AI视频三强之外，突然杀进来一个智象

最近，两个 AI 视频榜单同时更新。

一个是 Artificial Analysis，圈内人叫它 AA 榜。

我查了一下，Artificial Analysis图生视频赛道前四名：MiniMax H3和H3 Max占了前两席，第三是谷歌Gemini Omni Flash，第五是字节的Seedance 2.0 720p。

第四个名字很多人愣了一下：中国AI公司HiDream智象元一（以下简称智象）的HiDream-O1-Video-1.0（下文简称HiDream V1）。

另一个AI模型盲测评测平台Arena.ai Image-to-Video 中，这个模型排名第八。

问题来了。

如果你没听过“智象或者HiDream”这名字，很正常，这家公司过去两年几乎不在C端声量里出现，很少有蹭热点的发布会，它更像一个藏在幕后、闷头跑模型的技术团队。

但就是这样一家公司，在全球 AI 视频最硬核的两个榜单上，把一批名字更响的对手甩在了身后。

今年9月15日，智象（HiDream.ai）发布首个原生全模态视频生成模型HiDream V1，并宣布完成C+轮融资，本轮投资方包括新微资本、交子资本、工银资本。

HiDream V1 到底有多好？

我也学着生成了一个视频：用HiDream V1生成了抽书本视频，突然抽走最下面的支撑书，观察中间的书和橡皮如何下落。这个过程很考验模型对重力与受力变化的理解，也是模型最容易露出破绽的地方。

当模型真正理解物理规律，运动轨迹、物体交互和前后状态才会自然连贯。视频生成也将不止于“看起来真实”，而是“真的会这样发生”。

这才是决定模型能力上限的关键。

当前，国内AI视频赛道逐步转向世界模型，但视频模型本身依然处于大规模商业化节点。截至目前，智象Agent产品已覆盖全球100多个国家和地区，全球用户突破7000万，形成了从技术研发到产品商业化的闭环。

随着 AI 视频真正走入下半场，国内AI视频模型“四小龙”座次再次重排：MiniMax H3、字节Seedance、阿里万相和智象(HiDream)。而在此其中，智象走了一条完全不一样的路。

本文重新研究，Sora宣布关停半年多之后，为什么国内AI视频模型公司都开始做起了视频模型和物理世界模型“双赛道”的新生意。

有了世界模型，

AI视频模型如何突破“天花板”

进入2026年，AI视频生成市场原本有三类实力雄厚的竞争者：OpenAI、字节Seedance和其他中国初创公司。

但今年3月，OpenAI宣布全面关停人工智能视频生成工具 Sora，曾被视为AI视频标杆的产品正式退出市场，引发全球AI视频行业震动。

此次停运主要是由于该产品在财务上难以为继：

Sora 的日运营成本约为 100 万美元，但总收入仅约 210 万美元，活跃用户数也从接近 100 万的峰值骤降至不足 50 万。

Sora突然停止运营，凸显出依赖缺乏可持续商业模式的 AI 视频产品可能会给企业带来风险，而且也让国内多模态大模型领域迎来新的思考：在企业技术领域，最好的产品未必总是最终的赢家。外部标杆退场，但并非可以“躺平”的理由，反而意味着行业需要迅速转变。

而仍在坚守赛道的，是很多中国AI视频领域的公司。

因此，我们看到国内AI视频模型的公司出现了两个新变化：

第一，视频模型公司都纷纷加注世界模型的研发和落地。

比如，智象陆续发布了基于自研原生全模态UiT架构的模型家族，包括交互式世界模型HiDream-O1-World、具身世界模型HiDream-O1-Embodied等系列，并正在构建下一代原生全模态视频生成；字节层面，据报道，字节跳动创始人亲自督战研发Seedance的实时“世界模型”，最早可能在下个月推出。

这意味着，随着国内世界模型赛道热潮汹涌，拥有天然优势的AI视频公司全面转向世界模型已成定局，也是接下来行业发力的重点。

第二，AI视频生成类型公司正在加速商业化和C端的视频工具落地。

8月20日，字节的剪映推出剪映Hub、AI助手“小映”等功能，并推出“AI Ultra”订阅制，打造全场景智能创作平台。这意味着，AI已经进入到视频剪辑、视频生成、短剧在内的各个落地场景，并且已经形成商业化。

更早之前，字节Seedance、MiniMax H3等多模态产品加速在短剧、视频等场景落地。MiniMax财报显示，今年上半年MiniMax总收入约1.17亿美元，同比增长283.1%。其中，B端收入同比增长703.1%。

