HiDream-O1-Video-1.0 fait ses débuts à la sixième place d'Artificial Analysis — et son API publique est bien plus modeste que son lancement

HiDream-O1-Video-1.0 est sixième du classement Image-to-Video d’Artificial Analysis, avec un Elo de 1 175 sur 3 231 votes à 5,80 $ par minute de vidéo générée. C’est la position annoncée par son créateur — sauf que le communiqué de lancement de HiDream.ai, daté du 17 septembre 2026, indiquait la quatrième place. Les deux chiffres sont vrais et décrivent des choses différentes : le communiqué cite le rang que le modèle occupait le jour de son annonce, et le classement a évolué depuis. Consulté le 10 octobre 2026 avec le filtre audio activé, HiDream V1 se place derrière MiniMax H3 Max, MiniMax H3, Vidu Q4 Preview, Omni Flash et Dreamina Seedance 2.0 720p, dans cet ordre.

L'histoire la plus intéressante n'est pas le rang. C'est que HiDream-O1-Video-1.0 a été annoncé comme un modèle qui prend du texte, des images et de la vidéo et renvoie des séquences 1080p de cinq à vingt secondes avec un audio synchronisé nativement — et que ce que l'on peut réellement appeler aujourd'hui ne prend exactement qu'une image de référence et une invite textuelle facultative, et rien d'autre. Ces deux affirmations sont documentées. L'écart entre les deux est ce qu'il vaut la peine de savoir avant de construire sur ce modèle.

Le tableau, lu correctement

Artificial Analysis gère ses classements vidéo par niveaux, chacun disposant de sa propre échelle Elo et de son propre bassin de votes, de sorte qu'un score ne se transfère pas de l'un à l'autre. Sur AA-Video-I2V v1.0 avec l'audio conservé, les six premiers sont séparés par vingt points Elo et les intervalles de confiance s'étendent sur sept à dix points. Ce top six, en date du 10 octobre 2026 :

• MiniMax H3 Max — 1 195 ±9 sur 5 894 échantillons, août 2026, 4,80 $/min

• MiniMax H3 — 1 181 ±8 sur 7 284 échantillons, juillet 2026, 7,80 $/min

• Vidu Q4 Preview — 1 179 ±10 sur 5 543 échantillons, octobre 2026, 5,04 $/min

• Gemini Omni Flash — 1 178 ±7 sur 12 327 échantillons, mai 2026, 6,00 $/min

• Dreamina Seedance 2.0 720p — 1 176 ±7 sur 15 721 échantillons, mars 2026, 9,07 $/min

• HiDream-O1-Video-1.0 — 1 175 ±10 sur 3 231 échantillons, août 2026, 5,80 $/min

Lisez ces intervalles comme un groupe et le résumé honnête est que les positions de un à six sont, statistiquement, un seul concours avec une très longue queue d'égalités. L'écart qui n'est pas dans le bruit est celui entre HiDream V1 et le reste du peloton : la septième place, le Wan 3.0 d'Alibaba, est à 1 164 — onze points et un intervalle complet en dessous de la sixième, et près de trois cents voix devant elle. Le nombre d'échantillons de HiDream lui-même est le plus petit dans ce top six, ce qui signifie que son intervalle est parmi les plus larges et que sa position est la moins établie.

Deux choses qu’Artificial Analysis affirme au sujet du classement lui-même méritent d’être retenues. Il y recense un seul modèle comme ajouté au cours des 30 derniers jours, et il indique que AA-Video-I2V v2.0 arrive, aligné sur la taxonomie AA-Video-T2V v2.0 avec du 1080p de bout en bout. Cela compte pour un modèle dont les promesses de lancement portent sur la 1080p et sur le conditionnement texte et vidéo : le classement sur lequel il fait ses débuts est explicitement transitoire, et son remplacement change ce qui est mesuré.

Là où le modèle n'est pas

HiDream-O1-Video-1.0 apparaît sur exactement un tableau vidéo d’Artificial Analysis. Il est absent de AA-Video-T2V v2.0, le tableau texte-vers-vidéo, et du tableau de montage vidéo. J’ai vérifié les deux le 10 octobre 2026 — Wan 3.0 est en tête du texte-vers-vidéo avec 1 156 et du montage vidéo avec 1 157, FLUX 3 est sixième en texte-vers-vidéo avec 1 128, et HiDream n’apparaît dans aucun des deux classements.

Cette absence est un signal plutôt qu’une disqualification. Un modèle qui ne consomme qu’une image de référence ne peut pas participer à un vote de texte-vers-vidéo, et un modèle qui ne fait qu’animer ne peut pas participer à une comparaison de montage. La conséquence pratique est qu’il n’existe aucune mesure indépendante de HiDream V1 effectuant du texte-vers-vidéo ou du montage vidéo, ce qui correspond précisément à deux des trois modes d’entrée annoncés dans sa communication de lancement.

