AI视频，开始挑战「实时造世界」了。

9月初，Runway公布GWM Worlds 2研究预览，把音视频生成推进到实时交互：你下指令，模型接着生成后续画面与声音。

但一篇PhysWeep预印本泼了冷水——测试的开放视频模型里，动作看着自然，物理参数却对不上要求，生成结果反倒更受随机种子左右。视频模型学会了「马上回应」，还没学会「合理回应」。

就在此时，智象（HiDream.ai）发布原生全模态视频模型HiDream-O1-Video-1.0（HiDream V1），瞄准物理合理性、叙事规划与音画同步。首次参评即杀入Artificial Analysis图生视频榜（含音频）全球第四、Arena盲测榜全球第八，中国AI视频「四小龙」（MiniMax、字节Seedance、阿里万相、智象）就此凑齐。

HiDream V1支持1080P、5—20秒任意时长生成，音画一体。多组同题对比中，它在赛车多普勒效应、太空水球失重、三种材质落地反弹、双铁球自由落体、压水井连续动作、古堡推门等场景，均展现出对重力、碰撞、惯性、摩擦力的连贯建模，而对比模型常出现朝向错乱、方向反逻辑等穿帮。

意图理解上，模型生成前先做多模态结构化规划（镜头、场景、动作、台词、光色、运镜、音效等），仅凭几个词也能生成有情绪落点的画面，还接得住剧情反转。时长上不再「秒表卡内容」，该快则快、该停则停；转身、嗦面等连续动作中，细节也能前后接续。

音画同步方面，HiDream V1采用原生全模态架构对文本、视频、音频联合建模，声音随画面事件、口型、多普勒效应同步变化，而非后期拼接配音。

背后由三篇顶会论文支撑后训练：DMSampler（ICML 2026）降低采样成本，DiffusionCompass（ECCV 2026）做质量锚定防止「刷分」，EvoID（CVPR 2026）保证人物身份一致性。

更大的棋盘上，智象已形成「一个UiT底座、四类模型」矩阵：图像模型全球文生图第二、世界模型WBench第一、具身模型RoboColiseum第一，加上此次视频模型，构成业内首个原生全模态世界模型闭环。

AI视频的下一个突破点，不只是画质更高、时长更自由，而是「事情真的会这样发生」——从模拟世界，走向理解世界。

全文点击：http://t.cn/AXO1ZxOR