9月15日，智象（HiDream.ai）发布原生全模态音视频生成模型HiDream-O1-Video-1.0（简称HiDream V1）。其图生视频能力在Artificial Analysis排名第4，在Arena.ai的图生视频模型榜单中排名第8，双榜进入全球前十，跻身全球视频生成模型第一梯队。

这一发布的时间点值得关注。近几个月，AI视频生成赛道持续升温：7月31日，Seedance2.5与MiniMax H3同日发布；8月，阿里发布Wan3.0；进入9月，智象HiDream V1加入战局。短短两个月，多家厂商接连推出新一代视频生成模型，以字节Seedance、MiniMax H3、阿里Wan 3.0和智象HiDream V1为代表的中国模型，开始在全球主流榜单头部形成集群，中国视频生成模型正从单点领先转向多家并进。智象作为创业公司进入这一竞争区间，也意味着全球视频模型头部牌桌上，除了大厂和上市企业，开始出现新的玩家。

从产品能力看，HiDream V1的一个差异化设计在于对用户意图的理解与时长规划。常规视频生成工具要求用户把提示词写得详尽，镜头、光线、动作、时长逐项交代，但真实场景中用户输入往往只是一句口语或一个模糊念头。HiDream V1的做法是，在生成前先通过多模态意图理解模块分析需求，再调用多模态理解模型进行结构化规划，规划字段覆盖人物、动作、镜头、光影、台词、声音等关键信息，将自然语言需求拆解成可执行的分镜信息后进入联合生成。

时长也被纳入规划。多数模型的生成时长由提示词预先设定，输入5秒就在5秒窗口内完成内容，动作未结束也只能压缩处理。HiDream V1则让模型根据内容自行规划时长，结合事件展开、动作完成和叙事节奏决定生成长度，原生支持5至20秒任意时长生成。在此基础上，1080p高保真输出保障单镜头画质，为连续叙事提供基础。

在实测中，智东西用三个场景检验了这套机制。意图理解测试中，模型根据一张从故事中途切入的参考图，还原了人与狗的动向，并在细节上透露出疲惫姿态。时长规划测试中，面对一个撑不住十秒情节的短提示词，HiDream V1并未强行凑时长，视频时长仅为7秒，鸟叫、猫咪抬头动作与懒洋洋的姿态保持良好。音画一致性测试中，模型在说唱舞台场景里实现了嘴型与歌词的对应，并将提示词中故意漏掉的一个字补全。

更值得关注的是模型对真实世界运动规律的处理。视频模型要跨过的分水岭，是让画面里的运动符合真实世界的因果。HiDream V1在生成与叙事规划中强化了对物理规律的建模，包括物体在重力下如何落下、碰撞如何反馈、惯性如何延续、光影如何衰减、空间如何保持连续等。

三组测试分别覆盖精细操作、多人运动和复杂运动。拧螺丝场景中，模型理解了连续动作关系，螺丝刀与螺丝位置保持对应，双手与工具的空间关系整体自然。NBA三分绝杀场景中，球员的肌肉线条、篮球的飞行轨迹和旋转符合现实物理规律，仅在最后出现一点人物位置偏移。奥运会百米飞人大战场景中，模型基本还原了从发令、起跑到并肩冲刺的完整过程，运动员跑步姿态、摆臂和腿部动作保持连贯，人物之间没有明显肢体穿模，脚步声与步频也能对应。

支撑这些能力的，是智象先规划、后联合生成、再以多模态Reward对齐的技术思路。在后训练阶段，智象采用Diffusion RL技术，并设计与人工认知对齐的多模态Reward模型。这套训练链路背后是DMSampler、DiffusionCompass、EvoID三篇论文，分别收录于2026年ICML、ECCV、CVPR三大顶会，从扩散强化学习采样效率、生成质量控制和身份保持等方向提供技术支撑。

智象联合创始人兼CTO姚霆表示，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；HiDream 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。

HiDream V1的意义不只是新增一个视频模型。围绕统一UiT（Unified Transformer）底座，智象已形成图像、视频、3D、具身四个模型方向：图像解决视觉生成与理解，视频进入时间维度，3D对应交互式环境，具身深入真实动作与具身反馈。此前，HiDream-O1-Image商用版1.5在Artificial Analysis文生图榜取得中国第一、全球第三；HiDream-O1-World在交互式世界模型基准WBench的Navi分榜以平均分80.9位列第一，物理一致性73.3分同样第一；HiDream-O1-Embodied在RoboColiseum的Robustness子榜以平均分0.692登顶。这些模型共享UiT统一底座，文本、图像、视频、3D与具身数据能够在同一个表征空间里处理。

智象联合创始人兼CEO梅涛谈及路线时表示，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，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。

从产业视角看，视频生成正从单一内容创作走向影视、广告、电商等生产场景，行业竞争重点也在变化。除了画质、时长和人物一致性等基础要求，模型对复杂运动、物理规律等真实世界的理解正成为新的竞争维度。视频所记录的是现实世界不断变化的过程，当模型能进一步理解时间、空间、物理规律以及因果关系，视频生成所覆盖的能力边界也会随之扩大，逐渐成为模型理解和模拟真实世界的一种路径。HiDream V1的发布，让智象的原生全模态世界模型矩阵补上了视频这一块重要拼图，也让其一个底座、四大模型同源演进的布局真正显现出来。