MiniMax创始人闫俊杰指出，视频等多模态模型将成为继编程之外，AI领域的第二大市场，他预计多模态模型未来会进入广告、电商、游戏、设计、影视等更完整的内容生产流程，从内容生成走向理解、修改和最终交付。

智象联合创始人兼首席运营官王科近期表示，目前，AI视频工具大致有两类交互方式：一类是画布式或节点式工作流，强调专业控制和自由度。另一类是对话式交互，试图降低操作门槛。随着Agent承担任务拆解和执行，创作者可以更多地表达目标，复杂的模型调用和制作流程则由系统在后台完成。

在王科看来，创业公司的融资规模和资源体量与大厂相比确实存在很大差距，竞争主要有三点：

第一，认知要快。对于模型架构、下一代模型的技术方向以及技术选型，要尽可能做出更早、更准确的判断。有时候只要比大厂提前半个身位，甚至提前三个月，就可能出现机会窗口。

第二，落地速度要快。方向确定之后，要尽快完成模型迭代，同时推进产品化和商业化，在窗口期形成产品壁垒或者用户壁垒。

第三，组织调整要快。创业公司的一个优势是组织更加扁平，决策链条更短，可以根据技术和产品变化快速调整方向。

“智象也有比较明确的生态位。比如我们与TikTok等平台，以及影视产业龙头上影集团，华策影视等都有比较紧密的合作，大厂拥有流量和资本优势，我们更希望依靠底层模型创新和工程落地速度参与竞争。在这个市场里，我们不会和大厂在所有方向全面竞争，而是希望在关键节点抓住技术和产品窗口。我们公司的核心策略依然是在图片和视频等多模态模型上持续投入，希望长期保持在全球第一梯队，这也是我们最核心的竞争力。”王科表示。

实际上，最近一年多，随着Sora关停，多家腰尾部AI视频公司选择退出或转型，AI视频赛道出现了“头部效应”，除了字节、阿里、快手、MiniMax等大厂和上市公司，智象这类AI视频赛道的头部也开始瞄准“通用多模态”领域，同时押注视频模型和多模态模型。

很多人认为“世界模型是更高级的视频模型”，那么，为什么有了物理世界模型，智象还会重视视频模型的迭代？

智象联合创始人兼CTO姚霆指出，因为真实世界本身就是全模态的，多模态大模型正经历一场从“多模态”到“全模态”的进化。图像记录状态，视频记录变化，空间提供结构，动作带来交互，语言承载意图和知识。“智象自研的原生全模态UiT架构，就是希望在同一个Transformer里，把多种原始信号端到端对齐，实现任意模态输入、任意模态输出。”

一位AI行业人士向智能纪元AGI解释称，世界模型的目标是输出符合物理规律的状态变化，本质是交互系统，而且主战场是具身智能与交互，包括机器人抓取、自动驾驶决策、VR 沉浸式交互、工业仿真等，核心是让 AI 理解并干预真实物理世界。

但视频模型不一样，它的本质是内容生产工具，存在更大的商业价值，主战场是内容产业，包括影视制作、短视频创作、广告营销、教育课件、游戏 CG 等，核心是降本增效地生产视觉内容，商业化成熟、价值链更大。

因此，如何突破视频模型的“天花板”，把物理世界的技术与视觉模型相结合，形成新的价值链体系，或许是一个新的技术趋势。

智象HiDream V1视频模型就是如此。

在 AI 视频这张牌桌上，大部分玩家还在比谁画得更清楚、谁生成得更长、谁的运镜更炫。

而智象已经在做一件更底层的事：让模型理解这个世界运行的规律。

该模型基于原生全模态世界模型架构HiDream-O1，支持文本、图片、视频等多种模态输入，可一键输出5–20秒1080p高保真视频。

同时在意图理解、物理规律理解、自主规划叙事、以及音画一体化生成等维度，智象新的模型均全面升级，发布同期，在多个国际权威评测榜单中，该模型均位居世界前列。

不仅如此，HiDream V1 对文本、视频、音频信号进行联合建模，Diffusion RL 后训练＋多模态 Reward 模型，对画面保真、叙事连贯、身份一致、物理合理性与音画同步联合打分；DMSampler（ICML 2026）、DiffusionCompass（ECCV 2026）、EvoID（CVPR 2026）构成「低成本采样—质量锚定—身份保持」链路。

这个是 HiDream V1 生成的一个打碎咖啡杯的倒流画面。

让桌子上有一滩打翻的咖啡和碎裂的马克杯，重新让液体倒流回杯里，杯子碎片自动拼合，最终变成一个完好无损的马克杯稳稳落在桌上。而智象的HiDream-O1-Video完整的诠释了这一切。

