智象发布具身世界模型HiDream-O1-Embodied
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载打通多模态的统一基座
智象未来此次推出的HiDream-O1-Embodied，延续了原生全模态的设计思路，把图像、视频、3D与动作等模态纳入同一套表征体系，目标是贯通理解、推演、执行三个环节，形成统一的世界模型基座。按照该公司CTO姚霆的说法，围绕真实世界的表达、理解和生成，需要同时具备全模态表达、因果推演与物理世界构建三项能力，才能构成完整的世界模型基座；而这一理念在架构设计之初就把动作等模态纳入统一表征的考虑范围。就产品定位而言，HiDream-O1-Embodied侧重强化机器人的物理感知与动态预判，服务于更高阶的物理交互，其发布被视作该技术路线从模拟世界走向真实世界的一个节点。
扰动适应子榜的0.692分
模型发布同期，HiDream-O1-Embodied首次参加具身智能模型评测平台RoboColiseum的评测，在Robustness（扰动适应）子榜单中以平均分0.692排在首位。该平台基于高保真仿真环境搭建，强调仿真结果与真机表现的一致性，面向高校、科研机构、模型企业与研究者开放，评测结果实时更新，并注重过程可复现。平台设置指令跟随、空间理解、扰动适应与通用操作四类能力子榜，共78个高保真仿真评测任务，内测上线以来已有海内外几十款模型参与。扰动适应被平台视为四个维度中难度最高的一项，做法是改变背景、光照、材质、机器人初始状态、相机位置与图像质量，同时对指令进行多样化改写，以此考察模型在非理想环境下的稳定性与泛化表现。
三项能力应对不完美输入
针对扰动适应这一环节，HiDream-O1-Embodied在三项能力上做了针对性设计。语言理解方面，它不再停留在关键词匹配，而是覆盖多元动词、句式与表达方式的等价指令空间，锁定意图本身，使同一诉求换一种说法仍能被识别。视觉感知方面，模型综合多个视角的信息，让不同视觉通道互相补充，当相机位置偏移、标定精度变化或某一路画面被遮挡时，仍可借助其余视角理解场景并继续执行，把一处失灵导致全局失效的情况转为局部受限而整体可运行。容错机制方面，训练阶段主动引入光照变化、画面污损、视野遮挡、信号波动等非理想条件，让模型反复面对不完整、不稳定的信息，并从有限线索中作出判断，从而在条件不理想时仍能完成任务。
真实基座加生成增强的数据
支撑上述容错能力的是智象采用的模型与数据双驱动策略，其关键做法是让数据生产成为模型迭代的一环，形成“真实基座+生成增强”的范式，模型由被动接收数据转为参与数据创造。以与诺亦腾的合作为例，高精度真人动作捕捉数据充当真实底座，智象借助原生全模态能力完成百倍级的数据精细化扩增：基于单段真实动作样本生成变体视频，在遵守物理约束不变的前提下切换背景环境、光照条件与物体形态等变量，产出大量多元训练样本。模型由此兼具考生与出题人的角色，按自身需要生成针对性样本，使数据与模型互相驱动。此外，智象此前已发布交互式世界模型HiDream-O1-World，在WBench的Navi分榜以平均分80.9排在首位。
为什么值得看
具身智能评测榜首，验证了全模态技术在真实物理环境中的鲁棒性。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。