6毛一秒后，AI视频开始补物理课

生成视频的单价在跌，拿到可用镜头的成本却未必下降。

AI 短剧让这笔隐性开销变得具体。人物转身后五官变样，连贯的动作中途断裂，台词与口型对不上，几秒钟的画面就足以暴露问题。观众只需一瞬间就会出戏，制作团队却可能为此重做整段镜头。生成费用降了，返工仍然要付钱。

价格竞争因此只能解决视频生产的一部分问题。可灵、MiniMax、字节Seedance和 Google Veo 等模型，让创作者有了更多选择；圈内流传的“6毛一秒”，也强化了生成视频越来越便宜的印象。不过，不同报价对应着不同的分辨率、时长、音频能力和套餐条件，很难直接当作同一把尺子。对付费用户，更有意义的比较是：交付一条合格镜头，究竟需要花多少钱、等多久。

越过画质与分辨率的初级门槛，这门生意正悄悄换了“卷法”：意图能不能理解对，动作连不连贯，事情发展合不合常理。落到AI视频实际创作中，这最终影响的是生成效率：同一段镜头需要尝试多少次，才能得到一条连贯、自然且具备可用潜力的结果，往往比单纯的每秒价格更能反映视频生成的真实成本。

9月16日，智象（HiDream.ai）推出原生全模态视频模型 HiDream-O1-Video-1.0（下文简称HiDream V1），被视为这个行业转折的样本。其将物理规律和模型智能放在了产品叙述的中心，希望改善的，是模型能否理解要求、保持动作连贯，并让事件按合理的因果关系发生。

在这款最新模型上，智象把篇幅留给了物理规律和模型智能水平。

在一次内部讨论会上，创始人梅涛和团队在白板上用彩笔写下对世界模型的设想。正中间是一行红字：“mold the world”，建模世界，也建构世界。

在智象CTO姚霆眼里，这款视频模型已经在解“理解世界”这道更难的命题。

姚霆说，智象对于原生模全态模型架构的底层思想，仍然是让各个模态都在统一框架下生长，在上面长出图像生成模型、长出视频生成模型、长出交互式世界模型，但其中，他们会对于如何在这个底层框架上长成真正的世界模型，作出新的探索和尝试。这也是这家公司独特的技术风格和基因。

梅涛把世界模型拆成三步：先学各种模态的表达，对现实完整建模；再结合物理法则和因果推演，也就是 Reason the world；最终顺着人的想法把物理世界重建出来，即 mold the world。

这次发布强调的物理规律与模型智能，正卡在推演与建构之间。这也是智象几类模型里最靠近 mold the world 的一次尝试。视频模型补齐，这家公司的世界模型拼图才算齐整。

近半年，头部模型轮番降价，圈内传出“6毛一秒”。尴尬的是，成片流水线上的试错开销一点没省。

具身智能，成了考量视频模型能否理解现实的另一道试题。归根结底，考的都是对物理世界合不合理的推演，正是梅涛所说的“Reason the world”。

从理解到建构世界：最关键的指标是智能水平

视频模型的下一道门槛，是把漂亮画面变成可靠的叙事。

2025年6月北京智源大会上，梅涛曾将尚未解决的问题归为叙事性、稳定性和可控性。梅涛与姚霆对行业“Aha moment”的描述也很具体：用户交出一份剧本，系统生成一部符合标准的长片。这个目标同时要求模型理解故事、安排镜头，并让前后发生的事情彼此说得通。

HiDream V1支持文本、图片、视频多模态输入，直接输出音画一体视频。在 Artificial Analysis 带音频图生视频榜上，这款模型排名全球第四，和MiniMax H3、字节 Seedance系列、阿里wan 3同处于全球头部视频模型梯队，中国最顶尖的视频模型正在形成集群竞争的态势。

我们选择在此时，和姚霆再次交流。

HiDream-O1-Video-1.0 从立项到发布用了半年左右，姚霆把这一代与此前视频模型的差别归到三处。

其一是理解模型，先用它读图和读文本，再据此规划。也就是，先理解，后生成。把对输入内容的理解前置到生成之前。

其二是原生全模态架构，视频、文本、音频被放进同一个共享空间里交互，注意力机制采用 linear attention 与 full attention 的混合模式，在速度和效果之间换到更好的权衡。

其三是后训练，用强化学习把物理规律合理程度和音画同步程度顶上去。真正拖慢进度的工程难点落在两处：前期多模态数据的采集与对齐，以及训练框架的并行，后者对 infra 的要求很高。

