HiDream-O1-Video-1.0 debiutuje na szóstym miejscu w Artificial Analysis — a jego publiczne API jest znacznie mniejsze niż jego premiera

HiDream-O1-Video-1.0znajduje się na szóstym miejscu na tablicy liderów Artificial Analysis Image-to-Video, z Elo 1,175 przy 3,231 głosach i koszcie 5,80 USD za minutę wygenerowanego wideo. To pozycja, którą ogłosił jego twórca — tylko że w komunikacie premierowym HiDream.ai z 17 września 2026 r. podano czwarte miejsce. Obie liczby są prawdziwe i opisują różne rzeczy: komunikat podaje pozycję, którą model zajmował w dniu ogłoszenia, a ranking od tego czasu się zmienił. Przy odczycie z 10 października 2026 r. z włączonym filtrem audio HiDream V1 plasuje się za MiniMax H3 Max, MiniMax H3, Vidu Q4 Preview, Omni Flash i Dreamina Seedance 2.0 720p, w tej kolejności.

Ciekawsza historia nie dotyczy miejsca w rankingu. Chodzi o to, że HiDream-O1-Video-1.0 ogłoszono jako model, który przyjmuje tekst, obrazy i wideo, a zwraca materiały wideo 1080p o długości od pięciu do dwudziestu sekund z natywnie zsynchronizowanym dźwiękiem — oraz o to, że to, co można dziś faktycznie wywołać, przyjmuje dokładnie jeden obraz referencyjny i opcjonalny prompt tekstowy, i nic więcej. Oba te stwierdzenia są udokumentowane. Luka między nimi to coś, co warto wiedzieć, zanim zaczniesz budować na tym modelu.

Tablica, odczytana prawidłowo

Artificial Analysis prowadzi swoje rankingi wideo w podziale na poziomy, z których każdy ma własną skalę Elo i własną pulę głosów, więc wynik nie przenosi się między nimi. W przypadku AA-Video-I2V v1.0 z uwzględnionym dźwiękiem sześć najlepszych dzieli dwadzieścia punktów Elo, a przedziały ufności mają od siedmiu do dziesięciu punktów szerokości. Ta szóstka najlepszych, na dzień 10 października 2026:

• MiniMax H3 Max — 1,195 ±9 na 5,894 próbkach, sierpień 2026, $4.80/min

• MiniMax H3 — 1 181 ±8 na 7 284 próbki, lipiec 2026, 7,80 USD/min

• Vidu Q4 Preview — 1 179 ±10 na 5 543 próbkach, październik 2026, 5,04 USD/min

• Gemini Omni Flash — 1178 ±7 na 12 327 próbkach, maj 2026, 6,00 USD/min

• Dreamina Seedance 2.0 720p — 1176 ±7 na 15 721 próbkach, marzec 2026, 9,07 USD/min

• HiDream-O1-Video-1.0 — 1 175 ±10 na 3 231 próbkach, sierpień 2026, 5,80 USD/min

Czytając te przedziały jako grupę, uczciwe podsumowanie jest takie, że pozycje od pierwszej do szóstej to statystycznie jedna rywalizacja z bardzo długim ogonem remisów. Luka, która nie mieści się w szumie, to ta między HiDream V1 a resztą stawki: siódme miejsce, Wan 3.0 od Alibaby, ma 1 164 — jedenaście punktów i pełny przedział poniżej szóstego, oraz prawie trzysta głosów przed nim. Liczba próbek samego HiDream jest najmniejsza w tej szóstce, co oznacza, że jego przedział jest jednym z najszerszych, a jego pozycja najmniej ustabilizowana.

Dwie rzeczy, które Artificial Analysis podaje o samym rankingu, warto zapamiętać. Odnotowuje pojedynczy model jako dodany w ciągu ostatnich 30 dni i mówi, że nadchodzi AA-Video-I2V v2.0, zgodny z taksonomią AA-Video-T2V v2.0 i z rozdzielczością 1080p w całym zakresie. Ma to znaczenie dla modelu, którego deklaracje premierowe dotyczą 1080p oraz warunkowania tekstem i wideo: ranking, na którym debiutuje, jest wyraźnie przejściowy, a jego następca zmienia to, co jest mierzone.

