Таинственная модель HappyHorse взлетела в рейтинге, принеся свежее дыхание в гонку генерации?

marsbitОпубликовано 2026-04-08Обновлено 2026-04-08

Введение

Загадочная модель HappyHorse-1.0 неожиданно возглавила рейтинг AI Video Arena платформы Artificial Analysis, обойдя таких гигантов, как Seedance 2.0 и другие коммерческие решения. Рейтинг основан на слепых пользовательских тестах (Elo), что делает его более объективным. Анализ языка интерфейса (китайский и кантонский выше английского) и названия, отсылающего к году Лошади, указал на китайское происхождение команды. Технический анализ показал, что HappyHorse, вероятно, является оптимизированной версией недавно открытой модели daVinci-MagiHuman (разработана совместно Shanghai Insitute of Intelligence и Sand.ai). Её архитектура — 15-миллиардный трансформер, объединяющий текст, видео и аудио в единый поток. Быстрый успех объясняется фокусом на генерации портретов и говорящих голов, которые доминируют в тестовых выборках. Однако модель требует мощного железа (H100), ограничена короткими клипами и сценами с одним персонажем. Несмотря на это, её успех сигнализирует о важном сдвиге: открытые модели впервые достигли качества, сопоставимого с коммерческими в слепых тестах. Это может ускорить развитие сообщества и предложить альтернативу для создателей, ценящих контроль и кастомизацию.

Без презентаций, без технических блогов, без поддержки какой-либо компании — модель под названием HappyHorse-1.0 для преобразования текста в видео незаметно возглавила рейтинг AI Video Arena авторитетной платформы для оценки ИИ Artificial Analysis, набрав более высокий рейтинг Elo, чем Seedance 2.0, и оставив позади таких основных игроков, как Keling и Tiangong, что мгновенно вызвало «соревнование по разгадыванию» в техническом сообществе.

Рейтинг Artificial Analysis — это не оценка технических параметров, а совокупность результатов слепого тестирования реальными пользователями, выраженная в рейтинге Elo, что отражает реальное восприятие обычных людей после просмотра. Это делает данный рейтинг менее подверженным сомнениям по сравнению с обычными тестами производительности, а также превращает вопрос «кто же это сделал?» в нечто, что невозможно игнорировать.

«Счастливая лошадь» незаметно возглавляет рейтинг, вызывая соревнование по разгадкам в технологическом сообществе

Догадки в X появились быстро. Первое, что заметили, — это порядок языков на официальном сайте: путунхуа и кантонский стоят перед английским. Для продукта, ориентированного на глобальных пользователей, такой порядок несколько необычен — если бы за ним стояла американская команда, английский почти наверняка был бы на первом месте. То, что команда базируется в Китае, можно считать практически установленным фактом.

Само название также является подсказкой. 2026 год — это год Лошади по лунному календарю, и название «HappyHorse» содержит не слишком скрытую отсылку к году Лошади, подобный прием ранее в этом году уже использовала «Pony Alpha». Таким образом, список подозреваемых быстро расширился: основатели Tencent и Alibaba носят фамилию Ма (Лошадь), что естественно включает их в список; некоторые делали ставку на Xiaomi, полагая, что Лэй Цзюнь всегда低调ен и любит неожиданно раскрывать карты; другие считали, что стиль больше похож на DeepSeek, поскольку DS ранее уже незаметно запускала визуальную модель, а затем так же незаметно свернула ее. Предположения были оживленными, но ни одно не подкреплялось железными доказательствами.

Истинную цель помогло определить детальное техническое сравнение. Пользователь X Vigo Zhao сопоставил открытые эталонные данные HappyHorse-1.0 с данными известных моделей и нашел高度 соответствие с daVinci-MagiHuman — открытой моделью «Да Винчи: Магический человек», размещенной на Github в марте.