技术架构的创新是这款视频模型的亮点，姚霆说，这套思路的起点是一次针对性评测。

团队把市面上的视频模型摆在一起测，发现制约智能水平的关键正在于物理规律做得差。姚霆的判断是，视频模型与别人的分野在智能水平，把训练数据复刻一遍算不上智能，训练集长什么样就出什么样，那只是复制。

为了提升智能，HiDream V1让前置的理解模型先读懂画面里的物理规律、读懂文本，再做一轮规划：镜头多长、场景在哪、画面里有什么、用哪种景别和构图、台词与背景声怎么设计。

「这组三支视频中，第一支视频为HiDream V1生成，其余两支为模型A和模型B生成」

提示词：[0秒-4秒] 黑暗泥泞的战壕里，一位疲惫的士兵面部特写，他正对着无线电轻声耳语。台词：“我们需要支援，动作轻点。” 环境音：微弱的风声。[4秒-10秒] 突然他抬起头，拼尽全力大吼。台词：“小心炮袭！” 音效：巨大、震耳欲聋的爆炸声和刺耳的警报声。

规划清单里权重最高的部分交给物理，物体在重力下怎么落，碰撞怎么反馈，惯性怎么延续，光影怎么衰减，空间怎么保持连续。理解结果作为条件信号灌进原生全模态模型，充当生成条件，物理规律的合理性和音画的同步程度都能明显抬升；再通过强化学习，把物理规律的合理程度往上推。

该视频由HiDream V1生成

把最下面的支撑书突然抽走，中间的书和橡皮随即自然下落。无论是失去支撑后的运动反应，还是物体之间的联动变化，都符合真实世界的物理逻辑，说明模型对重力和受力关系的理解已经比较到位。

类似以上镜头在视频生成实践中往往是抽卡重灾区：支撑物被抽走的瞬间，上面的物体要么定在半空，要么乱飞穿模，生成十几条也未必挑得出一条能用的。物理规律遵循得好的直接收益就体现在素材可用率上——少抽卡、一遍过、能直接剪。

这套设计的原因是语言模型对物理规则的理解本身就够用，它能做物理题，缺的是把这层理解迁移到视觉模型。这个缺口，是否能通过补充数据、堆叠3D仿真合成的样本解决？答案是不能。姚霆当然也承认边界，因为现在还没有模型能百分百解决物理规律，而智象的目标是把视频模型在这块的智能水平往上提一提。

姚霆告诉笔者，所谓的智能水平，从几个角度衡量，首先，是对用户意图的理解；其次是对生成过程的强推演；第三是对物理规律的体现。

梳理下来，这套解法由内向外递进：先借意图前置理顺物理关系，避免主体走样、动作变形；再通过原生联合建模锁定声画同频；最后由内容决定镜头长短，回应梅涛强调的可控性。

第二步是声音与画面一起跑。音画同生指的是声音随画面一起生成，敲击、说话、环境变动与对应的声音天然踩在同一个节拍上，无需等视频做完再贴一段配乐。对做视频后期剪辑来说，这省掉的是一整道对轨工序——爆炸声不用再逐帧手动去卡。

姚霆解释，这条路线的收益与代价是，原生音画联合建模的优势在于对齐，感知上更自然；若走业内常见的两阶段方案，先出画面再贴音频，两者之间容易割裂。音频、视频、文本被联合建模，原生一体化，这套形态与原生全模态架构天然耦合，模态之间的信息交互也更充分。代价集中在算力，音画联合建模的训练周期，比单任务单模态要长一些。

第三步是让时长服从内容。用户没有卡死秒数时，模型顺着动作幅度与叙事节律判断镜头长短；专业创作者也可以自己定时间，镜头不必为了凑整硬塞进固定的时间格。

该支视频为HiDream V1生成

提示词：一只小猫趴在窗边，听到窗外的鸟叫，抬起头看了一眼，然后又懒洋洋地趴下。

值得留意这段提示词的写法：没有分镜、没有秒数，没有“不要穿模”等的补丁，只有一个小故事。如果模型对物理规律理解和体现不到位，创作者习惯在提示词里打补丁，把模型容易犯的错提前叮嘱一遍；当物理和时长成为模型自己会算的事，这些补丁都可以删掉，提示词重新回到讲故事本身。

这款视频模型发布之后，距离把一份剧本直接跑成一部长片的“Aha moment”，是更近了，还是仍有鸿沟？

姚霆给了一个谨慎的回答，新的视频模型，在物理规律上，算往前迈了一小步。

一套底座，同源演进，长出了一个世界模型的版图

做世界模型，业内不止视频这一条路。

视频生成关心时间和事件的推移；空间智能与 3D 交互侧重三维环境和操作；具身智能死磕物理感知、动作规划和反馈；自动驾驶聚焦场景预判。每条线上都有人跑，既有大模型公司，也有机器人队伍和 3D 技术老兵，各家目标和成熟度差别不小。