模型A同一个提示词生成的视频，倒流的视频出现了几帧的正流咖啡的画面。

这个则是模型B生成的画面，杯子和咖啡直接跳了起来，甚至还有冒水的画面，不符合客观物理事实和规律。

相比之下，智象的HiDream V1更加可靠。

简而言之，高保真画面、1080P高清输出、5–20秒任意时长，指令遵循、人物与视频一致性等视频生成核心质量的全面优化，以及模型“因果”能力让画面不只「会动」，更知道「为什么这样动」。

这是智象的HiDream V1的最大优势，也是它能挤进全球第一梯队的真正原因。

对视频创作者而言，真正消耗时间和成本的，往往不是生成本身，而是动作变形、人物漂移和叙事断裂带来的反复尝试。

HiDream V1通过更稳定的指令遵循与人物一致性，让复杂动作能够演完整、关键细节接得上，事件也能按照合理的因果关系自然推进。它未必意味着每次生成都能直接成片，但能让结果更接近可用素材，减少无效生成和抽卡，提高制作效率。

一个底座长出四个模型，

和其他“三强”的牌不一样

早在2023年2月，ChatGPT刚席卷全球，Sora还没到来之际，梅涛创立了智象这家公司。

在梅涛看来，基于物理与数字世界融合的生成式AI多模态大模型，比ChatGPT更具挑战性，也具有更大的创业机遇，且彼时头部企业尚未建立起明显的技术壁垒优势。这对于当时大家追逐大语言模型的来说，无疑是有着与行业主流截然不同的判断。

成立三年来，智象证明了一切，坚持底层架构自研，走出了一条从多模态到原生全模态、从数字内容生成到物理世界交互的技术路线。

如果只看HiDream V1这一个模型，智象挤进全球视频模型第一梯队，似乎只是因为“视频做得比别人好一点”。

但把视线拉远，你会发现，这不是一个单点模型的胜利，而是一条全新全模态模型路线的兑现。

目前国内AI视频“四小龙”里，MiniMax、字节 Seedance、阿里万相，基本上都是从视频生成这个单点切入，再逐步往其他模态外扩，先把视频做透，再补 3D、补世界模型、补具身。

这是一条自然生长的路线，也是大多数玩家的选择。

但智象完全走的是另一条路。

从最早发布的图像模型开始，智象就在铺一个叫 UiT 的统一底座。图像、视频、3D 交互、具身 —— 这四个模型不是先后长出来的，而是从同一个底座里同源演进的，形成原生全模态世界模型矩阵。

用姚霆的话说，是“在同一个 Transformer 里，把多种原始信号端到端对齐，实现任意模态输入、任意模态输出”。

目前，智象已发布基于UiT架构的模型家族：图像生成模型HiDream-O1-Image系列、视频模型HiDream V1系列，交互式世界模型HiDream-O1-World、具身世界模型HiDream-O1-Embodied等。

打个比方。

其他AI视频公司的路线像是盖楼，先把一楼（视频）盖好，再往上加二楼（图像）、三楼（3D）、四楼（具身），每加一层，都要重新考虑和下面楼层的承重、管道、动线怎么衔接。

而智象的路线，更像是先把地基和结构骨架一次性浇好，再在这个骨架上同时长出不同楼层 —— 每层之间的水电、动线、承重从一开始就是打通的。

这意味着，别人是在做“更好的视频模型”，而智象是在做“理解世界的底座”，视频只是这个底座当前对外输出的一个窗口。当底座足够大，图像、视频、3D、具身之间的能力会互相反哺，这种复利是单点路线很难追上的。

回到开头那个问题：智象凭什么挤进来？

它不是凭某一个爆款 Demo，不是凭某一次融资，也不是凭某一项参数领先，而是凭从一开始就不局限于单一视频模型，以原生全模态为底座，持续向世界模型演进。

姚霆认为，HiDream V1是智象原生全模态世界模型矩阵的关键组成部分。“我们相信，视频生成的代际进化不仅仅是像素的提升和时长的延续，重点在于模型是否真正理解创作者的意图和真实世界的物理规律。”

近三个月内，智象已完成三轮融资，累计融资额超过21亿元，投后估值突破10亿美元，跻身独角兽行列。

“下一代大模型竞争的关键，不在于单一模态能力的增长，而在于从单模态走向多模态，并走向原生统一的全模态。”梅涛表示，智象正以原生全模态技术为核心，持续迈向世界模型，向着全球领先的全模态人工智能企业稳步迈进。