HiDream-O1-Video-1.0 debütiert bei Artificial Analysis auf Platz sechs – und seine öffentliche API ist deutlich kleiner als zu seinem Launch.

HiDream-O1-Video-1.0 steht auf Platz sechs der Artificial-Analysis-Rangliste für Image-to-Video, mit einem Elo von 1.175 bei 3.231 Stimmen und 5,80 US-Dollar pro Minute generierten Videos. Das ist die Position, die sein Hersteller verkündet hat – nur dass die Markteinführungsmitteilung von HiDream.ai vom 17. September 2026 Platz vier nannte. Beide Zahlen sind wahr, und sie beschreiben unterschiedliche Dinge: Die Mitteilung zitiert den Rang, den das Modell am Tag seiner Ankündigung innehatte, und die Rangliste hat sich seitdem verschoben. Liest man sie am 10. Oktober 2026 mit aktiviertem Audiofilter, liegt HiDream V1 hinter MiniMax H3 Max, MiniMax H3, Vidu Q4 Preview, Omni Flash und Dreamina Seedance 2.0 720p, in dieser Reihenfolge.

Die interessantere Geschichte ist nicht der Rang. Sie ist, dass HiDream-O1-Video-1.0 als ein Modell angekündigt wurde, das Text, Bilder und Video entgegennimmt und fünf- bis zwanzigsekündiges 1080p-Material mit nativ synchronisiertem Audio zurückgibt — und dass das, was man heute tatsächlich aufrufen kann, genau ein Referenzbild und einen optionalen Text-Prompt entgegennimmt und sonst nichts. Beide Aussagen sind dokumentiert. Die Lücke zwischen ihnen ist das, was man wissen sollte, bevor man auf diesem Modell aufbaut.

Das Board, richtig gelesen

Artificial Analysis führt seine Video-Ranglisten in Stufen, jede mit eigener Elo-Skala und eigenem Stimmenpool, sodass ein Ergebnis nicht zwischen ihnen übertragbar ist. Bei AA-Video-I2V v1.0 mit beibehaltenem Audio liegen die besten sechs zwanzig Elo-Punkte auseinander, und die Konfidenzintervalle sind zwischen sieben und zehn Punkte breit. Diese Top-Sechs, Stand 10. Oktober 2026:

MiniMax H3 Max — 1.195 ±9 über 5.894 Stichproben, August 2026, 4,80 $/min

• MiniMax H3 — 1.181 ±8 bei 7.284 Proben, Juli 2026, 7,80 $/Min.

• Vidu Q4 Preview — 1.179 ±10 über 5.543 Proben, Oktober 2026, 5,04 $/Min.

• Gemini Omni Flash — 1.178 ±7 bei 12.327 Stichproben, Mai 2026, 6,00 $/Min.

• Dreamina Seedance 2.0 720p — 1.176 ±7 über 15.721 Stichproben, März 2026, 9,07 $/Min.

• HiDream-O1-Video-1.0 — 1.175 ±10 bei 3.231 Stichproben, August 2026, $5,80/Min.

Betrachtet man diese Intervalle als Gruppe, lautet die ehrliche Zusammenfassung, dass die Ränge eins bis sechs statistisch ein einziger Wettbewerb mit einem sehr langen Schwanz von Gleichständen sind. Die Lücke, die nicht im Rauschen liegt, ist die zwischen HiDream V1 und dem Rest des Feldes: Der siebte Platz, Alibabas Wan 3.0, liegt bei 1.164 – elf Punkte und ein volles Intervall unter Platz sechs und fast dreihundert Stimmen vor diesem. HiDreams eigener Stichprobenumfang ist der kleinste unter diesen Top sechs, was bedeutet, dass sein Intervall zu den breitesten gehört und seine Position am wenigsten gefestigt ist.

Zwei Dinge, die Artificial Analysis über das Board selbst angibt, sollten wir mitnehmen. Es verzeichnet ein einzelnes Modell als in den letzten 30 Tagen hinzugefügt, und es heißt, AA-Video-I2V v2.0 komme, ausgerichtet an der Taxonomie von AA-Video-T2V v2.0, durchgängig in 1080p. Das ist wichtig für ein Modell, dessen Markteinführungsversprechen 1080p sowie Text- und Videokonditionierung betreffen: Das Board, auf dem es debütiert, ist ausdrücklich ein Übergangs-Board, und die Ablösung ändert, was gemessen wird.

