刚刚，中国AI占领全球前四！

新智元报道 AI视频，已经开始挑战「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了实时交互。 你让角色往前走，让房间涌进水，让沙尘暴卷过来，模型就接着生成后面的画面与声音。镜头怎么转、场景怎么变，都能继续下指令。 视频里的世界，开始跟着人的操作往下演。 但一个问题也跟着冒了出来：画面接得上，物理就一定说得通吗？ 一篇名为PhysWeep的预印本，给「视频模型懂物理」泼了盆冷水。 研究人员测了三个开放视频生成模型。其中两个，在能追踪运动的样本里，暴露出一个问题：动作看着自然，物理参数却没按要求变化。生成结果，反倒更受随机种子左右。 画面演得挺像，物理题却做错了。 这道坎，恰恰卡在视频生成继续往前走的路上。 视频模型似乎学会了「马上回应」，却还没有学会「合理回应」：角色看似实时行动，场景随指令变化，但水为什么这样流、物体为什么这样倒、人物为什么此刻作出反应，仍在考验模型。 实时交互解决的是延迟，理解世界最需要的是逻辑。想让模型模拟事情如何发生，光靠几秒惊艳的画面，显然交不了卷。 就在这个节点，智象（ HiDream.ai） 发布原生全模态视频模型HiDream-O1-Video-1.0（下文简称HiDream V1）。 这是一款全新的「原生全模态」视频生成模型。它瞄准的，正是物理合理性、叙事规划和音画同步。 说得直白一点，就是让模型更懂创作者想要什么，生成的视频更连贯，也更接近可用素材。 首次参评，就在Artificial Analysis图生视频榜（含音频）杀入全球第四，Arena图生视频盲测榜全球第八。 这一刻，在全球最顶级的多模态视频牌桌上，又挤上来一位狠角色——智象HiDream V1。 此前，MiniMax、字节Seedance、阿里万相，已经在全球AI视频赛道打出了声量。 如今，智象带着双榜前十的成绩，挤上了同一张牌桌。 中国AI视频「四小龙」，凑齐了。 双榜前十 中国视频模型全面占领全球第一梯队 1080P、5—20秒范围内灵活生成、音画一体化，这些是HiDream V1交出的基础配置。 更有意思的，智象给这套能力提出的要求：听懂人想拍什么，让动作按合理的顺序发生，让声音跟着画面里的事件走。 拯救「废片率」：当视频模型真的懂了物理规律 HiDream V1最令行业惊艳的能力，是对物理规律的理解与建模。 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——这些物理规律直接被写进了视频模型的叙事之中，成为画面生成的底层逻辑。 对做视频的人来说，这件事只有一个衡量标准：素材可用率。 同一段镜头，过去反复抽卡才能挑出一条能用的，现在第一遍就能用——省下的每次重抽，都是实打实的时间和钱。 来看几组真实的同题对比测试。 场景一，高速赛车从镜头前疾驰而过，引擎声必须表现出逼真的多普勒效应。 A模型生成的画面中，赛车的车尾突然变成了车头。车还在往前跑，朝向却接不上了。 HiDream V1在这组演示中保持了行驶方向，引擎声也随赛车经过镜头，从高音调过渡到低音调。 这个场景要看的是，车的位置、朝向和声音变化，能不能对应同一次运动。车身再漂亮，中途突然掉个头，整段视频也会露馅。 多普勒效应听着专业，它管的是最朴素的一件事：引擎声卡在车经过的那一帧上，不用后期再逐帧对轨。 上：HiDream V1；下：A模型 把场景搬到太空，连喝口水都成了一道物理题。 HiDream V1跑出来的画面，宇航员轻轻一吹，悬浮的水球随之晃动变形，再逐渐恢复圆润、缓缓飘远；她伸出手指拨回来，凑上前一口吸进嘴里。 