Gdzie model nie jest

HiDream-O1-Video-1.0 pojawia się dokładnie w jednym rankingu wideo Artificial Analysis. Nie ma go w AA-Video-T2V v2.0, rankingu tekst-na-wideo, ani w rankingu edycji wideo. Sprawdziłem oba 10 października 2026 r. — Wan 3.0 prowadzi w rankingu tekst-na-wideo z wynikiem 1 156 i w rankingu edycji wideo z wynikiem 1 157, FLUX 3 jest szósty w rankingu tekst-na-wideo z wynikiem 1 128, a HiDream nie pojawia się w żadnym z tych rankingów.

Ten brak jest sygnałem, a nie dyskwalifikacją. Model, który przyjmuje wyłącznie obraz referencyjny, nie może zostać zgłoszony do głosowania w kategorii text-to-video, a model, który wyłącznie animuje, nie może wejść do porównania edycji. Praktyczną konsekwencją jest to, że nie istnieje niezależny pomiar tego, jak HiDream V1 radzi sobie z text-to-video lub edycją wideo, co stanowi dokładnie dwa z trzech trybów wejściowych reklamowanych przez jego wydanie premierowe.

Dwie daty i dziewięćdziesiąt dni między nimi

W datowaniu jest pewien haczyk, z którym każdy, kto cytuje te liczby, powinien obchodzić się ostrożnie. Artificial Analysis odnotowuje datę premiery HiDream-O1-Video-1.0 jako 28 sierpnia 2026 r., a datę wprowadzenia go do rankingu jako 10 września 2026 r. Własne ogłoszenie premiery HiDream jest datowane na 17 września. Odniesienia do modelu pochodzące od stron trzecich, które pojawiły się od tego czasu, opisują go jako opublikowany 15 września i zweryfikowany 17 września.

To, co opisuje ten wzorzec, to model, który dotarł do potoku ewaluacji, zanim trafił do komunikatu prasowego — co jest wystarczająco normalne i oznacza, że data wydania na tablicy jest wcześniejszą z tych dwóch, a nie błędem. Nie opisuje to modelu z marca ogłaszanego ponownie w sierpniu, czyli trybu awarii, na którym ten blog już się wcześniej sparzył. HiDream-O1-Video-1.0 jest naprawdę nowy: sama infrastruktura tabeli liderów wskazuje, że pojawił się on w ciągu ostatnich dwóch miesięcy.

Co głosi premiera i kto tak mówi

Opowieść o architekturze pochodzi od HiDream i nie została niezależnie odtworzona. Według dostawcy: HiDream-O1-Video-1.0 — HiDream V1, czyli HD-V1 — modeluje tekst, wideo i dźwięk łącznie w ramach jednego procesu generowania, zamiast najpierw generować obraz, a dopiero potem dodawać dźwięk, dzięki czemu ruch warg, dźwięki otoczenia i działania fizyczne dzielą jedną osię czasu. Czas trwania jest planowany, a nie ustalony z góry — model wybiera długość od pięciu do dwudziestu sekund na podstawie opisywanego zdarzenia. Zachowania fizyczne — grawitacja, kolizje, bezwładność, deformacja, zanikanie światła — są wytrenowane jako ograniczenie generowania. Po treningu wstępnym stosuje się uczenie ze wzmocnieniem dyfuzyjnym względem multimodalnego modelu nagrody dopasowanego do ludzkiej percepcji. Generowanie przebiega w trzech etapach, które firma opisuje jako najpierw planowanie, następnie generowanie łączone, a na końcu dopasowanie.

