具身智能的真正考场，从来不是整洁的实验室，而是光照突变、视角偏移、指令含糊的物理现实。正因如此，智象未来（HiDream.ai）于近日推出的具身世界模型HiDream-O1-Embodied，从设计之初便摒弃了单一模态的局部优化，转而依托原生全模态架构，将图像、视频、3D与动作信号统一纳入同一表征空间。这一决策的直接成果是模型在理解、推演与执行的全链条上实现了天然贯通，从而构建起一个既能“看懂”世界，又能“动手”操作的真实世界基座。
RoboColiseum扰动适应榜首，0.692分意味着什么？
在具身智能模型评测平台RoboColiseum上，HiDream-O1-Embodied首次参评便以0.692的平均分登顶扰动适应（Robustness）子榜单。这一成绩的分量需要放在平台的评测逻辑中才能看清，RoboColiseum围绕指令跟随、空间理解、扰动适应与通用操作四个维度设置了78个高保真仿真任务，其中扰动适应被公认为最具挑战性的试金石，它系统性地改变背景、光照、材质、机器人初始状态、相机视角与图像质量，同时对话术进行多样化改写，模拟出真实世界中层出不穷的“意外状况”。这意味着，模型必须在非理想条件下证明自己的稳定性和泛化能力，而不仅仅是完美环境中的表演。HiDream-O1-Embodied的登顶，恰恰印证了原生全模态架构在跨模态信息融合上的先天优势，这种优势在执行阶段被进一步放大，转化为实实在在的抗干扰韧性。
语言理解、多视角协同与容错训练：三项能力直击执行痛点
为了让模型在真实扰动中依然可靠，HiDream-O1-Embodied在三个关键环节进行了针对性突破。
在语言指令理解上，模型不再停留于关键词的机械匹配，而是构建了涵盖多元动词、句式与表达方式的等价指令空间。无论用户变换何种措辞，模型都能锁定深层意图，避免因句式变化而“宕机”，让自然交互真正成为可能。
在视觉感知层面，物理世界中的相机偏移、标定漂移或单路遮挡经常导致传统系统“一处失灵、全局失效”。HiDream-O1-Embodied采用多视角协同机制，让不同视觉通道互为冗余与补充。即便部分视角出现偏差或信号中断，模型仍能依靠其他视角继续理解场景并执行任务，实现从“单点脆弱”到“整体稳健”的跃升。
更值得关注的是模型在高容错机制上的设计。多数具身模型依赖清晰、完整的“完美数据”进行训练，但真实光照变化、画面污损或视野遮挡才是常态。HiDream-O1-Embodied在训练阶段便主动引入各类非理想条件，迫使模型反复从不完整、不稳定的信息中提取可靠线索。这种训练策略不追求单一条件下的极致表现，而是致力于在环境多变时依然保持稳定的执行水准，其价值恰恰体现在“看不清时照样能做好”的务实能力上。
数据驱动的增长飞轮：模型既做“考生”也做“出题人”
上述抗扰动能力的根基，离不开高质量数据的持续供给。智象未来打造了“模型+数据”双轮驱动的战略，其核心在于让数据生产成为模型迭代的内生环节。通过“真实基座 + 生成增强”的数据范式，模型主动参与数据创造而非被动接收。以与诺亦腾的合作为例：高精度真人动作捕捉数据构成真实底座，智象借助原生全模态能力完成百倍级的精细化扩增，基于单段真实动作样本，模型可生成大量变体视频，在严守物理约束的前提下自由切换背景、光照、物体形态等变量，产出海量训练素材。这一过程中，模型同时扮演“考生”与“出题人”，根据自身短板主动生成针对性样本，形成数据与模型互相驱动的增长飞轮，最终赋予HiDream-O1-Embodied远超常规的扰动鲁棒性。
从交互式到具身，世界模型矩阵走向完整闭环
就在不到一个月前，智象未来发布的交互式世界模型HiDream-O1-World在交互式视频世界模型评测基准WBench的Navi分榜中以平均分80.9登顶。交互式模型侧重数字世界中的理解与推演，而具身模型则聚焦物理世界中的操作与执行，两者互为补充，共同夯实原生全模态世界模型的底层能力。
智象未来创始人兼CEO梅涛此前指出，下一代大模型竞争的核心并非单一模态的孤立进化，而是从单模态走向多模态，并最终抵达原生统一的全模态。从HiDream-O1-Image到HiDream-O1-World，再到HiDream-O1-Embodied，智象未来的模型家族矩阵日趋完整，覆盖视觉生成、交互推演与具身执行等关键领域。这不仅是技术能力的横向拓展，更是原生全模态架构纵向进化的有力佐证。站在世界模型加速演进的浪潮之巅，智象未来正以清晰的战略定力，将模拟世界的经验持续转化为真实世界的可靠行动。
