智象发布首款物理规律导向视频模型 HD-V1
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，非原文转载先规划再生成
HD-V1 在生成视频之前，会先经过一个多模态意图理解模块，把用户给出的文本、图片或视频输入转化为一份结构化的视频规划。这份规划并不停留在抽象语义层面，而是具体到镜头时长、场景构成、角色设定、动作与表情、运镜方式、台词以及音效等字段。也就是说，模型在真正渲染画面之前，已经对整段视频的内容走向有了可执行的安排。这种先规划、后联合生成、再用多模态 Reward 对齐的思路，与多数视频模型先逐帧生成画面、再后期配音配效的拼接路线形成对照。后者的画面与声音往往分属不同环节，而 HD-V1 把文本、视频、音频信号放在原生全模态架构下联合建模，规划阶段就把声音相关字段纳入其中，生成阶段再统一处理。对使用者而言，这意味着输入一段描述或一张参考图后，模型不是直接开始画帧，而是先想清楚要拍什么、怎么拍、声音如何配合，再进入生成环节。
物理规律写入生成
HD-V1 把重力、碰撞、惯性、光影衰减、空间连续等物理规律写入了生成逻辑。这些规律并非后期修补，而是在生成过程中参与约束。在对比 demo 中，另外两款模型分别出现了红线缩短、凭空生针等问题，这类现象通常与模型对物体持续性和空间关系的处理有关。而在苹果抛出接住的 demo 里，前两款模型机械地生成了 10 秒画面，HD-V1 的节奏则更为自然。节奏差异与时长决定方式有关：HD-V1 由内容自行决定生成时长，而不是由提示词固定指定秒数。模型根据规划中的镜头安排和动作完成度来判断需要多长画面，因此接住苹果这一动作不会被人为拉长或截断。这一机制适用于对动作连贯性和物理合理性有要求的场景，但生成时长仍落在 5 到 20 秒、1080p 高保真的范围内，超出这一区间的需求不在当前支持之列。
榜单位置与适用范围
HD-V1 在 Artificial Analysis 图生视频（含音频）榜排全球第四，在 Arena.ai 图生视频盲测榜排第 8。两个榜单的评测维度并不相同，前者包含音频维度，后者为盲测形式，因此两个名次反映的是不同侧面的表现。HD-V1 支持文本、图片、视频等多种模态输入，可一键生成 5 到 20 秒的 1080p 高保真视频。智象未来 CTO 姚霆称 HD-V1 是原生全模态世界模型矩阵的关键组成。对读者来说，这款模型的特点在于把意图理解、结构化规划、物理约束和联合生成串在同一条链路上，而不是把画面与声音分阶段拼接。其适用范围集中在图生视频与多模态输入驱动的短视频生成，时长上限为 20 秒，分辨率固定为 1080p。
为什么值得看
中国模型进入全球视频生成第一梯队，物理规律理解能力显著提升。
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。