Качество изображения 4.80, соответствие тексту 4.18, физическая согласованность 4.52, коэффициент ошибок по словам в речи 14.60% — все пункты двух наборов данных совпадают. Структура официальных сайтов также почти идентична: описание архитектуры, таблицы производительности, стиль представления демонстрационных видео — все выглядит так, как будто сделано по одному шаблону. Обе используют архитектуру однорангового Transformer, обе генерируют аудио и видео совместно, поддерживаемые языки полностью совпадают. Степень такого совпадения трудно объяснить простым совпадением.

Наиболее широко признанный в техническом сообществе вывод на данный момент заключается в том, что HappyHorse — это итерационная версия, оптимизированная одной из сторон-разработчиков daVinci-MagiHuman, Sand.ai, на основе открытой модели, с основной целью проверки пределов производительности модели в условиях реальных пользовательских предпочтений для подготовки к коммерческому внедрению.

daVinci-MagiHuman был официально открыт 23 марта 2026 года и является результатом сотрудничества двух молодых команд. Одна — из Лаборатории исследований генеративного искусственного интеллекта (GAIR) Шанхайского инновационного и интеллектуального института (SII), во главе с ученым Лю Пэнфэем; другая — пекинская Sand.ai (Саньдай кэцзи), основатель Цао Юэ также имеет академический background, а компания ориентирована авторегрессионные мировые модели.

Модель использует чисто трансформерный одноранговый Transformer с 15 миллиардами параметров, помещая токены текста, видео и аудио в одну последовательность для совместного моделирования — в открытом сообществе ранее никто не делал с нуля настоящего совместного претренинга для аудио и видео, большинство ограничивалось склейкой на основе одномодальных моделей.

Как открытая модель для генерации видео смогла совершить прорыв за две недели?

После выяснения происхождения другой вопрос стал звучать еще сложнее: daVinci-MagiHuman был открыт только в конце марта, как HappyHorse-1.0 смог всего за две недели набрать более высокий рейтинг Elo, чем Seedance 2.0?

Судя по информации, раскрытой на официальном сайте, HappyHorse не вносил фундаментальных изменений в базовую архитектуру. Более разумное предположение заключается в том, что он внес целевые корректировки в стратегию генерации по умолчанию, ориентированные на сценарии оценки.

Система Elo по своей сути является накоплением пользовательских предпочтений. Если немного улучшить такие восприимчивые аспекты, как стабильность выражения лиц персонажей, синхронизация звука и изображения, визуальная привлекательность кадра, то в слепом тесте это с большей вероятностью будет выбрано. Верхний предел возможностей модели не изменился, но «производительность в тестах» можно было отточить.

Фактически, в слепых тестах Artificial Analysis доля контента с генерацией портретов и озвучкой превышает 60%, а daVinci-MagiHuman с этапа обучения был сфокусирован на портретных исполнениях, что дает ему естественное преимущество в таких сценариях и является основной причиной его лидерства в слепых тестах; если слепой тест в основном состоит из крупных планов людей, модели, специализирующиеся на портретах, будут систематически получать преимущество, что не имеет прямого отношения к их фактической производительности в сложных сценариях с множеством персонажей, сложной операторской работой, длительным повествованием и т.д.

В результате между цифрами в рейтинге и реальным опытом тестирования возник заметный разрыв, и участники дискуссий в X разделились на два лагеря. Скептики, протестировав, считают, что HappyHorse-1.0 все еще имеет видимый разрыв с Seedance 2.0 в деталях персонажей и плавности динамики, и на этом основании подвергают сомнению репрезентативность самого рейтинга Elo.

Сторонники же возлагают большие надежды на потенциал HappyHorse, надеясь, что он сможет решить отраслевую проблему «согласованности качества изображения в последовательностях с несколькими кадрами», поскольку это проблема, которую текущие mainstream модели для видео еще не решили. Если daVinci-MagiHuman действительно достигнет здесь прорыва, это может быть гораздо важнее места в рейтинге.

