Minimax H3 之后，又来了一位狠角色：智象 HD-V1 发布，视频模型开始理解现实世界！

最近几个月，AI 视频赛道开始热起来了：

Seedance2.0 发布后，AI 视频进入可用阶段，MiniMax H3 发布后，以 1/4 的价格，把 Seedance 2.0 的成本打了下去，AI 视频成本进入平价时代。

很多创作者开始意识到：AI 视频真的能进入内容生产流程。

不过，当创作者真正用起来，问题很快就会出现：

这些视频乍看都挺漂亮，但你点开视频，发现每一秒都可能藏着穿帮：你想让人物推开一扇沉重木门，模型生成的手在往左用力，门却向右打开；你想让人物 5s 后从一个地点跑到另外一个地点，结果人物念完对白，时间不够了，马上瞬移到另外一个地点。

于是重新生成，结果一条十几秒的视频，最后花掉的时间和积分远超预算。

与此同时，随着模型生成速度快于模型播放速度，B 站上开始出现 24h 直播的互动视频服务，但是如果你仔细观察：

这些互动视频，由于不同用户的提示词不连贯，人物经常做出出戏的动作，导致互动播放效果极差。

AI 视频赛道，还需要一个真正理解世界的视频模型。

最近，视频模型里又来了一位新选手：智象未来刚发布了 HiDream-O1-Video-1.0（简称 HD-V1）。

我们第一时间便上手体验了下，HD-V1 给这个行业完善了一个重要的拼图：

相比于 Seedance 系列和 H3 系列，它能更好的理解这个“世界”。

国际双榜验证，HD-V1 站上全球前列

HD-V1 是智象（HiDream.ai）发布的首个原生全模态视频生成模型。

它支持文本、图片、视频等多种输入方式，可直接生成 5 至 20 秒的 1080P 高清视频。

值得注意的是，HD-V1 在两项国际权威独立模型评测榜单上的首次表现：

在 Artificial Analysis 的 Image to Video Leaderboard（With Audio）中，HD-V1 位列全球第 4。Artificial Analysis 采用标准化、可复现的评测方式，是目前观察全球视频模型综合能力的重要平台。

在另一个偏用户盲测的 Arena.ai 的图生视频盲测榜中，它排到了第 8。这个榜单则是让用户在不知道模型名称的情况下，进行两两比较让用户打分，更接近真实用户对最终结果的选择。

这意味着，在全球图生视频这个竞争最激烈的方向里，它已经站进了全球第一梯队。

HD-V1 最核心的能力，是「先理解，再生成」。 它前置了多模态意图理解模块，能够将用户的口语化、模糊化的需求自动转写为包含场景、角色、动作、运镜、音效、转场等要素的结构化规划，理解完成后才启动视频生成。

此外，HD-V1 还支持音画同出：区别于传统模型“先生成画面、再匹配音轨”的两段式流程，HD-V1 在同一生成过程中对画面与声音进行联合建模，一键直出带配音的完整视频，帮助创作者省去后期配音环节，进一步降低制作成本。

在物理逻辑遵循方面，HD-V1 表现尤为突出：无论是物体的的张力变化、还是随画面同步变化的声音节奏，它都能生成符合真实物理规律的连续画面与音频。

这意味着创作门槛大幅降低了：创作者只需要专注于剧本设计，而不再需要精心打磨提示词和配音。

HD-V1 效果，一手实测

本次测评，我使用了自己专门用于模型评测的提示词系统：

先接入 HD-V1 的 API，再以两款视频模型：Minimax H3 和 Seedance 2.5 作为对照组，进行效果对比。

我先用一段猫咪场景做测试：

一只灰色英国短毛猫趴在木地板上，脖子上紧贴着一条亮绿色尼龙项圈，项圈下悬挂着一枚金色铃铛。猫伸出右前爪，将正前方的一个拳头大小的红色毛线球向右侧用力拍飞。球向右滚动一米后停止。猫起身向右奔跑追上毛线球，低头咬住球并保持头部抬起静止两秒。整个过程中，绿色项圈与金色铃铛始终存在且颜色特征不变，红色毛线球始终保持球体形态不松散。音频：铃铛随猫的动作发出清脆撞击声，球落地与滚动声匹配。

HD-V1 生成的画面非常流畅：猫咪的拍球、追球动作连贯，铃铛和毛线球的视觉特征全程可以保持一致。

MiniMax H3 的动作，略微有些僵硬：

Seedance 2.5 的开头有明显的起始卡顿，后半段不错：

接着，我用一组扑克牌测试模型对指令顺序和物理逻辑的遵循能力。

顶拍视角，一镜到底，固定镜头。深绿色桌面上，一只手从左至右依次放置四张扑克牌。顺序必须严格遵循：第一张黑桃A，第二张红心K，第三张梅花5，第四张方块2。牌与牌之间保持等距，且下边缘呈一条直线对齐。音频：伴随四次清脆的落牌声，声音与牌面接触桌面的画面动作逐帧同步。

