来交互——它们共同构成「空间理解—时间叙事—三维交互—具身反馈」的完整能力链。

智象创始人兼 CEO 梅涛博士的判断是：原生全模态是走向 AGC 的必经之路。「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。」

在视频赛道，常见的做法是先集中资源做好单一视频模型，再逐步拓展能力版图。这种路径起步更快，但每增加一项能力，也需要补充相应的底层支撑。智象选择从统一架构出发，同步推进四大模型，让图像的状态理解、视频的时间规律和交互的空间结构，在同一底座中彼此打通。从架构完整度看，智象已初步形成能力闭环。

把镜头拉远：中国AI视频的全球位置

把视角拉到赛道层面，AI视频生成的全球竞争格局正在发生结构性变化。

2026年9月的全球市场，音频原生 （audio-native） 已经成为视频模型的标配能力。字节跳动Seedance 2.0、快手可灵3.0、Google Veo 3.1和Gemini Omni Flash构成了第一梯队的四极。而OpenAI的Sora 2 API在9月24日正式关闭——这个曾经定义了AI视频赛道的产品，最终没有跑出来。

在这张全球竞争图谱中，中国企业的位置比想象中更稳固。Seedance、快手可灵、阿里万相、海螺AI （ MiniMax） 、智象——中国公司在画质、音画同步、多分镜叙事和物理规律理解等核心维度上，已经具备全球领先优势。

智象未来的差异化标签是「原生全模态世界模型」——在视频生成之外，更致力于搭建能够理解、表达、交互并反馈真实世界的模型底座。

在产品侧，智象已确立「基础模型+智能体」双轮驱动战略，打造了面向商业营销的HiBurst、面向影视创作的帧赞、面向全球创作者的vivago三大产品。据公开信息，旗下内容创作智能体vivago全球用户已突破7000万，覆盖100多个国家和地区。

HiDream-O1-Video的发布，让智象的世界模型矩阵从「路线图」变成了「可验证的体系」。四大模型同源演进、同一底座、同一套后训练方法论——这套体系能否支撑智象在世界模型赛道持续领先，还需要时间和商业化来回答。但至少在今天，「四小龙」的格局已经落定，而智象是其中唯一从原生全模态世界模型出发、完成闭环的那一个。