Wo das Modell nicht ist

HiDream-O1-Video-1.0 erscheint auf genau einem Video-Board von Artificial Analysis. Es fehlt auf AA-Video-T2V v2.0, dem Text-zu-Video-Board, sowie auf dem Video-Bearbeitungs-Board. Ich habe beide am 10. Oktober 2026 überprüft — Wan 3.0 führt Text-zu-Video mit 1.156 und Video-Bearbeitung mit 1.157 an, FLUX 3 ist Sechster bei Text-zu-Video mit 1.128, und HiDream taucht in keiner der beiden Ranglisten auf.

Dieses Fehlen ist eher ein Signal als ein Ausschlusskriterium. Ein Modell, das nur ein Referenzbild entgegennimmt, kann nicht an einer Text-zu-Video-Abstimmung teilnehmen, und eines, das nur animiert, kann nicht an einem Bearbeitungsvergleich teilnehmen. Die praktische Konsequenz daraus ist, dass es keine unabhängige Messung von HiDream V1 bei Text-zu-Video oder Videobearbeitung gibt – und das sind genau zwei der drei Eingabemodi, die die Veröffentlichung zum Marktstart bewirbt.

Zwei Daten und die neunzig Tage dazwischen

Es gibt eine Ungereimtheit bei der Datierung, die jeder, der diese Zahlen zitiert, sorgfältig behandeln sollte. Artificial Analysis führt das Veröffentlichungsdatum von HiDream-O1-Video-1.0 als 28. August 2026 und das Datum der Aufnahme in das Board als 10. September 2026. HiDreams eigene Startankündigung ist auf den 17. September datiert. Die seither erschienenen Modellverweise von Drittanbietern beschreiben es als am 15. September veröffentlicht und am 17. September verifiziert.

Was dieses Muster beschreibt, ist ein Modell, das die Evaluierungs-Pipeline erreicht hat, bevor es die Pressemitteilung erreicht hat – durchaus normal, und es bedeutet, dass das Veröffentlichungsdatum auf dem Board das frühere der beiden ist, kein Fehler. Es beschreibt nicht, dass ein Modell vom März im August erneut angekündigt wird, was der Fehlermodus ist, mit dem dieser Blog schon einmal auf die Nase gefallen ist. HiDream-O1-Video-1.0 ist wirklich neu: Die Leaderboard-Infrastruktur selbst verortet seine Ankunft in den letzten zwei Monaten.

Was der Launch behauptet – und wer das sagt

Die Architektur-Story stammt von HiDream und wurde nicht unabhängig reproduziert. Laut Anbieter: HiDream-O1-Video-1.0 — HiDream V1, oder HD-V1 — modelliert Text, Video und Audio gemeinsam in einem einzigen Generierungsprozess, statt ein Bild zu erzeugen und anschließend Ton hinzuzufügen, sodass Lippenbewegung, Umgebungsgeräusche und physische Aktion eine gemeinsame Zeitachse teilen. Die Dauer wird geplant statt festgelegt, wobei das Modell aus dem beschriebenen Ereignis eine Länge zwischen fünf und zwanzig Sekunden wählt. Physisches Verhalten — Schwerkraft, Kollision, Trägheit, Verformung, Lichtabfall — wird als Generierungsbedingung mittrainiert. Das Post-Training nutzt Diffusion-Reinforcement-Learning gegen ein multimodales Belohnungsmodell, das auf die menschliche Wahrnehmung ausgerichtet ist. Die Generierung läuft in drei Phasen ab, die das Unternehmen als erstens Planung, zweitens gemeinsame Generierung und drittens Alignment beschreibt.