这条赛道远谈不上收敛。2026 年以来，世界模型成了大模型之后最热的关键词，海内外机构密集入场。OpenAI 的 Sora 系列自称“世界模拟器”，从海量视频像素里涌现出物理规律；李飞飞的 World Labs 走空间智能路线，用显式的 3D 表示重建可交互的世界；图灵奖得主杨立昆的 AMI Labs 押注 JEPA 潜空间预测，认为直接生成像素是一种幻觉……

资本正在为这场路线之争加压。

2026 年上半年，国内世界模型相关融资超过三十起，总额超过四十亿元；海外，李飞飞的 World Labs 拿下超十亿美元融资，英伟达与 AMD 罕见同时押注，杨立昆的 AMI Labs 以 10.3 亿美元种子轮创下欧洲 AI 领域的纪录。热钱涌入的另一面，是这个赛道至今没有一把公认的尺子。

行业里已经有人提醒，当前缺少公平、标准、统一的评测基准，多数评测还停留在视频生成一类的指标上，而世界模型真正需要的是物理因果推演能力。

这也是此次智象的新模型强调的能力。图像模型管静态内容，视频模型管运动与时间，世界模型抓空间交互，具身模型抓感知执行，这是智象定下的矩阵。

搭建这张版图并非单线推进。2026年4月底，公司推出统一原生全模态架构与图像大模型 HiDream-O1-Image；8月发布原生全模态交互式世界模型HiDream-O1-World；9月7日发布具身世界模型HiDream-O1-Embodied；直到9月16日，视频模型 HiDream-O1-Video-1.0 补全登场。图像在前，视频在后，中间隔了几个月。

而视频模型这条线本身的技术积累，要追溯到更早。

2024年1月，智象率先实现超15秒视频生成技术突破；同年7月，推出全球首个商用 DiT 大模型 HiDream 2.0；12月，发布采用扩散自回归架构的 HiDream 3.0。从 DiT 到扩散自回归，持续推动视频模型从生成能力向深层理解演进。今天发布的 HiDream-O1-Video-1.0，则实现了在面向世界模型方向的新一代 UiT 架构上的再次升级。

从时间线可以看到，智象的视频模型经历了从 TGANs-C 到 DiT、再到扩散自回归、最终走向 UiT 架构的完整演进。

（虎嗅注：TGANs-C 是智象团队于 2017 年提出的早期视频生成模型，也是全球较早的文生视频研究之一，采用 GAN 路线生成连续动态画面。以 Sora 为代表的 DiT 架构，则通过 Transformer 统一处理图像或视频单元，取代传统扩散模型中的 U-Net，提升画面细节与表现力；扩散自回归结合逐段生成与扩散去噪，增强长视频的连贯性和稳定性。UiT 是智象布局的原生全模态架构，将文本、图像、视频、音频和动作等信号纳入统一模型，实现一体化的对齐、理解与生成。）

这条技术线也解释了为什么 HiDream-O1-Video-1.0 能在物理规律和智能水平上实现系统级提升。

姚霆承认，视频模型的行业路线并未完全收敛，行业传统 DiT 架构通常搭配 full attention。

智象选的是另一条：依托自己的原生全模态架构，把音频信号、视频、文本放在一起原生地联合建模，抬高模型的天花板，同时用 linear attention 与 full attention 的混合模式，在速度和效果之间换到更好的位置。（虎嗅注：full attention 与 linear attention：full attention 让每个单元都和其余所有单元两两比对，效果最好，但计算量随序列长度平方增长。linear attention 用近似计算把开销压到与长度成正比，长视频上更快、更省显存，代价是精度会略打折扣，所以智象把两者混合着用。）

这个选择的背后是一次取舍。只做视频、再往世界模型延伸，是把任务一件件串起来做；智象把原本串行的几个任务并到一个阶段，先把统一的底座打厚。

代价是单个任务看着慢，好处是底座一旦成立，后面的模型出得就快。

回到智象未来的那条时间线。“图像在前、视频在后”容易被读成一条串行的工序，好像先做完图像，再回头做视频。姚霆纠正了这个印象：统一的基础模型立起来之后，各个任务是并行推进的，图像和视频同时在同一个底座上生长，只是视频的算力消耗比图像大得多、训练周期也长，露面才晚了一截。并且，视频模型的迭代频率，业内普遍就不高。

底层逻辑是让不同任务的能力从同一个底座上长出来，不必围着视频单搞一套烟囱。这套架构此前在图像上试过水：HiDream-O1-Image 用 8B 参数做出了超大参数体量的效果，关键在底层架构更早完成了跨模态对齐、理解和生成，跟堆卡卷参数无关。