Ограничения самой модели также не должны быть скрыты цифрами. Блогер Xiaohongshu @JACK's AI World第一时间 развернул и протестировал daVinci-MagiHuman. Обнаружилось, что для его работы требуется H100, потребительские видеокарты基本 не справляются, и хотя сообщество изучает варианты квантования, в краткосрочной перспективе развертывание на машинах индивидуальных пользователей остается затруднительным.

Что касается сцен, в настоящее время он в основном擅长 одиночных персонажей, как только появляется несколько человек или сцена усложняется, качество падает — это не проблема, решаемая настройкой параметров, это напрямую связано с его ориентацией на портреты. Длительность генерации обычно составляет около 10 секунд, при большей длине может начаться путаница, а для вывода в высоком разрешении仍需 полагаться на плагины повышения разрешения.

@JACK's AI World пришел к выводу: общая удобство использования daVinci-MagiHuman уступает LTX 2.3, и для повседневного использования придется подождать, пока сообщество не завершит работу по квантованию.

Гонка генерации видео дождалась настоящей «рывковой силы»?

Конечно, одно лидерство в рейтинге не может сказать многого. Далее HappyHorse предстоит пройти более тщательную проверку на стабильность, скорость доступа при высокой concurrent нагрузке, согласованность между сценами, точность управления персонажами, а также способность к обобщению за пределами тестового набора. Именно эти показатели являются ключевыми для определения того, сможет ли модель真正 войти в рабочий процесс создателей контента.

Но если взглянуть на более широкую отраслевую картину, сигнал, передаваемый этим событием, уже достаточно ясен.

Открытые модели для генерации видео сами по себе не являются новостью. Но между открытыми и закрытыми моделями всегда существовал видимый разрыв в эффективности — в сценариях, требующих поставки клиентам, качество генерации открытых моделей长期 не могло перешагнуть порог от «пригодного к использованию» до «пригодного к поставке». Ценовая политика закрытых продуктов, таких как Keling и Seedance, в значительной степени строилась именно на этом разрыве.

Значение нынешнего события заключается в том, что продукт на основе открытой модели впервые в слепом тест-рейтинге, основанном на восприятии реальных пользователей, напрямую сравнялся с основными закрытыми конкурентами. Независимо от того, сколько в этом было成分 оптимизации под сценарии тестирования, для закрытых производителей, полагающихся на этот разрыв для построения ценовой политики, это, по крайней мере, сигнал, к которому стоит серьезно отнестись.

Для разработчиков значение этой转折点更为 конкретно. В вертикальных сценариях, таких как портреты, цифровые люди, виртуальные ведущие, как только качество генерации открытой базовой модели достигнет порога «пригодности к поставке», структура затрат на самостоятельное развертывание претерпит существенные изменения — это не только сокращение затрат на вызовы API, но, что более важно, включение данных, модели и цепочки логического вывода под полный собственный контроль, получение глубины кастомизации и соответствия требованиям конфиденциальности, гибкость которых закрытые решения提供 с трудом.

HappyHorse-1.0 в краткосрочной перспективе не поколеблет позиции Seedance 2.0 или Keling на рынке, но как только утвердится认知, что открытые модели могут сравниться по эффективности с закрытыми, последующая量化 оптимизация, вертикальная тонкая настройка и ускорение логического вывода будут продвигаться сообществом со скоростью итерации, значительно превышающей таковую у закрытых продуктов.

В этот год Лошади perhaps стоит обращать внимание не на то, какая лошадь бежит быстрее, а на то, что сама гоночная трасса становится шире.

Эта статья из WeChat Official Account «AI价值官», автор: Синъе, редактор: Мэйци

Связанные с этим вопросы

QЧто такое HappyHorse-1.0 и почему он вызвал ажиотаж в технологическом сообществе?

AHappyHorse-1.0 — это модель преобразования текста в видео, которая без предварительных анонсов и технических блогов возглавила рейтинг AI Video Arena платформы Artificial Analysis, опередив такие модели, как Seedance 2.0. Она вызвала интерес, поскольку её создатели неизвестны, а высокий рейтинг основан на слепом тестировании реальными пользователями, что делает результаты более объективными.

