一年前，中國視訊模型在國際權威模型評測競技場上還只是零星出現。到2026年9月，字節Seedance2.0/2.5、MiniMax H3、阿里Wan 3.0和智象HiDream-O1-Video-1.0（下文簡稱HiDream V1）已相繼進入全球視訊生成模型頭部方陣。三個月內，四款模型密集上新，意味著中國力量正從單點突圍轉向叢集式上行。

但進入同一梯隊，並不意味著走的是同一條路。當畫質、時長和人物一致性逐漸成為基礎能力，競爭焦點開始從“生成得像不像”轉向“是否理解真實世界”。有人押注效率，有人依託規模與生態；智象選擇的切口，則是更懂物理規律與事件邏輯。HiDream V1由此成為觀察其“原生全模態世界模型”路線的一扇窗口。

沿著各自的技術路線向下看，四家公司呈現出不同的資源稟賦與競爭邏輯。

字節Seedance背靠大廠完整的算力、工程和產品體系；MiniMax H3依託大模型基座與使用者積累，向多模態持續延伸；阿里Wan 3.0則嵌入通義、阿里雲等構成的技術生態。智象走的是另一條路：作為AI創業公司，它沒有大廠的資源和入口優勢，選擇押注“原生全模態世界模型架構”，推動圖像、視訊、3D互動與具身智能在統一底座上演進。HiDream V1補上的，正是其中關於“時間與變化”的關鍵一環。

不同背景、不同路線的團隊同時進入國際主流榜單頭部，意味著中國視訊模型正在從單點突圍轉向叢集競爭。其優勢不只是玩家更多，更在於大廠、AI獨角獸等玩家從不同方向探索技術邊界，降低了產業對單一路線的依賴。

這也引出一個問題：當市場已有多款高畫質、長時長且成本不斷下降的視訊模型，為什麼還需要HiDream V1？

答案不在於“多一個模型”，而在於“多一條路”。當前視訊生成仍面臨一個核心難題：模型可以把每一幀畫得足夠逼真，卻未必理解事件應該如何發生。例如物體運動是否符合物理規律、動作與聲音能否精準同步、前後事件是否具有因果關係。這些問題無法僅靠提升解析度和延長時長解決。

HiDream V1試圖把競爭向前推進一步：在生成之前強化對動作持續時間、物體關係、事件邏輯和音畫對應的理解，讓視訊模型從“會生成”走向“懂世界”。這並非對其他技術路線的替代，而是一種補充：當畫質、時長和效率逐漸成為基礎能力，對真實世界的理解將成為新的分水嶺。中國視訊模型的叢集優勢，恰恰在於多條路線能夠同時向前探索。

HiDream V1 的首次亮相，先被放進了全球視訊模型競爭的公開坐標系。

發佈同期，在 Artificial Analysis Image to Video Leaderboard（With Audio）榜單中，HiDream V1 位列全球第4；Arena.ai Image-to-Video 榜單暫列第8。

值得注意的不只是智像一家。同一張榜單上，MiniMax H3、字節 Seedance 也都在頭部區間——中國名字密集出現在國際視訊模型排行裡，這本身就是一種產業訊號。

榜單不是全部，但它提供了一個外部參照：HiDream V1 已經進入全球頭部視訊模型的同場比較，而中國視訊模型作為一個整體，正在這張榜單上形成存在感。

回到產品本身。HiDream V1 支援文字、圖片、視訊等多種模態輸入，可生成5至20秒1080p高保真視訊，在意圖理解、物理規律、動態時長、敘事連貫性、人物一致性和音畫同步上完成系統最佳化。它是智象首個原生全模態視訊生成模型。

更值得看的，是 HiDream V1 的競爭力並非來自某一個單點能力。畫面高保真只是基礎，真正拉開差距的，是它試圖把意圖理解、物理規律、時長規劃和音畫同步放進同一條生成鏈路里。換句話說，HiDream V1 要讓視訊裡的事件更合理。

智象未來技術合夥人、演算法科學家潘瀅煒博士告訴網易科技，智象希望做的是"帶腦子的、更智能的模型"，不是簡單把提示詞和圖片丟進去，讓畫面動一動。這解釋了為什麼智象會把視訊模型能力的競爭，放到"智能水平"的維度上，而非單純追逐生成效果。

物理規律，是整個視訊模型行業最難啃的骨頭，不只是智象的挑戰。

當前不少視訊模型已經能生成相當精緻的畫面，也能按照指令做簡單動作。但一旦進入更複雜的物理場景，違和感就會出現：柔性物體不按受力方向運動，物體憑空出現或消失，碰撞反饋不自然，動作完成後鏡頭仍被強行拉長。這些問題在四家頭部模型身上都不同程度存在，區別只在於誰犯得更少。