HiDream pozycjonuje ten model w ramach portfolio czterech rodzin opartych na wspólnej, ujednoliconej podstawie transformerowej — HiDream-O1-Image, HiDream-O1-Video, HiDream-O1-World i HiDream-O1-Embodied — oraz cytuje wcześniejsze wyniki benchmarków dla modeli siostrzanych, w tym HiDream-O1-Image 1.5 na drugim miejscu globalnie na tablicy text-to-image Analysis i HiDream-O1-World na pierwszym miejscu na WBench. Są to dane producenta dotyczące innych modeli z tej rodziny, podane tutaj bez niezależnego potwierdzenia. Materiały korporacyjne firmy wspominają również o stosie technologii modeli bazowych o „ponad 200 miliardach” parametrów; to stwierdzenie na poziomie platformy, a nie specyfikacja HiDream-O1-Video-1.0, i żadne źródło nie publikuje liczby parametrów dla tego checkpointu. Nie udostępniono dla niego otwartych wag.

Co właściwie możesz nazwać

Tutaj dokumentacja jest wyjątkowo jasna i jest węższa niż zapowiedź. HiDream udostępnia model poprzez HiHarness, swoją platformę MaaS. Punkt końcowy wideo to POST pod adres /api/maas/gw/v1/videos/generations z identyfikatorem modelu HiDream-O1-Video-1.0. Wymagane dane wejściowe to dokładnie jeden obraz referencyjny — publiczny URL lub Base64 bez prefiksu data-URL, o rozmiarze od 40 KB do 20 MB. Prompt tekstowy jest opcjonalny i domyślnie pusty. Generowanie jest asynchroniczne: przesyłasz zadanie, otrzymujesz task_id i odpytujesz /api/maas/gw/v1/videos/generations/results aż result.status będzie miał wartość 1.

Trzy pominięcia w tym schemacie zasługują na wyraźne wymienienie, ponieważ każde z nich to możliwość, którą reklamuje wydanie premierowe.

• Wideo referencyjne — ogłoszenie wymienia wideo wśród danych wejściowych modelu; udokumentowane żądanie nie ma dla niego pola.

• Jawna rozdzielczość — zapowiedź twierdzi, że to 1080p; w udokumentowanym żądaniu nie ma selektora rozdzielczości, a wynik zamiast tego zachowuje proporcje obrazu referencyjnego.

• Sterowanie dźwiękiem — zapowiedź twierdzi, że zapewnia natywne zsynchronizowane audio; udokumentowane żądanie nie udostępnia żadnego parametru wejścia audio ani parametru generowania dźwięku.

To, co schemat ujawnia, to force_10s, wartość logiczna domyślnie ustawiona na false. Jeśli pozostanie false, model wybiera czas trwania. Ustawiona na true daje dziesięć sekund. Nie ma pola liczbowego czasu trwania, więc reklamowany zakres od pięciu do dwudziestu sekund jest deklaracją na poziomie modelu, której publiczny interfejs żądań nie pozwala kontrolować inaczej niż poprzez wybór jednego z dwóch trybów.

W tym kontrakcie odpowiedzi jest jeden szczegół implementacyjny, który da się we znaki integracji napisanej przez dopasowywanie wzorców innych interfejsów API wideo. result.status = 1 oznacza, że każde podzadanie osiągnęło stan końcowy — a nie że generowanie się powiodło. Nadal musisz odczytać sub_task_results[].task_status, gdzie 1 oznacza sukces, 3 — niepowodzenie generowania, a 4 — niepowodzenie przeglądu bezpieczeństwa. Klient, który uznaje stan końcowy za sukces, przekaże Ci URL wideo, który nie istnieje.

Cena w kontekście

Według notowań Artificial Analysis na poziomie 5,80 USD za minutę HiDream V1 ma umiarkowaną cenę jak na swoją kategorię, a nie niską. W pierwszej szóstce rankingu jest tańszy niż MiniMax H3 (7,80 USD) i Dreamina Seedance 2.0 (9,07 USD), a droższy niż MiniMax H3 Max i Vidu Q4 Preview. W porównaniu z modelami, z którymi będzie porównywany najczęściej, rozrzut jest większy: Google Veo 3.1 kosztuje 24,00 USD za minutę, Kling 3.0 1080p Pro 20,16 USD, Alibaba Wan 2.7 9,00 USD i Wan 3.0 12,00 USD, podczas gdy Grok Imagine Video 1.5 plasuje się na poziomie 8,40 USD.