QКакие доказательства указывают на то, что HappyHorse-1.0 связан с daVinci-MagiHuman?

AПользователь Vigo Zhao провёл сравнение технических характеристик HappyHorse-1.0 и daVinci-MagiHuman, обнаружил полное совпадение параметров: визуальное качество 4.80, соответствие тексту 4.18, физическая согласованность 4.52 и уровень ошибок в речи 14.60%. Архитектура, стиль презентации и список поддерживаемых языков также идентичны, что свидетельствует о тесной связи между этими моделями.

QПочему HappyHorse-1.0 смог быстро обойти Seedance 2.0 в рейтинге, несмотря на недавний релиз?

AHappyHorse-1.0, основанный на daVinci-MagiHuman, оптимизирован для сценариев с человеческими образами, которые составляют более 60% тестовых данных Artificial Analysis. Модель не меняла базовую архитектуру, но была настроена для улучшения восприятия пользователями в ключевых областях, таких как стабильность выражений лица и синхронизация аудио и видео, что повысило её рейтинг в слепых тестах.

QКаковы основные ограничения модели daVinci-MagiHuman, согласно тестам?

AМодель требует мощного оборудования, такого как H100, и не подходит для потребительских видеокарт. Она эффективна только в сценах с одним человеком, а при наличии нескольких людей или сложных сцен её качество снижается. Длительность генерации ограничена 10 секундами, а для высокого разрешения необходимы дополнительные плагины. Эти ограничения связаны с её ориентацией на человеческие образы.

QКакое влияние может оказать успех HappyHorse на индустрию генерации видео?

AУспех HappyHorse показывает, что модели с открытым исходным кодом могут достигать качества, сопоставимого с коммерческими аналогами. Это может изменить cost-структуру развёртывания, предоставив разработчикам больше контроля над данными и моделями, а также гибкость в настройке и соблюдении конфиденциальности. Хотя он не сразу изменит рынок, это сигнал для коммерческих компаний и стимул для сообщества ускорить развитие открытых решений.

Похожее

Токен $GCOIN от Playnance выходит на биржу KoinBX на фоне стремительного роста проекта в Индии

Playnance, блокчейн-экосистема Web3 iGaming, объявила 18 июня о листинге своего нативного токена $GCOIN на бирже KoinBX. Это событие призвано расширить доступ к быстрорастущему сообществу проекта, особенно в Индии, где уже более 130 партнеров присоединились к программе «Be the Boss», создав сообщества с тысячами активных игроков. Генеральный директор Playnance Пини Питер отметил, что Индия стала одним из самых вовлеченных рынков экосистемы. Партнеры, такие как доктор Николас, который заработал более 57 000 долларов за несколько месяцев, видят в платформе возможность строить собственное дело и развивать активное сообщество. Токен $GCOIN служит основной утилитарной монетой экосистемы, поощряя участие, согласовывая стимулы между игроками и «Боссами» и стимулируя активность во всей сети Playnance. Листинг на KoinBX является частью стратегии глобального роста компании, целью которой является повышение полезности и доступности $GCOIN по всему миру за счет объединения коллективного владения, геймифицированного участия и блокчейн-вознаграждений. Основанная в 2020 году, Playnance фокусируется на создании некастодиальных ончейн-продуктов, обрабатывая около миллиона транзакций в день и стремясь устранить барьеры между пользовательским опытом и блокчейн-инфраструктурой.