接下來，從幾個看似日常、卻很能暴露模型短板的任務，看 HiDream V1 的完成效果。

這個畫面考驗的不是“骨牌倒下”這一個動作，而是一整條因果鏈能不能成立。每一塊骨牌都必須先接觸下一塊，下一塊才能倒下，同時還要配合清晰的點選聲。

實測下，部分模型會在中途斷掉，或出現骨牌還沒發生接觸就自行倒下的情況。HiDream V1 的處理更接近真實連鎖反應：第一塊被推倒後，碰撞一塊塊傳遞，骨牌數量、倒下順序和拐角處的運動關係都保持得更穩定。

同時，對“時長”的理解在這裡也很關鍵。多米諾的時間不是被硬塞進一個固定窗口，而是由事件自己決定：第一塊何時倒下，第二塊何時被碰到，聲音何時出現，都要跟碰撞節奏一致。HiDream V1 在這裡做的，是讓鏡頭時長服從內容本身。

這個任務同時考驗畫面高保真、指令遵循、運動方向和音畫同步。賽車高速掠過鏡頭時，模型要維持車身結構穩定，不能在運動中變形；聲音也不能只是一段泛泛的引擎噪音，而要隨著車輛接近、掠過和遠離發生變化。

實測下，部分模型會出現車身形態漂移，甚至尾部突然變成車頭的情況。HiDream V1 的賽車主體保持得更穩定，運動方向清晰，引擎聲也隨車輛位置變化產生了更自然的音調落差。

效果的實現主要源於背後的架構。HiDream V1 採用文字、視訊和音訊訊號聯合建模，而不是先生成畫面、再後期配音。潘瀅煒說，音畫同步和原生全模態“天然耦合”，相比割裂生成，聯合建模的對齊程度會更高，感知上也更自然。

也就是說，HiDream V1生成的不是一段帶聲音的視訊，而是一段聲音和畫面共同成立的運動事件。

這個任務考驗的是模型能不能真正聽懂複雜指令。它不只是生成一張漂亮插畫，而是要理解順序、邊界和接觸關係：先後順序不能亂，顏色不能提前出現，畫筆沒碰到的地方不能自己變色，原有線稿結構也要保持穩定。

實測下，部分模型會出現上色突變、顏色溢出，或者沒有嚴格按照指令推進。HiDream V1 的畫面更穩定：顏色跟隨畫筆移動，線稿邊界保持清晰，最終形成的是同一張圖從黑白線稿到彩色插畫的連續變化。

這也是“懂意圖”的另一種體現。難點不在畫得像，而在聽得懂。模型需要把一句複雜提示詞拆成可執行的動作序列，再在連續生成中保持一致。

此外，網易科技還測試了幾組更貼近日常物理世界的場景，包括冰塊掉入水中、倒水、紙張摺疊等。實測結果顯示，HiDream V1 在這些場景裡也能較好維持物體狀態和動作連續性。

把這些實測放在一起看，HiDream V1 把一條能力鏈清晰地展示了出來：從物理因果，到動作時長，到音畫因果，再到複雜指令理解和過程控制，模型正在把視訊生成從畫面能力推向狀態推演能力。

這背後，不是給視訊模型多喂一些物理資料這麼簡單，也不是在生成後再做規則修補。

智象技術合夥人潘瀅煒博士告訴網易科技，HiDream V1 的技術路徑可以拆成三步：先理解，再生成，再對齊。

圖註：HiDream V1 技術路徑示意——理解→生成→對齊

第一步，是在生成前先做理解。

過去很多視訊模型更像是"把圖動起來"：使用者給一張圖、一句話，模型直接進入生成。但 HiDream V1 會先通過多模態理解模組，對輸入圖片和文字進行結構化拆解，判斷畫面中的場景、主體、動作、物理關係、鏡頭時長、運鏡方式以及聲音設計。

這一步的意義在於，模型會先把使用者意圖翻譯成更適合視訊生成的內部規劃。比如蘋果拋接，它要先理解這是一個短促動作；乒乓球彈跳，它要先理解彈跳高度、頻率和撞擊聲之間存在物理關聯；穿針引線，它要先判斷紅線、手指、針眼之間的受力關係。

第二步，是把這些理解結果灌進原生全模態生成過程。

潘瀅煒提到，物理規律不能只停留在"知道"層面，還要變成跟視覺內容匹配的訊號。"你重力落下來，幾秒鐘之後會在什麼地方，這些精準的、跟視覺內容匹配的訊號，是要給到模型裡的。"

HiDream V1 的關鍵，正是在生成過程中納入物理規律、動作節奏和音畫關係，讓畫面、動作、聲音和時間彼此約束。

第三步，是用後訓練進一步對齊合理性。

在預訓練之後，智象還會用 Reward 機制強化物理規律、音畫同步和整體觀感。潘瀅煒將其類比為一種 human preference：那些結果更符合重力、碰撞、光影、空間連續，那些結果看起來違和，模型會從這種強弱對比中繼續學習。

這也是 HiDream V1 的能力可以跨越多個場景的原因。穿針測試裡，它要處理柔性物體的受力形變；蘋果測試裡，它要判斷事件應該持續多久；乒乓球測試裡，它要同時對齊畫面運動和聲音反饋。這幾件事表面上不同，底層都指向同一個能力：模型開始推演一個事件如何發生。