这段最绝的地方在于，水球怎么变形、往哪边飘，每一步都严丝合缝地对上了人物动作，瞬间就把「太空喝水」那种失重的真实感给立住了。 再把三种材质放进同一道题：抽走托板，让网球、玻璃弹珠和橡皮泥从同一高度落下。 HiDream V1生成的效果，网球落桌后明显弹起，玻璃弹珠的起伏小得多，蓝色橡皮泥则落地变形，留在原处。 同样是落到桌面上，三种材质交出了不同的反应，弹性和软硬的区别，也就有了直观的画面。 下面这个demo，看着简单，但考的其实也是最基础，也最容易翻车的物理规律——自由落体。 一大一小两颗铁球从同一高度同时松手，全程并排、同步加速，最后几乎在同一瞬间砸向地面。 HiDream V1把几个关键的细节，都接住了—— 球没有一前一后乱飘，大小比例也没变，落地时还用一声重响、石板裂纹和扬尘把冲击感做了出来。 再来看农家小院里的压水井，男孩弯腰用力压下长杆，一股水随之涌进搪瓷盆，压杆抬起后，水流逐渐收细、停下。 HiDream V1把反复压水的过程接了起来，男孩身体的起伏、压杆的转动和水流的断续，有了对应的节奏。 还有一个特别能说明问题的案例，一扇几百年历史的古堡老木门，双手极其缓慢地推。 A模型生成的画面中，物体扭曲变形，B模型则出现了用力方向和开门方向相反的荒诞画面。 而HiDream V1将缓慢推门的动作与门轴摩擦声对应了起来。 推门这个动作，藏着好几层约束：手的施力方向要与开门方向对得上，门要围绕门轴转动，摩擦声也得跟着动作走。 只要其中一环错位，再阴森的古堡、再逼真的木纹，都救不回这一幕。 顺便说一句创作自由度的变化：过去这种多层物理约束的镜头，基本没人敢写进提示词——写了也大概率翻车，宁可绕开。现在敢写，本身就是能力边界外扩的信号。 左：HiDream V1；中：A模型；右：B模型 这几组案例，把视频生成的难点摆到了眼前：单帧画面可以很漂亮，但一旦动起来，物体之间的关系就得连续成立。 视频里的下一步，得接得住上一步。 这一步之差，就是一秒视频和一条能用的镜头之间的差距。 AI听懂你在说什么了 当然，生成翻车，有时从第一步就开始了。 除了动作本身，模型还得先弄明白：用户到底想让什么事发生？ 通常人们给到的提示，往往口语化、碎片化、模糊化。 比如，拍得紧张一点，就这么一句话，究竟是让人物表情紧张，还是镜头快速推进？ 说「突然安静下来」，是关掉背景音乐，还是连环境声也要收住？ 人和人沟通时，可以靠语境补齐。模型如果只抓关键词，就很容易把所有元素都画进去了，结果整段视频仍然不对味。 HiDream V1的做法完全不同。它在生成之前前置了多模态意图理解模块，先对视频内容进行结构化规划： 镜头时长、场景地点、画面内容、首帧约束、在场角色、动作表情、台词节奏、光色影调、景别构图、运镜焦段、背景声与音效设计…… 可以把它理解成，把自然语言，转写为可执行的分镜语言。 理解越深，规划越稳；规划越稳，后续联合生成越不容易「跑偏」。 这次，我们连完整句子都没给，只丢过去几个词：「雨、咖啡馆窗、路过的红伞、慢一点、有点想家。」 HiDream V1生成效果如下，一把红伞从窗外缓缓走过，随后离开镜头，窗边的咖啡还冒着热气，整段留出了安静看雨的时间。 隔着雨窗看人来人往，那点「想家」的情绪，有了可以落脚的场景。 接下来，我们还设计了一个自带反转的「拆弹」戏—— 两个人守着倒计时的盒子，为剪红线还是蓝线争得满脸紧张，钳子一合，喷出来的竟是生日彩带。 没想到，HiDream V1接住了这段剧情的转折，从剪线前的慌张到彩带扑脸后的错愕，把「先让人捏把汗，再让人笑出来」的意图演了出来