Te stawki za minutę nie są bezpośrednio porównywalne, bo to, czym jest minuta wyniku, w jakiej rozdzielczości i z jakim dźwiękiem, to dokładnie to, czego dokumentacja API nie precyzuje dla tego modelu. Traktuj tę liczbę jako punkt wyjścia do własnych obliczeń, a nie jako cennik.

Próba nieprzetestowanej drogi bez stawiania na nią całego pipeline'u.

Powód do ostrożności nie tkwi tu w tym, że model jest zły. Tkwi w tym, że interfejs udostępniania z okresu wersji zapoznawczej — jeden typ danych wejściowych, jeden przełącznik czasu trwania, dwustanowa flaga końcowa — to niewłaściwe miejsce na zakodowanie na sztywno ścieżki produkcyjnej. HiDream-O1-Video-1.0 nie jest modelem, który dziś obsługujemy w OrcaRouter, więc nic poniżej nie jest twierdzeniem o jego hostowaniu: miejscem, w którym nasz produkt naprawdę pomaga, jest druga strona decyzji, tam gdzie chcesz przetestować nową trasę wideo względem dotychczasowego rozwiązania i móc w każdej chwili od niej odejść. Jeden punkt końcowy zgodny z OpenAI obejmujący ponad 200 modeli, automatyczne przełączanie awaryjne, dzięki któremu trasa, która zaczyna po cichu zawodzić, nie jest trasą, którą wdrażasz, ceny katalogowe dostawców przekazywane bez doliczania marży oraz DSL routingu, który pozwala porównać dwa modele w ramach jednego żądania, a nie dwóch integracji. Nic z tego nie wymaga konkretnie modelu HiDream.

Co zmieniłoby ten element?

Trzy wydarzenia zmieniłyby obraz sytuacji, w kolejności malejącego prawdopodobieństwa.

Po pierwsze, szerszy kontrakt serwowania. Jeśli HiHarness doda pole wideo referencyjnego, selektor rozdzielczości lub udokumentowane kontrolki audio, luka między zapowiedzią a API się zamknie, a twierdzenia o 1080p i text-to-video staną się możliwe do przetestowania. To zmiana w dokumentacji, a nie zmiana modelu, i może pojawić się w dowolnym tygodniu.

Po drugie, ranking AA-Video-I2V v2.0. Artificial Analysis zapowiedziało, że nadchodzi, zgodny z taksonomią T2V v2.0 i z rozdzielczością 1080p przez cały czas. Ranking obejmujący wyłącznie 1080p byłby pierwszym środowiskiem, w którym deklaracja rozdzielczości HiDream V1 ma jakiekolwiek znaczenie — a jeśli modelu nadal nie można wprowadzić do rankingu tekst-na-wideo w nowej taksonomii, jego nieobecność tam staje się istotnym ustaleniem, a nie artefaktem starych kategorii.

Po trzecie, liczebność próby. 3231 głosów to prawdziwy pomiar, i to młody, najcieńszy w pierwszej szóstce. Przedział wynosi teraz ±10 i zwęzi się w tę stronę, w którą popchną go wyborcy. Każdy, kto cytuje „szóste” jako ustalony fakt, powinien podać datę, kiedy to przeczytał, bo szóste miejsce to jeden remis w sześciostronnym remisie.

Pytanie, które warto zachować, nie brzmi: czy HiDream-O1-Video-1.0 jest konkurencyjny — na jednej tablicy rankingowej, na której można go zmierzyć, jest wyraźnie konkurencyjny, i to w cenie za minutę, którą da się obronić. Chodzi o to, czy model, który ostatecznie trafi do szeroko dostępnego API, jest tym, który został zapowiedziany. Na podstawie obecnej dokumentacji to wciąż dwa różne produkty.

HiDream-O1-Video-1.0 nie jest jedną z tras, które dziś obsługujemy, ale ten sam rodzaj interfejsu kryje się za ponad 200 modelami z przekazywanymi cenami katalogowymi dostawców i bez doliczania marży.