智象发布首款物理规律导向视频模型，登全球AI视频榜单前列

智象发布首款物理规律导向视频模型

智象未来（HiDream.ai）近日正式推出其首款原生全模态视频生成模型 HiDream-O1-Video-1.0（简称 HD-V1）。这款模型支持文本、图片、视频等多种输入方式，能一键生成5到20秒的1080p高保真视频。与当前主流视频生成模型不同，HD-V1从架构设计之初就将物理规律、用户意图和音画一体化作为核心考量，试图解决AI视频中常见的“动作不合理”“镜头跳戏”“音画错位”等问题。

在发布同期，HD-V1 登上了两个国际权威评测榜单：在 Artificial Analysis 的 Image to Video Leaderboard（含音频）中排名全球第四；在 Arena.ai 的 Image-to-Video 盲测评测中位列第八。这两个平台被广泛视为衡量AI视频模型综合能力的重要参考。值得注意的是，这两项成绩并非仅靠单点优化获得，而是基于智象提出的“原生全模态世界模型”技术路线。

更懂意图：从模糊指令到结构化规划

AI视频生成的一大痛点，是用户输入往往口语化、碎片化，甚至自相矛盾。比如一句“拍一个女孩轻轻拉线，线绷紧但没断”，如果模型只盯着关键词“拉线”“绷紧”，很容易忽略“轻轻”这个力度限定，导致动作夸张或物理失真。

为应对这一问题，HD-V1 在生成前引入了一个多模态意图理解模块。这个模块会把用户的自然语言输入拆解成一系列结构化字段，包括镜头时长、场景地点、角色状态、动作细节、景别构征、运镜方式、台词内容、背景音效等。换句话说，它先把“人话”翻译成“导演分镜脚本”，再交给生成引擎执行。

这种“先理解、再规划”的做法，显著降低了生成过程中的随机性。测试显示，在复杂提示下，HD-V1 的镜头连贯性和角色一致性明显优于同类模型。例如，在一段“双手拉红线”的演示中，其他模型要么让红线反向缩短，要么凭空变出一根针；而 HD-V1 能准确还原手指发力时红线的隆起、延展和张力变化，甚至指甲纹理和金属针的反光都高度逼真。

更懂物理：让AI视频“符合常识”

除了理解意图，HD-V1 的另一大突破是对物理规律的建模。传统视频生成模型大多依赖数据驱动，通过海量视频学习“看起来像”的动作，但缺乏对重力、碰撞、惯性、光影衰减等底层机制的理解。这导致生成内容常出现“苹果抛出后悬停三秒”“水花向上飞溅”等违反常识的画面。

HD-V1 则尝试将物理规则嵌入生成逻辑。它不是简单地模仿表象，而是让模型在生成每一帧时，都考虑物体之间的相互作用是否符合现实世界的因果链。比如在“抛接苹果”的对比测试中，两款竞品模型为了填满10秒时长，要么让手长时间静止握果，要么用慢动作硬撑时间；而 HD-V1 根据动作本身的节奏，只生成了约3秒的合理过程——抛出、接住、稳定，动作自然流畅，没有多余填充。

这种对物理的尊重，不仅提升了真实感，也增强了用户对生成结果的信任。毕竟，当AI开始“讲道理”，人们才敢把它用在需要可靠输出的场景里。

音画原生一体化：告别后期拼接

音画不同步是当前AI视频的通病。多数模型采用“先生成画面，再配音效”的后期拼接策略，导致口型对不上台词、撞击声滞后于动作、环境音与场景割裂。

HD-V1 改变了这一流程。它采用原生全模态架构，在生成过程中同步处理文本、视频和音频信号。三者不再是先后关系，而是相互约束、共同演化的整体。例如，在乒乓球弹跳的演示中，HD-V1 不仅让球的运动轨迹符合物理规律，还让每次撞击桌面的声音随高度衰减而变化——高处落下声音清脆响亮，低处轻触则细弱短促，完全贴合现实听感。

这种一体化生成依赖于多模态 Reward 模型的引导。在后训练阶段，智象团队引入了 Diffusion Reinforcement Learning（扩散强化学习），并设计了一套与人类感知对齐的评估机制，从画面质感、动作连贯、声音匹配等多个维度对生成结果打分，从而让模型学会“像人一样感受”音视频的一致性。

技术闭环：四大模型同源演进

HD-V1 的发布，标志着智象“原生全模态世界模型”矩阵初步成型。自今年4月推出基础架构 HiDream-O1 以来，智象已陆续发布多个子模型：

• HiDream-O1-Image：文生图模型，在 Artificial Analysis 榜单中获中国第一、全球第二；
• HiDream-O1-World：交互式世界模型，在 WBench 基准测试中综合排名第一；
• HiDream-O1-Embodied：具身世界模型，在 RoboColiseum 的扰动适应和空间推理子榜登顶；
• HiDream-O1-Video：即本次发布的 HD-V1，补齐了动态内容生成的关键一环。

这四个模型并非独立开发，而是共享同一套底层架构，实现“同源演进”。图像、视频、3D交互与具身动作在统一框架下交汇循环，形成一个可自我增强的世界模型闭环。智象创始人梅涛博士表示，他们的目标不是堆砌多个单项冠军，而是构建一个能持续进化的原生全模态体系。

C+轮融资落地，产业资本加码

伴随 HD-V1 发布，智象同时宣布完成 C+ 轮融资，投资方包括新微资本、交子资本和工银资本。这三家机构均具有深厚的产业背景，而非纯财务投资者。

新微资本由上海新微科技集团与上海科创投共同发起，管理基金近百亿元，重点布局集成电路与人工智能交叉领域。其投资逻辑在于：智象的模型矩阵“向上连接算力基础设施，向下延伸至智能终端”，与新微在芯片制造端的能力形成协同。

交子资本则是成都交子金控集团旗下的国有股权投资平台，管理规模超1700亿元。其负责人指出，智象围绕统一架构推动四大模型同源演进的路线“在行业中具有鲜明稀缺性”，而 HD-V1 的发布进一步验证了技术落地能力。未来，交子资本希望借助国有资本的长期陪伴属性，推动智象在西部建立AI产业生态。

不只是排名，更是技术路线的验证

回到最初的问题：为什么 HD-V1 能在全球榜单中跻身前列？答案或许不在某个单一指标，而在于其整体技术哲学——以人的感受为尺度，让AI视频不仅“好看”，更要“合理”“可信”“可用”。

当行业还在比拼分辨率、时长或特效炫技时，智象选择回归基础：理解用户真正想表达什么，尊重物理世界的运行规则，并让声音与画面真正融为一体。这种看似“笨拙”的路径，反而可能更接近通用视频生成的终极目标。

随着原生全模态闭环的成型，智象的下一步或许不再是单点突破，而是如何将这套体系规模化落地到影视、游戏、教育、机器人等具体场景。毕竟，世界模型的意义，不在于模拟世界，而在于改变世界。