從模擬世界到親手操作：HiDream 推出 O1-Embodied，奪下 RoboColiseum 最難排行榜榜首

就在不到一個月前，北京的新創 HiDream.ai 才以互動式影片世界模型 HiDream-O1-World 拿下 WBench Navi 子排行榜冠軍（平均分 80.9）。今天，這家公司跨出了更艱難的一步：正式發布HiDream-O1-Embodied——一個具身世界模型（embodied world model），目標是讓 AI 走出數位模擬，直接與物理世界互動。

這次發布不只是一張產品路線圖上的又一個檢查點。它具體展示了中国最具企圖心的 AI 實驗室之一，如何把「世界模型」這個論述——也就是下一代基礎模型必須內化物理、因果與動作，而不只是處理文字與像素——落成實際運作的系統；也展示了具身智慧最棘手的瓶頸，正在被一種截然不同的資料方法所突破。

為什麼魯棒性才是關鍵排行榜

伴隨著這次發布，HiDream-O1-Embodied 同步在 RoboColiseum——一個具身智慧模型的標準化模擬評測平台——完成公開首秀，並以 0.692 的平均分直接登上魯棒性（Robustness）排行榜第一名。

RoboColiseum 並非玩具級基準。該平台從四個面向評測模型：指令遵循、空間理解、魯棒性與通用操作，透過四張能力排行榜與 78 項高傳真模擬任務，力求貼近真實機器人的表現。平台對全球大學、研究機構與模型開發者開放，進入內部測試階段以來已吸引數十個來自中國與海外的領先模型。

在四個評測面向中，魯棒性被普遍認為最困難，也最能預測實務價值。它不在理想化的實驗室「溫室」裡測模型，而是刻意變動背景、光照、材質、機器人初始狀態、相機位置與影像品質，同時加入多種改寫版本的指令。它測的正是擊垮大多數機器人部署的場景：當世界不配合時，系統還能優雅地維持多少能力。

在這張排行榜上以 0.692 居冠，代表 HiDream-O1-Embodied 能在遮擋、光照變化、相機失準、指令充滿雜訊這類干擾下——恰恰是讓單視角、關鍵字比對型機器人直接罷工的條件——仍然穩定完成任務。

三個執行層面的技術推進

魯棒性成績的背後，是 HiDream 在執行層面的三項核心能力。

超越關鍵字比對的語言理解。 傳統機器人把指令當關鍵字查表：「把杯子拿給我」行得通，換成「幫我拿個杯子」或「杯子遞一下」就可能默默失敗。HiDream-O1-Embodied 覆蓋了一個涵蓋多樣動詞、句構與表達方式的等價指令空間，關注的是指令背後的意圖而非字面措辭。無論怎麼換句話說，模型都能正確辨識使用者真正想要什麼。

多視角視覺協同。 在物理世界裡，機器人的視覺輸入鮮少理想：相機位置會偏移、標定會隨時間漂移、單一路鏡頭會被遮擋。與其依賴單一固定視角，O1-Embodied 整合多個視角的資訊，讓不同視覺通道互為補位。當某一路畫面失準或暫時不可用時，其餘視角仍能支撐場景理解與任務執行。設計目標講得很明白：把「單點故障導致全系統失效」轉變為「局部受限不妨礙整體運作」。

訓練進骨子裡的容錯力。 多數模型用「完美」資料訓練——清晰影像、完整畫面、標準化視角——而真實世界幾乎從不提供這些條件。HiDream-O1-Embodied 在訓練時主動注入大量非理想條件，反覆讓模型暴露於不完整、有雜訊、不穩定的資訊，直到「從有限視覺線索做出可靠決策」成為預設行為。這個模型刻意不是為理想條件下的峰值表現最佳化，而是為複雜動態環境中的穩定執行而設計。

100 倍的資料飛輪

整份公告中戰略上最耐人尋味的部分，不是排行榜分數，而是背後的資料範式。高品質具身資料仍是這個領域最稀缺、最具決定性的資源——機器人示範資料收集成本高、擴增慢、覆蓋面窄。HiDream 的答案是「真實世界基底 + 生成式擴增」的資料生產範式：模型主動參與創造自己進步所需要的資料。

最具代表性的例子是與動作捕捉廠商 Noitom（諾亦騰） 的合作。以 Noitom 的高精度人體動捕資料作為真實世界基底，HiDream 利用其原生全模態生成能力實現 100 倍規模的資料擴增：從單一真實動作樣本出發，模型透過改變背景環境、光照條件、物體形態與場景配置，生成物理一致的视频變體——在不破壞底層物理約束的前提下，產出大量且多樣的訓練樣本。

這個機制優雅地自指：模型同時扮演學生與老師，針對自己下一步需要加強的能力，生成有針對性的訓練樣本。這形成了一個資料與模型持續互相強化的成長飛輪——對依賴線性人力收資料的競爭者來說，這種複利迴圈極難追趕。

逐漸成形的世界模型矩陣

HiDream 的技術長姚霆（Ting Yao）用三項核心能力來框架這次發布：一個完整的世界模型基礎需要全模態表徵、因果推理與物理世界建模——三者都以在真實世界中表達、理解與生成為中心。「HiDream.ai 的原生全模態世界模型架構從一開始就設計成支援跨模態（包括動作）的統一表徵，」姚霆說，「HiDream-O1-Embodied 的發布是我們技術路線圖上的關鍵里程碑——我們正從模擬世界，走向讓 AI 在真實世界中操作。」

產品線的排序本身就說明了故事。HiDream-O1-Image——那個以 Pixel-level Unified Transformer 為基礎的開源原生統一圖像生成模型——處理生成；不到一個月前發布的 HiDream-O1-World 處理數位環境中空間、時間、運動與物體關係的理解與推理，以 80.9 分登上 WBench Navi 子榜第一；如今的 HiDream-O1-Embodied 則處理物理環境中的操作與執行。創辦人兼執行長梅濤博士（Dr. Tao Mei）此前便主張，下一代基礎模型的競爭不在於單一模態的能力提升，而在於從單模態走向多模態、最終走向原生統一的全模態智慧——而這家公司正一步一步把那個統一堆疊組裝起來。

意義何在

競爭層面的影響有兩個方向。對具身 AI 領域而言，RoboColiseum 魯棒性成績為「可部署」設立了新的公開參考點：它把評測對話從「策展環境中的成功率」轉向「對抗式真實變異下的穩定性」——而後者才是倉儲、家庭與醫療場景商業部署的真正門檻。

對更大範圍的基礎模型競賽而言，HiDream 的資料飛輪是更深層的訊號。如果一個實驗室能在保持物理一致的前提下，用生成式擴增把稀缺的真實收資放大 100 倍，那麼「我們收的機器人資料比你多」這條傳統護城河就會流失，新的護城河變成生成模型本身的品質與原生多模態性。這是一個偏袒生成式底子深厚的公司的賭注——也解釋了為什麼以開源圖像生成起家的 HiDream，如今大舉押注具身智慧。

模擬排行榜與物理現實之間的落差依然存在——0.692 是 RoboColiseum 的模擬分數，不是倉庫實測。但隨著 O1-Embodied 的推出，HiDream 已經證明：它橫跨圖像、影片、3D 乃至動作所打造的世界模型架構，不是投影片裡的願景，而是一個有著可量測、排名第一的魯棒性表現的出貨系統。從模擬世界到親手操作，這一步已經正式跨出。