Deux dates, et les quatre-vingt-dix jours qui les séparent

Il y a une subtilité dans la datation que quiconque cite ces chiffres doit manier avec prudence. Artificial Analysis enregistre la date de sortie de HiDream-O1-Video-1.0 comme étant le 28 août 2026 et la date à laquelle il a été introduit dans le classement comme étant le 10 septembre 2026. L’annonce de lancement de HiDream elle-même est datée du 17 septembre. Les références de modèles tierces qui ont depuis fait leur apparition le décrivent comme publié le 15 septembre et vérifié le 17 septembre.

Ce que ce schéma décrit, c’est un modèle qui a atteint le pipeline d’évaluation avant d’atteindre le communiqué de presse — ce qui est assez normal, et cela signifie que la date de sortie indiquée sur le classement est la plus ancienne des deux, et non une erreur. Il ne décrit pas un modèle de mars réannoncé en août, qui est le mode de défaillance dont ce blog a déjà souffert par le passé. HiDream-O1-Video-1.0 est véritablement nouveau : l’infrastructure du classement elle-même situe son arrivée au cours des deux derniers mois.

Ce que le lancement affirme, et qui le dit

L'histoire de l'architecture provient de HiDream et n'a pas été reproduite de manière indépendante. Selon le fournisseur : HiDream-O1-Video-1.0 — HiDream V1, ou HD-V1 — modélise conjointement le texte, la vidéo et l'audio au sein d'un seul processus de génération plutôt que de générer l'image puis d'y ajouter le son, de sorte que le mouvement des lèvres, le son ambiant et l'action physique partagent une même chronologie. La durée est planifiée plutôt que fixée, le modèle choisissant une longueur entre cinq et vingt secondes en fonction de l'événement décrit. Le comportement physique — gravité, collision, inertie, déformation, déclin de la lumière — est intégré à l'entraînement en tant que contrainte de génération. Le post-entraînement utilise l'apprentissage par renforcement par diffusion face à un modèle de récompense multimodal aligné sur la perception humaine. La génération se déroule en trois étapes que l'entreprise décrit comme suit : d'abord la planification, ensuite la génération conjointe, et enfin l'alignement.

HiDream positionne le modèle au sein d'un portefeuille de quatre familles reposant sur un socle commun de transformateur unifié — HiDream-O1-Image, HiDream-O1-Video, HiDream-O1-World et HiDream-O1-Embodied — et cite les classements antérieurs de ses modèles frères dans les benchmarks, notamment HiDream-O1-Image 1.5 à la deuxième place mondiale au classement texte-image d'Artificial Analysis et HiDream-O1-World à la première place sur WBench. Il s'agit des chiffres du fournisseur pour d'autres modèles de la famille, avancés ici sans confirmation indépendante. Les documents institutionnels de l'entreprise décrivent également une pile technologique de modèles de fondation de « plus de 200 milliards » de paramètres ; il s'agit d'une déclaration au niveau de la plateforme, et non d'une spécification de HiDream-O1-Video-1.0, et aucune source ne publie de nombre de paramètres pour ce checkpoint. Aucun poids ouvert n'a été publié pour ce dernier.

Ce que vous pouvez réellement appeler

Ici, la documentation est exceptionnellement claire, et elle est plus restreinte que l'annonce. HiDream sert le modèle via HiHarness, sa plateforme MaaS. Le point de terminaison vidéo est un POST vers /api/maas/gw/v1/videos/generations avec l'identifiant de modèle HiDream-O1-Video-1.0. L'entrée requise est exactement une image de référence — une URL publique, ou du Base64 sans le préfixe data-URL, entre 40 Ko et 20 Mo. L'invite textuelle est facultative et sa valeur par défaut est vide. La génération est asynchrone : vous soumettez, recevez un task_id, puis interrogez /api/maas/gw/v1/videos/generations/results jusqu'à ce que result.status indique 1.

Trois omissions dans ce schéma méritent d’être signalées explicitement, car chacune est une capacité que la version de lancement met en avant.

• Vidéo de référence — l’annonce mentionne la vidéo parmi les entrées du modèle ; la requête documentée ne comporte aucun champ pour celle-ci.

• Résolution explicite — l’annonce prétend 1080p ; la requête documentée ne comporte aucun sélecteur de résolution, et le résultat conserve plutôt le rapport d’aspect de l’image de référence.

• Contrôle audio — l'annonce prétend à un audio synchronisé natif ; la requête documentée n'expose aucun paramètre d'entrée ou de génération audio.

Ce que le schéma expose, en revanche, c'est force_10s, un booléen dont la valeur par défaut est false. Laissé à false, c'est le modèle qui choisit la durée. Mis à true, vous obtenez dix secondes. Il n'existe aucun champ de durée numérique, de sorte que la plage de cinq à vingt secondes annoncée est une affirmation au niveau du modèle que la surface de requête publique ne vous permet pas de piloter, sauf en choisissant l'un des deux modes.

