HiDream-O1-World 打的旗号是原生全模态架构，这点比模型本身更该拿出来说两句。
现在多数所谓多模态，本质还是几个模块串起来：一个负责理解文字，一个负责出画面，中间靠对齐凑合。好处是工程上好拆好换，坏处是每一次跨模态传递都在丢信息，物体一致性、空间关系这类东西最容易在接缝处掉链子。原生的做法是从训练开始就让不同模态跑在同一套表示里，代价是数据和算力一起往上翻。
所以这类模型该看的不是单帧好不好看，是镜头绕一圈回来物体还在不在、遮挡关系对不对、物理响应有没有明显穿帮。这几项一起达标才配叫世界模型，只满足一项都算不上。