Alibaba HappyHorse-1.0: невядомая мадэль, якая ўзначаліла ўсе рэйтынгі AI-відэа

Раскрыццё

Artificial Analysis праводзіць Video Arena, дзе карыстальнікі ўводзяць промпт, дзве ананімныя мадэлі генеруюць відэа, а карыстальнікі выбіраюць лепшае. Галасы паступаюць у сістэму рэйтынгу Elo (тая ж матэматыка, што і ў шахматных рэйтынгах). Мадэлі не могуць ашукаць сістэму, бо ацэншчыкі не ведаюць, якая мадэль стварыла які вынік.

HappyHorse-1.0 выйшла на арэну 7 красавіка з пустым профілем. Ні лагатыпа, ні ўказання кампаніі. Да 10 красавіка мадэль заняла першы радок у дзвюх з чатырох катэгорый рэйтынгу, і Alibaba пацвердзіла аўтарства праз нядаўна створаны акаўнт у X і заяву для CNBC.

Лічбы

Рэйтынгі Elo у HappyHorse кажуць самі за сябе:

Для кантэксту: папярэдні лідар у text-to-video, Seedance 2.0 ад ByteDance, набраў Elo 1273. HappyHorse абышла яго на 60 пунктаў, разрыў, які звычайна закрываюць месяцамі. У image-to-video HappyHorse набрала 1392 супраць 1355 у Seedance 2.0.

У катэгорыях з аўдыё карціна іншая. HappyHorse на другім месцы пасля Seedance 2.0 (Elo 1219 супраць 1205), што ўказвае на неабходнасць дапрацоўкі аўдыёпайплайна адносна якасці відэа.

Архітэктура: адзін Transformer, усё адразу

Большасць AI-сістэм для генерацыі відэа звязваюць асобныя кампаненты ў ланцужок: тэкставы энкодэр, генератар відэа і мадэль аўдыё, прышрубаваную зверху. HappyHorse абірае іншы шлях.

Мадэль выкарыстоўвае 40-слаёвы аднапатокавы Self-Attention Transformer без модуляў Cross-Attention. Тэкставыя, відэа- і аўдыётокены праходзяць праз адзін і той жа стэк трансформера адначасова. Такая ўніфікаваная архітэктура ліквідуе залішнія параметры і зніжае складанасць інферэнсу.

Пайплайн інферэнсу незвычайна лёгкі: усяго 8 крокаў дэноізінгу без Classifier-Free Guidance (CFG). Для параўнання, шмат канкуруючых мадэляў выкарыстоўваюць 25-50 крокаў з уключаным CFG. Гэта ўказвае на агрэсіўную дыстыляцыю падчас навучання, дзе хуткасць атрымана за кошт аб'ёму вылічэнняў.

Каманда

HappyHorse створана ў Future Life Lab пры Taotian Group (e-commerce падраздзяленне Alibaba). Кіраўнік праекта, Чжан Дзі, былы віцэ-прэзідэнт Kuaishou і тэхнічны лідар Kling AI.

Гэта важная дэталь. Чжан Дзі стварыў інжынерную культуру Kling, адной з мацнейшых AI-відэа мадэляў 2025 года. Ён ведае інфраструктурныя выклікі, навучальныя пайплайны і прагалы ў ацэнцы. Перанос гэтага досведу на вылічальныя рэсурсы Alibaba, гэта зусім іншае ўраўненне ў параўнанні з аўтаномным стартапам.

Што гэта значыць для рынку

Рынак AI-відэа ў красавіку 2026 года надзвычай нестабільны:

З адыходам Sora і юрыдычнымі праблемамі Seedance, HappyHorse з'яўляецца ў момант, калі рынак шукае новага лідара. Runway Gen-4.5 па-ранейшаму моцны ў прадакшн-воркфлоу, а Google Veo 3.1 дамінуе ў карпаратыўных інтэграцыях. Але па чыстай якасці генерацыі, вымеранай сляпой перавагай людзей, HappyHorse цяпер на вяршыні.

Адкрыты зыходны код: хутка (магчыма)

На GitHub і ў мадэльным хабе Hugging Face па стане на 11 красавіка стаіць пазнака "Coming Soon". Каманда паабяцала выкласці поўныя вагі мадэлі на 15 мільярдаў параметраў з камерцыйнай ліцэнзіяй. Калі гэта здарыцца, HappyHorse стане найбуйнейшай адкрытай мадэллю генерацыі відэа, значна большай за 2 мільярды параметраў LTX-Video.

Але "хутка" не значыць "выпушчана". Пакуль вагі нельга спампаваць і незалежна праверыць, вынікі бенчмаркаў ідуць з зорачкай. AI-супольнасць ужо навучылася чакаць узнаўляльных вынікаў, перш чым абвяшчаць пераможцаў.

На што звярнуць увагу

Тры фактары вызначаць, ці ўтрымае HappyHorse лідарства:

• ✓Публікацыя вагаў у адкрыты доступ і незалежнае ўзнаўленне вынікаў бенчмаркаў
• ✓Паляпшэнне якасці аўдыё да ўзроўню Seedance 2.0 у катэгорыях з аўдыё
• ✓Даступнасць API і цэнаўтварэнне, бо дамінаванне ў бенчмарках нічога не значыць, калі стваральнікі не могуць атрымаць доступ да мадэлі

Сфера генерацыі AI-відэа рухаецца хутка. У студзені Runway Gen-4.5 здаваўся недасягальным. У лютым карону забраў Seedance 2.0. Цяпер яна ў HappyHorse. Пытанне не ў тым, ці хтосьці абыдзе гэтую мадэль, а калі і адкуль прыйдзе канкурэнт.

Для стваральнікаў і распрацоўшчыкаў, якія будуюць відэапайплайны сёння, выснова практычная: ніводная мадэль не застаецца на вяршыні надоўга. Лепшая стратэгія, будаваць воркфлоу з магчымасцю хуткай замены мадэляў пры змене рэйтынгаў, а не рабіць стаўку на адно імя.