HiDream positioniert das Modell innerhalb eines Portfolios aus vier Familien, das auf einer gemeinsamen Unified-Transformer-Basis aufbaut — HiDream-O1-Image, HiDream-O1-Video, HiDream-O1-World und HiDream-O1-Embodied — und verweist auf frühere Benchmark-Platzierungen der Geschwistermodelle, darunter HiDream-O1-Image 1.5 auf Platz zwei weltweit im Text-to-Image-Ranking von Artificial Analysis und HiDream-O1-World auf Platz eins bei WBench. Dabei handelt es sich um die Angaben des Anbieters zu anderen Modellen der Familie, die hier ohne unabhängige Bestätigung genannt werden. Das Unternehmensmaterial beschreibt außerdem einen Foundation-Model-Technologie-Stack mit „mehr als 200 Milliarden“ Parametern; dies ist eine Aussage auf Plattformebene, keine Spezifikation von HiDream-O1-Video-1.0, und keine Quelle veröffentlicht eine Parameteranzahl für diesen Checkpoint. Offene Gewichte wurden dafür nicht veröffentlicht.

Was du tatsächlich nennen kannst

Hier ist die Dokumentation ungewöhnlich klar, und sie ist enger gefasst als die Ankündigung. HiDream stellt das Modell über HiHarness bereit, seine MaaS-Plattform. Der Video-Endpunkt ist ein POST an /api/maas/gw/v1/videos/generations mit der Modellkennung HiDream-O1-Video-1.0. Die erforderliche Eingabe ist genau ein Referenzbild – eine öffentliche URL oder Base64 ohne das data-URL-Präfix, zwischen 40 KB und 20 MB. Der Text-Prompt ist optional und standardmäßig leer. Die Generierung ist asynchron: Sie übermitteln, erhalten eine task_id und pollen /api/maas/gw/v1/videos/generations/results, bis result.status 1 anzeigt.

Drei Auslassungen in diesem Schema verdienen es, ausdrücklich benannt zu werden, denn jede einzelne ist eine Fähigkeit, mit der das Launch-Release wirbt.

• Referenzvideo — die Ankündigung führt Video unter den Eingaben des Modells auf; die dokumentierte Anfrage enthält kein Feld dafür.

• Explizite Auflösung — die Ankündigung behauptet 1080p; die dokumentierte Anfrage hat keine Auflösungsauswahl, und das Ergebnis behält stattdessen das Seitenverhältnis des Referenzbilds bei.

• Audiosteuerung — die Ankündigung behauptet natives synchronisiertes Audio; die dokumentierte Anfrage weist keinen Parameter für Audioeingabe oder Audioerzeugung auf.

Was das Schema tatsächlich offenlegt, ist force_10s, ein Boolean, der standardmäßig auf false gesetzt ist. Bleibt er false, wählt das Modell die Dauer. Auf true gesetzt, erhält man zehn Sekunden. Es gibt kein numerisches Dauerfeld, daher ist der beworbene Bereich von fünf bis zwanzig Sekunden eine Aussage auf Modellebene, die man über die öffentliche Anfrageoberfläche nicht steuern kann, außer indem man einen von zwei Modi wählt.

Es gibt ein Implementierungsdetail in diesem Antwortvertrag, das einer Integration zum Verhängnis werden wird, die nach dem Muster anderer Video-APIs geschrieben wurde. result.status = 1 bedeutet, dass jede Teilaufgabe einen Endzustand erreicht hat – nicht, dass die Generierung erfolgreich war. Sie müssen trotzdem sub_task_results[].task_status lesen, wobei 1 für Erfolg steht, 3 für einen Generierungsfehler und 4 für einen Fehler bei der Sicherheitsüberprüfung. Ein Client, der den Endzustand als erfolgreich behandelt, gibt Ihnen eine Video-URL, die nicht existiert.

Der Preis, im Kontext

Bei den von Artificial Analysis erfassten 5,80 $ pro Minute liegt HiDream V1 für seine Preisklasse im mittleren Bereich und ist nicht günstig. In den Top sechs des Rankings ist es günstiger als MiniMax H3 (7,80 $) und Dreamina Seedance 2.0 (9,07 $) und teurer als MiniMax H3 Max und Vidu Q4 Preview. Im Vergleich zu den Modellen, mit denen es am häufigsten verglichen wird, ist die Spanne größer: Google Veo 3.1 kostet 24,00 $ pro Minute, Kling 3.0 1080p Pro 20,16 $, Alibaba Wan 2.7 9,00 $ und Wan 3.0 12,00 $, während Grok Imagine Video 1.5 bei 8,40 $ liegt.