由于参考图已经给出了正面朝上的牌面，HD-V1 正确理解了这一视觉语义，仅对牌的位置进行了调整，物理逻辑完全正确：

H3 没处理好这个语义，将 4 张独立的牌错误理解为一副扑克：

Seedance 2.5 的问题则最离谱：出现了牌面正反翻折的问题。

这个 Case 实测下来，三个模型里面，只有 HD-V1 严格遵循了物理逻辑。

最后，我用一个更高难度的物理场景来考验三个模型：

金属球从倾斜托盘滚落、抛物线坠地、连续反弹三次且高度递减，这要求模型同时理解重力加速、能量衰减和音画同步。

[0秒-3秒] 一名穿着灰色T恤的男性双手水平持握一个白色光滑塑料托盘，将一颗银色金属实心球放置在托盘正中央。[3秒-6秒] 男性将托盘右侧迅速向下倾斜45度，金属球在重力作用下向右加速滚动，脱离托盘边缘后呈抛物线坠落。[6秒-10秒] 金属球撞击坚硬的木地板，连续反弹三次，反弹高度依次严格递减，最后完全静止。音频：球体滚动声随倾斜角度增大而增强，落地撞击声清脆短促，三次反弹声的音量和音调呈现符合物理规律的逐次衰减。

HD-V1 的整体效果最为自然，反弹节奏和球落地的声音衰减都符合物理直觉：

H3 的画面还不错，但球落地的声音变化没那么自然（从金属碰撞声变成另外一种木质感觉的声音）：

Seedance 2.5 的效果依然最糟糕：人物动作则明显僵硬，整体观感最弱。

三组测试整体看下来：HD-V1 在物理逻辑合理上，显著超越了 Seedance 2.5 和 Minimax H3。

它确实做到了“先理解后生成”：理解画面里真正在发生什么，然后生成的画面较为符合现实逻辑，并且也比较稳定。

视频模型的胜负手：理解世界

过去大家看视频模型，最直观的指标是分辨率、时长和画面。

随着最近视频模型的发展，主流模型的画面和画质都在快速提高，并且 1080P 和十几秒生成也逐渐成为基础能力。

真正拉开差距的，开始变成视频模型对于世界的理解：

用户说“球逐渐停止弹跳”，模型要理解能量不断衰减，弹跳高度、碰撞间隔和声音都应该随之变化。用户说“接住苹果”，苹果在运动前后还得是同一个苹果，不能突然丢掉叶片或者改变外观。

但传统视频生成模型通常基于数据驱动的方法，通过在海量视频数据上学习统计规律来生成新视频，这种方法很难以保证生成内容在物理上的合理性。

智象的 HD-V1 将物理规律融入生成逻辑的技术路径，有效的解决了这个问题：

它先通过多模态理解模块进行全局规划，再联合生成画面与声音，后训练阶段引入 Diffusion Reinforcement Learning 和多模态 Reward 模型，对画质、连贯性、身份一致、物理合理性与音画同步进行统一评估。

在视频生成领域，这是目前最具前瞻性的探索之一。

这条路径指向的，是视频生成领域下一阶段真正的分水岭：

当模型的画面、质量、成本不再是效果区分度的来源，模型对世界的理解深度，才是决定用户选择的核心。

谁能更准确地理解意图，谁能处理声音、动作与叙事之间的因果关系，谁才更有机会从视频生成工具，走向真正的世界模型。

而 HD-V1 的技术路径，正是当前对这一方向最具前瞻性的探索之一。

四大模型同源演进，原生全模态世界模型从蓝图走向现实

对于智象未来，HD-V1 不止是一款新的视频生成工具，它补上的，是智象原生全模态世界模型矩阵里最关键的一块拼图。

在此之前，智象的其他模块的模型已经取得领先身位：

- 智象的图像模型 HiDream-O1-Image-1.5 在 Artificial Analysis 文生图榜单中取得中国第一、全球第三；

- 智象交互式世界模型 HiDream-O1-World 位列 WBench 综合榜第一；

- 智象具身世界模型 HiDream-O1-Embodied 在 RoboColiseum 的扰动适应和空间推理子榜登顶。

加上 HD-V1 补上的视频能力，业内首个覆盖图像、视频、3D 交互与具身动作的原生全模态世界模型闭环，正式成型。

如何释放模型能力的上限呢？智象的另一条业务线，是把这些模型能力，做成人人都可以用的创作 Agent。

就在模型发布的一周前，智象旗下内容创作智能体 vivago R1 全球上线，国内版本 「够搭」全新升级发布（下文统称 R1）。

不同于需要自己搭工作流的画布式、节点式工具，R1 走的是 Chat-first（对话优先）创作路线：

一句话描述创意，Agent 自动完成故事、脚本、分镜、角色、镜头到成片的全流程。R1的对话式创作，不是把复杂消灭，而是把复杂藏在简单背后。

让创作者从灵感闪现到进入执行的过程更加丝滑。是业内首个主打稳定生成 3–5 分钟视频的对话式创作 Agent。

一边是 HiDream-O1 系列在探模型能力的上限，一边是 R1 把模型能力转化成人人可用的创作体验，这就是智象的「模型 + 智能体」双轮驱动战略：模型底座决定视频生成上限，Agent 保证用户能创作作品的下限。

放到行业格局里看，字节、MiniMax 与智象三家公司的视频模型 Seedance、MiniMax H3 与 HD-V1 ，已一同进入国际榜单和真实产品体验的核心区：

它们在中国 AI 视频领域形成三足鼎立的格局，也在国际视频领域竞争格局里，各自具备稳定的全球竞争力。

与此同时，随着各家视频模型能力的逐渐趋同，下一阶段的胜负手，不再是单纯的模型比拼，而在于两件事：

谁能真正理解世界，谁又能把这份理解稳定地变成作品，交到每一个创作者手上。

目前 HiDream-O1-Video-1.0 处于内测阶段，vivago R1 正式全球上线。

文章来自于"特工宇宙"，作者 "特工小花 特工小天"。