当然，这种路径也更符合创业团队追求高研发杠杆的战略选择。原生全模态路线的关键，是把有限投入转化为可以持续复用的底层能力，让不同任务共享同一套技术底座，而不必每进入一种新模态就重起炉灶。

这笔账的核心是，哪些数据流和工程工具真能共享？既有积累给视频模型省了多长开发时间？底座升级怎么带动其他业务？多线并进会不会反而分散算力？

共享到哪一层，姚霆给的例子是原生全模态基础架构本身：图像模型和视频模型共用其中一部分，结果是两者在语义上高度一致。而 V1 里的前置理解模块必须单独建设，尤其要往“视频中的物理规律”这个方向加强。

“一个架构上长出来的几朵花”，是姚霆对 O1 系列的概括。

视频 Agent 也将持续为底层模型的迭代提供参考，进一步提升模型对用户需求的理解。

做视频生成模型的这波人，最有可能把世界模型做成

从图像切到视频，再从内容延伸到具身推演，有智象自己的脉络。

智象给自己的定位是“视频领域的 Anthropic”：避开大厂锋芒，不去拼没有边界的通用基模，顺着垂直场景优化模型，做企业服务而不是单纯追 C 端流量。这解释了它为什么没把刷榜和卷参数当成唯一的故事。

姚霆把护城河拆成了四层：最底下是基础模型能力，对外做通用 API，这里迟早杀成红海，价格见底，利润摊薄；往上是标准功能，比如通用文生视频、图生视频，容易同质化；再往上是行业定制能力，比如剧本分镜拆解、广告视频生成；最顶层是嵌进产业流程的端到端工作流。姚霆觉得，真正的壁垒在三四层，那些沉在具体行业里的经验，别人很难调个 API 就抄走。这套防线理论目前更多是智象自己的战略判断，能不能挡住巨头和同行的追赶，还要看时间给出的答案。

姚霆给了时间表：接下来一个月内，V1 的意图理解、物理模拟与音画协同会全部接入Agent。

至于一个真实的创作者端到端成片案例，姚霆告诉笔者，要等 V1 接入 vivago R1 agent(国内版本[够搭]) 之后才有样本。提效多少也不好量化，因为不同用户对效果的要求本就不同；到了视效上的专业把握和最终剪辑成片，仍要人工兜底。

“做视频生成模型的这波人，最有可能把世界模型做成。”梅涛曾说。

2026 年行业对世界模型的理解逐步形成共识：世界模型本质上要训练出一个能够理解并预测物理世界的大模型，不具备大模型训练能力的公司，很难真正做好这件事。拥有视频模型训练能力的公司，已经具备世界模型训练基础。从文艺创作类视频模型拓展具身智能相关的世界模型，需要加入更多训练数据符合物理规律。因此场景数据的选择、规模和标注质量变得较为关键。

也因此，具身智能成了智象未来进入世界模型的其中一个切口。

HiDream V1对具身智能的助力有两处。数据生成层面，它能产出物理规律更合理的视频，用来做具身智能的训练数据扩增；架构层面，基于HiDream V1可以更好地搭 World Action Model，供具身模型继续演进。

和诺亦腾的协同，目前推进的正是第一块。也就是具身智能训练数据的样本扩增。

视频生成模型公司究竟可以为具身的数据带来多大价值？又如何衡量？当通用大模型的能力也被引入具身模型训练中时，与视频生成公司之间是能力互补还是竞争？

姚霆说，如今，智象未来在具身训练数据上，团队已经做到毫米级精度的合成数据生成。这是什么概念？如果说生成的数据的精度达到厘米级的精度，那对它的预训练就已经有很好的提升。如果误差达到毫米级，那可能不仅仅是预训练了，后训练的话都会有很大的作用。

至于GPT这样的模型，姚霆举了个例子，当你让模型生成一个苹果，通用模型可能会生成像苹果形状的物体。但不一定会生成一个真正的苹果。而多模态的模型，可以生成一个真实世界的苹果。

结语

HiDream V1 问世，是智象参与前排角逐的一步，过去的投入能不能帮上新业务，不同的模型能不能相互搭手，这些能力能不能在真实干活中持续修正。

视频模型的竞争，还远未到语言模型这种“神仙打架”的阶段，路线也尚未收敛，但技术迭代在加快，从原来大概一年一迭代，到现在缩短到半年左右。

不过，世界模型的构想再宏大，“mold the world”写在白板上再好看，撑起它的始终是那些不起眼的物理常识：杯子还会不会突然蒸发，动作前后接不接得上，金属撞击与声音波形对不对得齐。

世界可以始于想象，但商业终究要按期交出答卷。