Il y a un détail d'implémentation dans ce contrat de réponse qui va piéger une intégration écrite en se calquant sur d'autres API vidéo. result.status = 1 signifie que chaque sous-tâche a atteint un état terminal — et non que la génération a réussi. Vous devez encore lire sub_task_results[].task_status, où 1 correspond à un succès, 3 à un échec de génération et 4 à un échec de contrôle de sécurité. Un client qui considère l'état terminal comme un succès vous renverra une URL de vidéo qui n'existe pas.

Le prix, dans son contexte

Aux tarifs de 5,80 $ par minute relevés par Artificial Analysis, HiDream V1 se situe dans la moyenne de prix de sa catégorie plutôt que dans le bas de gamme. Au sein du top six du classement, il est moins cher que MiniMax H3 (7,80 $) et Dreamina Seedance 2.0 (9,07 $), et plus cher que MiniMax H3 Max et Vidu Q4 Preview. Face aux modèles auxquels il sera le plus souvent comparé, l'écart est plus marqué : Google Veo 3.1 est à 24,00 $ par minute, Kling 3.0 1080p Pro à 20,16 $, Alibaba Wan 2.7 à 9,00 $ et Wan 3.0 à 12,00 $, tandis que Grok Imagine Video 1.5 se situe à 8,40 $.

Ces tarifs à la minute ne sont pas directement comparables, car une minute de sortie — à quelle résolution et avec quel audio — est précisément ce que la documentation de l’API laisse non précisé pour ce modèle. Considérez ce chiffre comme un point de départ pour vos propres calculs plutôt que comme une grille tarifaire.

Tenter une voie non éprouvée sans miser un pipeline dessus

L'argument en faveur de la prudence ici n'est pas que le modèle est mauvais. C'est qu'une surface de service de l'ère des previews — un seul type d'entrée, un seul commutateur de durée, un indicateur terminal à deux états — n'est pas le bon endroit pour coder en dur un chemin de production. HiDream-O1-Video-1.0 n'est pas un modèle que nous servons chez OrcaRouter aujourd'hui, donc rien de ce qui suit ne constitue une affirmation sur son hébergement : là où notre produit aide véritablement, c'est de l'autre côté de la décision, lorsque vous voulez tester une nouvelle route vidéo face à un modèle en place et pouvoir l'abandonner à tout moment. Un point de terminaison compatible OpenAI sur plus de 200 modèles, un basculement automatique pour qu'une route qui se met à échouer en silence ne soit pas celle que vous déployez, les prix catalogue des fournisseurs répercutés sans marge ajoutée, et un DSL de routage qui vous permet de comparer deux modèles au sein d'une seule requête plutôt que via deux intégrations. Rien de tout cela n'exige spécifiquement le modèle de HiDream.

Qu'est-ce qui changerait cette pièce ?

Trois évolutions changeraient la donne, par ordre décroissant de probabilité.

Premièrement, un contrat de service plus large. Si HiHarness ajoute un champ de vidéo de référence, un sélecteur de résolution ou des contrôles audio documentés, l’écart entre l’annonce et l’API se comble et les affirmations concernant la 1080p et le texte-vers-vidéo deviennent vérifiables. Il s’agit d’un changement de documentation, non d’un changement de modèle, et il pourrait arriver n’importe quelle semaine.

Deuxièmement, le classement AA-Video-I2V v2.0. Artificial Analysis a annoncé son arrivée, aligné sur la taxonomie T2V v2.0 avec du 1080p partout. Un classement uniquement en 1080p serait le premier environnement indépendant dans lequel l’affirmation de HiDream V1 sur la résolution aurait une réelle signification — et si le modèle ne peut toujours pas être inscrit au classement texte-vers-vidéo selon la nouvelle taxonomie, son absence y devient un constat de fond plutôt qu’un artefact des anciennes catégories.

Troisièmement, la taille de l’échantillon. 3 231 votes, c’est une mesure réelle et récente, la plus faible des six premiers. L’intervalle est de ±10 maintenant et se réduira dans la direction où les électeurs le pousseront. Quiconque cite « sixième » comme un fait établi devrait indiquer la date à laquelle il l’a lu, car la sixième place fait partie d’une égalité à six.

La question à retenir n’est pas de savoir si HiDream-O1-Video-1.0 est compétitif — sur le seul tableau où il peut être mesuré, il l’est manifestement, et à un prix par minute défendable. C’est de savoir si le modèle qui finira par être disponible via une API grand public est bien celui qui a été annoncé. D’après la documentation actuelle, il s’agit encore de deux produits différents.

HiDream-O1-Video-1.0 ne fait pas partie des routes que nous servons aujourd'hui, mais le même type de surface se trouve derrière plus de 200 modèles, avec les prix catalogue des fournisseurs répercutés sans marge ajoutée.