视频看了这么久，今天终于能”玩”了！智象HiDream-O1-World实操：全球首款可交互世界模型，逛一遍世界还替你记着-圈圈AI一站式AI资源分享平台

第一章　视频看了这么多年，今天终于能”玩”了

你有没有想过一个问题：我们看了三年的 AI 视频，可从来没”进去”过。

文生视频的逻辑是单向的——你给提示词，它吐一段画面，你看。哪怕生成得再逼真，你始终是观众，进不去那个空间，改不了那个世界，更没法让它接着演。

8 月 17 号，智象未来（HiDream.ai）甩出一个狠角色：HiDream-O1-World，全球首款原生全模态交互式世界模型。注意这两个词——”交互式”和”世界模型”。它不生产一段视频，它造一个你能逛、能改、能持续推演的世界。

一句话区别：视频生成关心”下一帧像不像”，世界模型还得关心”下一步对不对”。这中间的鸿沟，比你想的大得多。

第二章　三个模式：逛、改、控

HiDream-O1-World 给了你三件套：漫游、编辑、交互，输入方式也随意——一段文字、一张图片、甚至直接上手拖，都能一键生成结构完整、质感细腻的世界。

先看漫游模式。你像真进了那个世界，屏幕左下角有移动控件，能驱动角色前进、转向，还能第一人称和第三人称自由切换。官方给的例子是登雪山：人往前走，前方的路和周围景物实时更新；你原路返回，刚才的地形居然还在——没有重置，没有穿帮。

再看编辑模式，这个更上头。你能让角色当场抓取、奔跑、下蹲、跳跃，也能调度环境：触发一场雨、让物体砸落。有个骑行案例：输入”天气变成雷雨天”，晴天瞬间电闪雷鸣、雨点砸地溅起水花；再输入”变成太阳雨”，阴云渐亮、湿路面反射阳光。整个画面是统一变化的，不是局部贴图，音视频还同步。

风格也管够：写实城市、自然地貌、室内空间，到二次元、幻想异世界、3A 游戏渲染；角色从人类、动物到虚构异兽，每种都踩准自己的运动节奏。

Memory 维护一张持续更新的空间地图，TTT 每次转视角实时校准——人走了，世界还在

第三章　凭什么不漂移、不失忆

交互式世界模型有个老大难：镜头一转，物体就漂移、变形、甚至凭空消失；视角稍微动一动，刚生成的物件就没了。这叫”世界没有记忆”。

HiDream-O1-World 的杀手锏，是底层那套自研的 UiT（原生全模态）架构。传统多模态是”拼接”的——文本一个编码器、图像一个 VAE、视频一个模块，各干各的再翻译。UiT 直接把这些全扔了，把图像像素、文本、视频、音频、动作、空间坐标统一塞进同一个 Token 空间，让一套 Transformer 同时理解、生成、推理。

在这个架构上，它用 Memory + TTT 双机制 解决”记不住”的毛病：

Memory（3D 先验记忆注入）：生成时同时维护一张持续更新的”空间地图”，记着几何结构、物体位置和遮挡关系——人走了，世界不刷新；
TTT（Test-Time Training 推理在线自适应）：每次移动、每次转视角，模型用轻量 LoRA 实时校准自己，让生成严格贴合 3D 几何约束。

说白了：Memory 负责记住这个世界，TTT 负责在变化里不断校准这个世界。两者合力，才换来那句最实在的承诺：人走了，世界还在。

第四章　物理一致性：下一步对不对

光空间不漂还不够，物理得讲理。世界模型最怕的是什么？人物穿墙、物体悬浮、碰撞反重力——一眼假，沉浸感瞬间崩塌。

智象在物理一致性上是”数据和架构双轮驱动”：训练阶段往里猛灌物理难例数据——刚体碰撞、流体运动、柔性形变、重力抛射、光影变化，让模型反复学”状态变了之后结果该是什么样”；推理阶段再用 TTT 针对当前场景的材质和物体在线微调。

效果有多实在？官方披露：在”画面运动是否符合常识物理”的视觉合理性评测里，比行业平均提升 13.6%；在更难的因果保真度评测里提升 12.7%。

记住那句话：视频关心下一帧像不像，世界模型还要关心下一步对不对。这 12.7% 的差距，就是”会动的画面”和”真实的世界”之间的距离。

WBench Navi 分榜登顶 80.9，物理维度 73.3 第一、一致性维度 88.0

第五章　一上来就登顶 WBench

光自己说强没用，得有第三方基准。由美团 LongCat 团队和复旦大学联合推出的 WBench，是业内首个面向交互式世界模型的系统性评测基准（289 个多轮交互案例、22 项指标）。

HiDream-O1-World 首次参评就登顶 Navi 分榜（聚焦空间导航与视角控制），关键分数：

综合平均 80.9，分榜第一；
物理维度（Physical）73.3，直接超过腾讯混元 1.5、阿里”快乐生蚝”；
一致性维度（Consistency）88.0，长时程记忆和空间结构稳得离谱。

同场竞技的还有腾讯 HY-World、阿里 Wan、Kling 3.0 等一众选手，它把”物理一致性”这条差异化标签焊死在自己身上。相关核心技术论文 DreamWorld 已被 ECCV 2026 录用，过了学术同行评审这一关。

第六章　它能拿来干什么

如果只把它当个更自由的视频播放器，那就小看它了。世界一旦具备”持续状态 + 物理一致 + 实时交互”，它就开始抢游戏引擎、3D 软件、仿真平台的一部分活儿。

AI 互动影游：观众不再是被动看剧情，而是主动参与者，世界随你探索沿不同分支演进，多重结局随便逛。具身智能仿真：一键搭出高度还原、遵循物理的城市、工厂、室内空间，给机器人训练、自动驾驶、智能制造当虚拟试验场，把高成本高风险实景测试替掉。3D 场景生产：3D 手办、家居、艺术空间说生就生，甚至向微观延伸——模拟细胞行为、蛋白互作，给药物发现开数字仿真的新路。

顺带提一句公司背景：智象未来 7 月刚完成 15 亿 C 轮融资，三个月累计超 21 亿，正式跨进独角兽行列。发这个模型，等于从”多模态生成公司”正式迈入”世界模型”赛道。