2023 年 9 月写过《两款炸裂 AI 视频神器：Runway & Pika Labs》，之后两年视频模型狂飙突进——可灵、Veo、Seedance、海螺……每家 demo 都好看得不像话，但真拿去用又是另一回事。看到一个名叫 HiDream-O1-Video-1.0（简称 HD-V1）的视频模型刷屏时，第一反应也是"又一个"。但两个榜单让人停下来多看两眼。
在 Artificial Analysis 的图生视频榜（带音频）排全球第 4，Arena 图生视频盲测榜排第 8。背后开发者是智象未来——估值超 10 亿美元的生成式 AI 企业，与 vivago.ai 同源。
榜单：中国 AI 视频在第一梯队
Artificial Analysis 图生视频前六名：
- MiniMax H3 Max（fal 调过），1206 分
- 字节 Seedance 2.0，1197 分
- MiniMax H3，1190 分
- 智象 HD-V1，1186 分
- Google Gemini Omni Flash，1181 分
- 阿里万相 3.0，1179 分
第一名到第六名仅差 27 分。前六里除了 Google，全是中国公司模型。Google 的 Veo 3.1 在第 11。
Arena 盲测榜中 HD-V1 排第 8，前面是 MiniMax H3、Gemini Omni、万相 3.0、Seedance 2.5/2.0、Grok。中国 AI 视频在全球第一梯队，已是榜单上摆着的事实。
核心优势：先理解，再生成
HD-V1 在生成前挂了一个多模态意图理解模块：输入一句口语化描述，先拆成分镜表——镜头时长、场景地点、角色动作、台词节奏、光色影调、运镜焦段、道具音效——拆完再拿表去生成。理解越准，规划越稳，生成越不容易跑偏。普通人的意义很直接：不用学提示词工程，用大白话把事说清楚就行。
时长自适应：由内容决定，不是硬指标
HD-V1 原生支持 5 到 20 秒任意时长。它把时长当意图而非硬指标——写"五秒钟的回眸"，最后可能给 3 秒或 10 秒，看内容本身需要多长。对比测试中，同样"抛苹果接住停住"的提示词，其他模型硬撑满 10 秒（动作做完后僵住或慢放凑时长），HD-V1 自然节奏起抛、接住、停稳，时长完全自适应。
音画同步：三路信号一起建模
大多数 AI 视频先逐帧画画面再回头配音，音画难对上。HD-V1 走另一条路：文本、视频、音频三路信号在同一生成过程中一起建模，互相约束。画面运动牵着声音节奏走，台词和音效反过来影响镜头情绪。测试中乒乓球弹跳声随高度变化、士兵耳语到大吼的口型对位、猪油掉进炭火的"刺啦"声，都做到了毫秒级同步。
物理规律：不是后期贴上去，写进叙事规划里
推开古堡木门、多米诺骨牌拐弯、咖啡倒流回杯子、赛车多普勒效应——这些测试中，HD-V1 在物理因果和力学真实感上明显优于竞品。这得益于原生全模态架构下模型直接"看"未经压缩的原图，学习空间关系、时间演变和因果逻辑等物理世界基础规则。
一致性：做成产品的门槛
冲刺运动员衣服 logo 不变、金毛犬项圈不中途改变、线稿上色不出线——做内容的人可能觉得是小瑕疵，但做产品的人知道这是命门。模型能不能稳定不崩，直接决定敢不敢把它包进产品里收钱。
一个底座，四个模型
智象未来 4 月发布原生全模态世界模型架构 HiDream-O1，图像、视频、3D 交互、具身动作在同一个架构上一起生长：
- HiDream-O1-Image-1.5：Artificial Analysis 文生图榜中国第一、全球第二
- HiDream-O1-World：WBench 榜单第一
- HiDream-O1-Embodied：RoboColiseum 扰动适应和空间推理双榜第一
- HiDream-O1-Video-1.0：Artificial Analysis 图生视频榜第四
客观评价
- 目前是内测状态，需申请
- 5 到 20 秒是单条视频长度，长片需靠 agent 做分镜串接
- 榜单只是"图生视频带音频"一项，不代表所有场景
- API 价格和开放时间尚未公布
视频生成能力以后大概率谁家都有，差别会越来越小。最后拉开差距的是理解那一层——你说一句人话，它能不能听懂。这也是看完 HD-V1 最想记下来的一点。