Diese Minutenpreise sind nicht direkt vergleichbar, denn eine Minute Ausgabe – bei welcher Auflösung und mit welchem Audio – ist genau das, was die API-Dokumentation für dieses Modell offenlässt. Betrachten Sie die Zahl als Ausgangspunkt für Ihre eigene Berechnung und nicht als Preisliste.

Einen unerprobten Weg ausprobieren, ohne eine Pipeline darauf zu verwetten

Der Grund zur Vorsicht ist hier nicht, dass das Modell schlecht ist. Sondern dass eine Serving-Oberfläche aus der Preview-Ära – ein Eingabetyp, ein Dauer-Schalter, ein zweiwertiges Terminal-Flag – der falsche Ort ist, um einen Produktionspfad hart zu kodieren. HiDream-O1-Video-1.0 ist kein Modell, das wir heute bei OrcaRouter anbieten, daher ist nichts im Folgenden eine Aussage darüber, es zu hosten: Die Stelle, an der unser Produkt wirklich hilft, liegt auf der anderen Seite der Entscheidung, wo Sie eine neue Video-Route gegen ein etabliertes Modell testen und jederzeit aus ihr aussteigen können möchten. Ein OpenAI-kompatibler Endpunkt über mehr als 200 Modelle, automatisches Failover, damit eine Route, die beginnt, unbemerkt auszufallen, nicht die Route ist, die Sie ausliefern, Listenpreise der Anbieter ohne Aufschlag durchgereicht, und eine Routing-DSL, mit der Sie zwei Modelle innerhalb einer Anfrage statt über zwei Integrationen vergleichen können. Nichts davon erfordert speziell HiDreams Modell.

Was würde dieses Stück verändern?

Drei Entwicklungen würden das Bild verändern, in absteigender Reihenfolge ihrer Wahrscheinlichkeit.

Zuerst einmal: ein weiter gefasster Serving-Vertrag. Wenn HiHarness ein Referenzvideo-Feld, eine Auflösungsauswahl oder dokumentierte Audio-Steuerelemente hinzufügt, schließt sich die Lücke zwischen der Ankündigung und der API, und die Behauptungen zu 1080p und Text-zu-Video werden testbar. Das ist eine Änderung an der Dokumentation, keine Änderung am Modell, und sie könnte jede Woche kommen.

Zweitens das Board AA-Video-I2V v2.0. Artificial Analysis hat angekündigt, dass es kommt, ausgerichtet an der T2V-v2.0-Taxonomie mit durchgängig 1080p. Ein ausschließlich auf 1080p ausgerichtetes Board wäre die erste unabhängige Umgebung, in der die Auflösungsbehauptung von HiDream V1 überhaupt etwas bedeutet – und wenn das Modell unter der neuen Taxonomie weiterhin nicht auf dem Text-to-Video-Board eingetragen werden kann, wird sein Fehlen dort zu einem substanziellen Befund statt zu einem Artefakt der alten Kategorien.

Drittens: die Stichprobengröße. 3.231 Stimmen sind eine echte Messung und eine junge – die dünnste in den Top Sechs. Das Intervall liegt jetzt bei ±10 und wird sich in die Richtung verengen, in die die Wähler es drücken. Wer „Sechster“ als feststehende Tatsache zitiert, sollte das Datum nennen, an dem er es gelesen hat, denn der sechste Platz ist ein Gleichstand in einem Sechser-Gleichstand.

Die Frage, die es wert ist, festzuhalten, ist nicht, ob HiDream-O1-Video-1.0 konkurrenzfähig ist – auf dem einen Board, auf dem es gemessen werden kann, ist es das eindeutig, und zu einem vertretbaren Preis pro Minute. Sie ist, ob das Modell, das schließlich eine breite API erreicht, jenes ist, das angekündigt wurde. Nach der derzeitigen Dokumentation sind das noch immer zwei verschiedene Produkte.

HiDream-O1-Video-1.0 ist keine der Routen, die wir heute anbieten, aber dieselbe Art von Oberfläche steht hinterüber 200 Modellen, wobei die Listenpreise der Anbieter durchgereicht werden und kein Aufschlag hinzukommt.