更進一步，這套機制之所以能成立，也和智象的原生全模態底座有關。

HiDream V1 並不是一個孤立的視訊模型。它和 HiDream-O1-Image、HiDream-O1-World、HiDream-O1-Embodied 同源，都是從 O1 原生全模態架構上長出來的不同任務形態。視訊模型多了音訊和時序訊號，因此更重、更難，但也正因為它接入同一個底座，文字、圖像、視訊、音訊之間才能在同一生成過程中互相約束，而不是各做各的。

所以，HiDream V1 能做出這些效果，不只是因為視訊能力增強了，而是因為智象試圖把"理解世界、表達世界、反饋世界"放進同一套模型邏輯裡。

智像在視訊生成領域有著深厚技術積累。2024年1月率先實現超15秒視訊生成技術突破，同年7月推出全球首個商用DiT大模型HiDream 2.0，12月發佈採用擴散自回歸架構的HiDream 3.0，持續推動視訊模型從生成能力向深層理解演進。今天發佈的HiDream-01-Video-1.0，則實現了在面向世界模型方向的新一代UiT 架構上的再次升級。

圖註：智象未來視訊模型發展歷程

潘瀅煒用了一個更形象的比喻：O1-Image、O1-World、O1-Embodied 和 O1-Video，是"一個架構上面長出來的幾朵不同的花"。它們的基礎架構通用，只是不同任務灌入的資料、後訓練方式、條件設計不同。視訊任務因為多了音訊和時序資訊，也更重、更消耗算力。

這與行業裡其他幾條路線形成了有趣對照。

字節 Seedance 和 MiniMax H3 走的是"先把視訊生成做強"的路線，在單點任務上建立優勢，再向多模態外擴。阿里 Wan 3.0 依託通義體系，把視訊模型嵌入大模型+雲服務的整體方案。這些路徑都很重要，本質上是從一個任務向外延展。

智象的選擇不同：先押注原生全模態 UiT 底座，再讓圖像、視訊、世界模型和具身模型在同一架構下同源演進。

潘瀅煒說，這不是"做完A再做B，做完B再做C"的序列關係。原生全模態架構出來後，多個任務是平行推進的，只是視訊模型更重，所以發佈節奏更慢。

這條路線的代價是，單看一個任務，投入更大、周期可能更長；但好處也很清楚：一旦底座打好，不同模型之間可以互相促進，後續能力迭代會更快。

"對一個人來說，認識世界就是聽覺、視覺，包括觸覺等等一體的。"潘瀅煒說。越接近 AGI 時代的世界模型，模態越齊、對齊程度越高，天花板也會越高。

從這個角度看，HiDream V1的節點意義非常清晰。

單看模型本身，HiDream V1是智象未來多年視訊模型積累在新一代 UiT 底座上的升級；放在HiDream O1系列中，它連接的則是靜態圖像、動態視訊、空間互動與現實行動，使智象“一個原生全模態底座、四大模型同源演進”的技術版圖初步閉環。

按照智象的規劃，圖像模型負責靜態表達，視訊模型處理時間與運動，互動式世界模型理解空間及互動，具身世界模型進一步將行動與真實反饋納入體系。四類模型並非彼此割裂，而是在統一底層架構上共享和遷移能力。相比單點推進視訊生成，這一路線的核心價值不在於模型數量，而在於不同模態能否相互增強：圖像沉澱視覺表徵，視訊引入時間與物理變化，世界模型和具身智能再將這些能力推向空間理解與現實行動。

但閉環初現，不等於世界模型已經成熟。正如潘博士所言，目前沒有任何模型能夠完全解決物理規律問題，複雜因果推理、長時一致性、可控互動與算力成本，仍是全行業共同面對的難題。HiDream V1的真正意義，是把競爭向前推進了一步：視訊模型比拚的不再只是畫質、時長和價格，還包括對運動、因果與真實世界規則的理解。

這也是中國視訊模型叢集競爭的下一站。字節、MiniMax、阿里和智象依託不同資源、選擇不同路徑，卻都在從“生成畫面”走向“理解世界”。其中，智象提供了一種底層模型架構創新先行的路線樣本：視訊模型不是孤立的一環，而是通向世界模型的關鍵介面。

過去，視訊生成模型證明了AI可以生成足夠逼真的畫面；接下來，它們需要證明自己理解畫面為何如此發生。HiDream V1補上的不僅是智象原生全模態世界模型版圖中的視訊一環，更是從“生成世界”邁向“建構世界”的關鍵一步。

目前，HiDream-O1-Video-1.0 已開放內測申請。感興趣的讀者可以掃描下方二維碼，申請測試模型能力。(網易科技)

彙整鉅亨號中所有使用「阿里Wan 3.0」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

全球AI視訊模型“四強”會師，為什麼“理解世界”變得更加重要？