Alibaba HappyHorse-1.0: o modelo misterioso que liderou todos os rankings de vídeo com IA
Um modelo chamado HappyHorse-1.0 surgiu no Artificial Analysis sem atribuição, subiu ao primeiro lugar em text-to-video e image-to-video, e revelou-se ser da Alibaba. Eis o que sabemos sobre a arquitetura, a equipa e o que isto significa para o mercado de vídeo com IA.
Damien6 min read
Autor de IA, verificações automáticas, editor responsável
A revelação
O Artificial Analysis gere um Video Arena onde os utilizadores submetem um prompt, dois modelos anónimos geram resultados e os utilizadores escolhem o que preferem. Os votos alimentam um sistema de classificação Elo (a mesma matemática utilizada nos rankings de xadrez). Os modelos não conseguem manipular o sistema porque os avaliadores nunca sabem qual modelo produziu cada resultado.
O HappyHorse-1.0 entrou nesta arena a 7 de abril com um perfil vazio. Sem logótipo, sem atribuição. A 10 de abril, ocupava a primeira posição em duas das quatro categorias do ranking, e a Alibaba confirmou a propriedade através de uma conta recém-criada no X e de uma declaração à CNBC.
Os números
Os scores Elo do HappyHorse falam por si:
Para contextualizar, o anterior número 1 em text-to-video era o Seedance 2.0 da ByteDance com um Elo de 1273. O HappyHorse supera-o por 60 pontos, uma diferença que normalmente leva meses a fechar. Em image-to-video, o HappyHorse registou 1392 contra 1355 do Seedance 2.0.
As categorias com áudio contam uma história diferente. O HappyHorse fica em segundo lugar atrás do Seedance 2.0 (Elo 1219 contra 1205), o que sugere que o pipeline de áudio ainda precisa de trabalho em relação à qualidade do vídeo.
| Categoria | HappyHorse | Anterior #1 | Diferença |
|---|---|---|---|
| Text-to-Video (sem áudio) | 1333 | 1273 (Seedance 2.0) | +60 |
| Image-to-Video (sem áudio) | 1392 | 1355 (Seedance 2.0) | +37 |
| Text-to-Video (com áudio) | 1205 | 1219 (Seedance 2.0) | -14 |
Arquitetura: um único Transformer, tudo de uma vez
A maioria dos sistemas de vídeo com IA encadeia componentes separados: um codificador de texto, um gerador de vídeo e um modelo de áudio adicionado depois. O HappyHorse adota uma abordagem diferente.
O modelo utiliza um Transformer Self-Attention de fluxo único com 40 camadas, sem módulos Cross-Attention. Os tokens de texto, vídeo e áudio passam todos pelo mesmo stack de transformadores em simultâneo. Este design unificado elimina parâmetros redundantes e reduz a complexidade de inferência.
O pipeline de inferência é invulgarmente leve: apenas 8 passos de denoising sem Classifier-Free Guidance (CFG). Para comparação, muitos modelos concorrentes utilizam entre 25 e 50 passos com CFG ativado. Isto sugere uma destilação agressiva durante o treino, sacrificando capacidade bruta em favor de velocidade.
A equipa por detrás
O HappyHorse vem do Future Life Lab, parte do Taotian Group da Alibaba (a divisão de comércio eletrónico). O líder é Zhang Di, ex-VP da Kuaishou e responsável técnico do Kling AI.
Este detalhe é relevante. Zhang Di construiu a cultura de engenharia por detrás do Kling, um dos modelos de vídeo com IA mais fortes de 2025. Conhece os desafios de infraestrutura, os pipelines de treino e as lacunas de avaliação. Trazer essa experiência para os recursos computacionais da Alibaba é uma equação completamente diferente de gerir uma startup independente.
O que isto significa para o mercado
O mercado de vídeo com IA em abril de 2026 está invulgarmente volátil:
Encerramento do Sora anunciado
Seedance 2.0 pausado
HappyHorse aparece
Alibaba confirma a autoria
Com o Sora a encerrar e o Seedance a enfrentar problemas legais, o HappyHorse chega num momento em que o mercado procura um novo líder. O Runway Gen-4.5 continua forte em workflows de produção, e o Google Veo 3.1 domina a integração empresarial. Mas em termos de qualidade de geração pura, medida por preferência humana em avaliação cega, o HappyHorse ocupa agora o primeiro lugar.
Open source: em breve (talvez)
O repositório GitHub e o hub de modelos Hugging Face mostram ambos "Coming Soon" à data de 11 de abril. A equipa prometeu a publicação open source dos pesos completos de 15 mil milhões de parâmetros com licença comercial. Se isso acontecer, o HappyHorse será o maior modelo de vídeo open source disponível, significativamente maior que os 2 mil milhões de parâmetros do LTX-Video.
Mas "em breve" não é "publicado". Até que os pesos sejam descarregáveis e verificados de forma independente, os resultados do benchmark carregam um asterisco. A comunidade de vídeo com IA aprendeu a esperar por resultados reprodutíveis antes de declarar vencedores.
O que acompanhar
Três fatores determinarão se o HappyHorse mantém a sua vantagem:
- ✓Publicação open source dos pesos e reprodução independente dos resultados do benchmark
- ✓Melhorias na qualidade do áudio para igualar ou superar o Seedance 2.0 nas categorias com áudio
- ✓Disponibilidade da API e preços, porque dominar benchmarks não serve de nada se os criadores não conseguirem aceder ao modelo
O espaço de geração de vídeo com IA move-se depressa. Em janeiro, o Runway Gen-4.5 parecia inalcançável. Em fevereiro, o Seedance 2.0 tomou a coroa. Agora é o HappyHorse que a detém. A questão não é se algo o vai superar eventualmente, mas quando e de onde.
Para criadores e programadores que constroem pipelines de vídeo hoje, a conclusão é prática: nenhum modelo se mantém no topo por muito tempo. A melhor estratégia é construir workflows que possam trocar de modelo à medida que os rankings mudam, em vez de apostar tudo num único nome.
