交互式世界模型这个说法这两年被用得有点滥，但这次智象未来发的HiDream-O1-World，方向至少是清楚的：不是在生图模型外面套一层控制模块，而是按原生全模态那条路往上走，各模态在同一个底座里训。
差别落到实处是什么？拼接方案里模态之间靠接口对齐，一遇到需要跨模态推理的场景就容易掉链子；原生路线理论上能省掉这层转译损耗。理论归理论，真正决定体验的是交互时的状态保持——你连着改十几步之后，场景会不会开始漂。这类模型最典型的毛病就是前三步惊艳，第五步开始自己跟自己对不上。等能上手了再下判断。
原生全模态和拼接方案的差别，落到用户这边其实就是能不能连续改
蹲后续