智象发布具身世界模型 HiDream-O1-Embodied，登顶 RoboColiseum 扰动适应榜单

具身世界模型：从像素模拟走向物理行动

过去几年，Genie、Sora 和 WorldLabs 等系统把视觉世界模型推到了新高度。它们能生成逼真的视频，甚至模拟复杂场景的动态演化。但仔细看会发现，这些模型本质上仍是统计意义上的视觉模拟器——擅长排列像素，却不理解物理规律或因果逻辑。

真正的跃迁正在发生。具身世界模型（Embodied World Models）成为全球 AI 大厂的新焦点。这类模型不再满足于“看懂”世界，而是要“在世界中行动”。它直接与物理世界的规则对齐，把视频生成能力转化为动作控制能力。比如：一个球被抛出后如何下落？机器人抓杯子时液体会不会洒？捏生鸡蛋需要多大力？这些看似简单的问题，背后是对物理规律的本质抽象，也是连接数字仿真与现实操作的关键桥梁。

谷歌、英伟达、特斯拉已纷纷布局，或打造仿真训练平台，或自研机器人基座模型。而在这场技术竞速中，中国团队也在快速跟进。

智象发布 HiDream-O1-Embodied，登顶 RoboColiseum 扰动适应榜

近日，智象未来（HiDream.ai）正式发布具身世界模型 HiDream-O1-Embodied。该模型延续其“原生全模态”技术路线，强化机器人在物理环境中的感知、预判与执行能力，目标是实现更高阶的物理交互。

发布同期，HiDream-O1-Embodied 首次参与具身智能评测平台 RoboColiseum 的评估，并在最具挑战性的 Robustness（扰动适应） 子榜单中以平均分 0.692 登顶第一。

智象未来 CTO 姚霆表示：“我们相信，完整的世界模型基座必须同时具备全模态表达、因果推演与物理世界构建三大核心能力。HiDream-O1-Embodied 的发布，标志着我们的技术战略从‘模拟世界’迈向‘真实世界’的关键一步。”

RoboColiseum：不在温室里考试，而在意外中检验真本事

RoboColiseum 是一个常态化具身智能仿真评测平台，旨在通过高保真仿真环境，构建与真实机器人表现高度一致的评估体系。平台面向全球开放，设有四大能力维度：指令跟随、空间理解、扰动适应与通用操作，共包含 78 个高保真任务。

其中，扰动适应被公认为最难的一环。它通过改变背景、光照、材质、机器人初始状态、相机位置、图像质量，甚至对指令进行多样化改写，来测试模型在非理想条件下的稳定性与泛化能力。

这不像实验室里的标准测试，更像是在真实世界中应对各种“意外”——比如突然的光线变化、部分视野被遮挡、物体表面反光干扰等。能在这种环境下稳定完成任务，才说明模型真正具备了落地潜力。

HiDream-O1-Embodied 能在这一维度登顶，得益于其原生全模态底座和三项关键技术突破。

语言理解：穿透字面，直达意图

传统机器人系统对语言指令的理解往往停留在关键词匹配层面。说“把杯子拿过来”能执行，换成“给我拿个杯子”或“杯子递我一下”，就可能失效。

HiDream-O1-Embodied 则构建了一个覆盖多元动词、句式与表达方式的等价指令空间。它不被具体措辞束缚，而是聚焦用户的真实意图。无论指令如何变换，模型都能准确解析并执行对应动作。

这种能力不是靠规则硬编码，而是通过大规模多模态对齐训练实现的。语言、视觉与动作在统一表征下深度融合，让模型学会“听懂话外之音”。

视觉感知：多视角协同，避免单点失效

在真实环境中，机器人的视觉输入从来不是完美的。相机可能偏移，标定会漂移，单路画面可能被遮挡或受干扰。如果系统只依赖一个固定视角，一旦该视角失效，整个任务就会中断。

HiDream-O1-Embodied 采用多视角协同感知机制。它综合来自不同摄像头的信息，让各视觉通道相互补充、交叉验证。即使某一视角暂时不可用，模型仍能基于其他视角重建场景理解，继续执行任务。

这种设计让系统从“一处失灵、全局崩溃”转变为“局部受限、整体仍可运行”，显著提升了鲁棒性。

高容错机制：在不完美中学会稳定

大多数模型训练依赖“干净数据”——清晰图像、标准视角、无遮挡场景。但现实世界充满噪声：光照突变、镜头污损、信号延迟、物体部分遮挡……这些都是日常。

HiDream-O1-Embodied 在训练阶段就主动引入大量非理想条件。模型反复面对不完整、不稳定的信息，并学习如何从有限线索中做出可靠判断。这种训练策略让它不仅追求“理想状态下的最优解”，更重视“复杂环境中的持续可用性”。

例如，在“pick block shape”任务中，机器人需根据指令（如“右臂拿起桌面上的三棱柱”）完成抓取。测试故意加入光影晃动、局部遮挡和纹理混淆等干扰。结果显示，HiDream-O1-Embodied 多数情况下能一气呵成完成“识别—定位—抓取”，操作扎实，感知精准。

模型 + 数据：打造“真实基座 + 生成增强”飞轮

这种抗干扰能力并非凭空而来，其背后是一套创新的数据生产范式：真实基座 + 生成增强。

高质量具身数据极其稀缺。智象选择与诺亦腾合作，利用其高精度真人动作捕捉数据作为“真实基座”。在此基础上，借助原生全模态能力，对单段真实动作进行百倍级精细化扩增。

扩增不是随意生成，而是在严格遵守物理约束的前提下，变换背景、光照、物体形态等变量，产出海量符合物理规律的训练样本。模型既是“考生”，也是“出题人”——它根据自身短板主动生成针对性数据，形成模型与数据互相驱动的增长飞轮。

这种闭环机制，让 HiDream-O1-Embodied 在面对现实扰动时展现出超常的鲁棒性。

原生全模态矩阵逐步成型

值得注意的是，HiDream-O1-Embodied 并非孤立产品。不到一个月前，智象刚发布交互式世界模型 HiDream-O1-World，并在 WBench 评测基准的 Navi 分榜中以 80.9 分登顶。

两者分工明确：交互式世界模型解决“理解与推演”，让 AI 在数字世界中掌握空间、时间、运动与物体关系；具身世界模型解决“操作与执行”，让 AI 在物理世界中完成真实任务。二者互补，共同支撑原生全模态世界模型的发展。

从 HiDream-O1-Image（图像生成）到 HiDream-O1-World（交互推演），再到 HiDream-O1-Embodied（物理执行），智象正逐步构建覆盖视觉、交互、具身的模型家族矩阵。这不仅是技术能力的横向扩展，更是内生进化能力的体现。

世界模型的下一场竞争在物理世界

具身智能的核心，是让 AI 真正踏入现实，在充满不确定性的物理环境中持续学习与自适应。从早期的符号推理，到数据驱动的大模型爆发，再到如今面向实体交互的具身范式，通用人工智能正完成从虚拟走向现实的关键演进。

AI 不再只是“看懂世界”，而是要“在世界中行动，在交互中成长”。这场演进的主战场，终将落在真实物理场景之中。而中国企业，显然已准备好参与这场竞争。