Alibaba HappyHorse-1.0: Tajemniczy model, który zdominował wszystkie rankingi wideo AI

Ujawnienie

Artificial Analysis prowadzi Video Arena, w której użytkownicy podają prompt, dwa anonimowe modele generują wyniki, a użytkownicy wybierają lepszy. Głosy zasilają system rankingowy Elo (ta sama matematyka co w szachach). Modele nie mogą manipulować systemem, bo oceniający nigdy nie wiedzą, który model wygenerował dany materiał.

HappyHorse-1.0 wszedł na arenę 7 kwietnia z pustym profilem. Bez logo, bez informacji o firmie. Do 10 kwietnia zajął pierwsze miejsce w dwóch z czterech kategorii rankingowych, a Alibaba potwierdziła własność przez nowo utworzone konto na X oraz oświadczenie dla CNBC.

Liczby

Wyniki Elo modelu HappyHorse mówią same za siebie:

Dla kontekstu, poprzedni lider w text-to-video to Seedance 2.0 od ByteDance z Elo 1273. HappyHorse wyprzedził go o 60 punktów, a taka różnica zazwyczaj wymaga miesięcy pracy. W image-to-video HappyHorse uzyskał 1392 wobec 1355 Seedance 2.0.

Kategorie z dźwiękiem to inna historia. HappyHorse zajmuje #2 za Seedance 2.0 (Elo 1219 vs. 1205), co sugeruje, że pipeline audio wciąż wymaga dopracowania względem jakości samego wideo.

Architektura: Jeden Transformer, wszystko naraz

Większość systemów wideo AI łączy osobne komponenty: enkoder tekstu, generator wideo i model audio doklejony na końcu. HappyHorse podchodzi do tego inaczej.

Model wykorzystuje 40-warstwowy jednopotokowy Self-Attention Transformer bez modułów Cross-Attention. Tokeny tekstu, wideo i audio przepływają jednocześnie przez ten sam stos transformera. Ta zunifikowana konstrukcja eliminuje zbędne parametry i redukuje złożoność inferencji.

Pipeline inferencji jest wyjątkowo lekki: tylko 8 kroków odszumiania bez Classifier-Free Guidance (CFG). Dla porównania, wiele konkurencyjnych modeli używa 25-50 kroków z włączonym CFG. To sugeruje agresywną destylację podczas treningu, wymianę surowej pojemności na szybkość.

Zespół stojący za modelem

HappyHorse pochodzi z Future Life Lab w ramach Taotian Group Alibaby (ramię e-commerce). Na czele stoi Zhang Di, były wiceprezes Kuaishou i szef techniczny Kling AI.

Ten szczegół ma znaczenie. Zhang Di zbudował kulturę inżynierską stojącą za Kling, jednym z najsilniejszych modeli wideo AI w 2025 roku. Zna wyzwania infrastrukturalne, pipeline treningowe i luki ewaluacyjne. Połączenie tego doświadczenia z zasobami obliczeniowymi Alibaby to zupełnie inne równanie niż prowadzenie niezależnego startupu.

Dlaczego to ma znaczenie dla rynku

Rynek wideo AI w kwietniu 2026 jest wyjątkowo niestabilny:

Gdy Sora schodzi ze sceny, a Seedance zmaga się z problemami prawnymi, HappyHorse pojawia się w momencie, gdy rynek szuka nowego lidera. Runway Gen-4.5 nadal trzyma mocną pozycję w profesjonalnych workflow, a Google Veo 3.1 dominuje w przestrzeni integracji korporacyjnych. Ale pod względem surowej jakości generowania mierzonej ślepą oceną przez ludzi, HappyHorse zajmuje teraz szczyt.

Open Source: wkrótce (może)

Repozytorium GitHub i Hugging Face Model Hub pokazują "Coming Soon" na dzień 11 kwietnia. Zespół obiecał otwartoźródłowe wydanie pełnych wag o 15 miliardach parametrów z licencją komercyjną. Jeśli to się stanie, HappyHorse będzie największym otwartoźródłowym modelem wideo, znacząco większym niż LTX-Video z 2 miliardami parametrów.

Ale "wkrótce" to nie "wydane". Dopóki wagi nie będą do pobrania i niezależnie zweryfikowane, wyniki benchmarków mają gwiazdkę. Społeczność wideo AI nauczyła się czekać na odtwarzalne wyniki, zanim ogłosi zwycięzców.

Na co zwrócić uwagę

Trzy rzeczy zdecydują, czy HappyHorse utrzyma prowadzenie:

• ✓Otwartoźródłowe wydanie wag i niezależna reprodukcja wyników benchmarków
• ✓Poprawa jakości audio, aby dorównać lub przewyższyć Seedance 2.0 w kategoriach z dźwiękiem
• ✓Dostępność API i cennik, bo dominacja w benchmarkach nic nie znaczy, jeśli twórcy nie mają dostępu do modelu

Przestrzeń generowania wideo AI rozwija się szybko. W styczniu Runway Gen-4.5 wydawał się nie do ruszenia. W lutym koronę przejął Seedance 2.0. Teraz dzierży ją HappyHorse. Pytanie nie brzmi, czy coś go w końcu pokona, ale kiedy i skąd.

Dla twórców i deweloperów budujących pipeline wideo dzisiaj, wniosek jest praktyczny: żaden pojedynczy model nie utrzymuje się na szczycie długo. Najlepsza strategia to budowanie workflow, które pozwalają zmieniać modele w miarę zmian w rankingach, zamiast stawiać wszystko na jedną kartę.