TheNewsCrypto36 мин. назад

Токен $GCOIN от Playnance выходит на биржу KoinBX на фоне стремительного роста проекта в Индии

TheNewsCrypto36 мин. назад

STRC достиг исторического минимума, вечный двигатель Сэйлора заглох

В июле 2023 года Майкл Сэйлор представил Wall Street привилегированные акции STRC как «цифровую кредитную машину». Инвесторы получали высокие дивиденды в 11.5%, а компания Strategy использовала вырученные средства для покупки биткоина, создавая, по задумке, самоподдерживающийся цикл. 19 июня STRC упала до исторического минимума в $85.32, что на 17% ниже номинала в $100, демонстрируя сбой в этой модели. Падение обусловлено тремя факторами: 1. Цена биткоина снизилась более чем на 50% с исторических максимумов. 2. Денежный резерв Strategy сократился после погашения облигаций, сократив срок покрытия дивидендов STRC. Впервые с 2022 года компания продала 32 BTC для выплаты этих дивидендов, подорвав доверие инвесторов. 3. Конкурирующая ценная бумага SATA от Strive предлагает более высокую доходность и лучшие условия, переманивая инвесторов. Падение STRC ниже номинала остановило программу дополнительной эмиссии акций, ключевой механизм покупки биткоина Strategy. Вместо планируемого «вечного двигателя» капитала запустился обратный процесс: падение биткоина ведет к падению STRC, остановке финансирования, вынужденной продаже биткоина и дальнейшей потере доверия. Хотя математически модель Сэйлора может работать при росте биткоина всего на 2.3% в год, текущая рыночная ситуация, включая жесткую риторику ФРС, подвергает сомнению устойчивость всей стратегии компаний-казначеев биткоина в условиях медвежьего рынка. Падение STRC стало проверкой веры в эту финансовую конструкцию.

marsbit56 мин. назад

STRC достиг исторического минимума, вечный двигатель Сэйлора заглох

marsbit56 мин. назад

Гайд по покупке на просадках от Grayscale: Оценка стоимости криптовалют с использованием денежного потока

**Руководство по покупке на просадках от Grayscale: оценка криптоактивов через денежный поток** Рынок криптовалют переживает спад, и перед инвесторами встает вопрос оценки активов. В отличие от биткоина как цифрового товара, многие другие активы, подобно финансовым правам, можно оценивать по денежным потокам. В отчете Grayscale на примере ведущего децентрализованного протокола кредитования Aave показано, как применять традиционные методы оценки, такие как DCF и мультипликаторы P/E. **Ключевые выводы:** * **AAVE в настоящее время недооценен.** По оценкам Grayscale, справедливая стоимость токена AAVE составляет $80-100 (текущая цена ~$75), исходя из прогноза чистой прибыли протокола в 2026 году и применения мультипликаторов P/E, характерных для финтех-компаний (20-25x). В базовом сценарии с ускорением внедрения токенизированных активов стоимость может достичь $175 за год. * **Классификация активов критична.** Не все криптоактивы одинаковы. Их следует делить на "товарные" (биткоин) и "генерирующие денежный поток" (многие DeFi-токены), для последних применимы традиционные методы оценки. * **DeFi демонстрирует реальные доходы.** Протоколы DeFi генерируют значительные комиссионные доходы от реальной финансовой деятельности. Aave, как лидер в кредитовании, имеет прозрачную финансовую отчетность, высокую рентабельность и диверсифицированное казначейство. * **Механизм захвата стоимости (value capture) — ключевой фактор.** Успех протокола не автоматически ведет к росту цены токена. Инвесторы должны анализировать, как именно прибыль протокола (через buyback & burn, стейкинг, дивиденды) распределяется среди держателей токенов. Aave эволюционирует в сторону более прямой привязки экономики протокола к ценности токена AAVE. * **Правовой статус DAO создает неопределенность.** В отличие от акционеров, держатели токенов обычно не имеют юридических прав на активы или cash flow протокола. Принятие регулирования (например, закона CLARITY) может снизить этот риск и способствовать переоценке таких активов, как AAVE. Рынок созревает, вознаграждая проекты с реальными доходами и фундаментальными показателями, а не спекулятивные нарративы. Анализ денежных потоков и механизмов захвата стоимости становится необходимым инструментом для выявления инвестиционных возможностей в следующей фазе развития криптоиндустрии.

marsbit2 ч. назад

Гайд по покупке на просадках от Grayscale: Оценка стоимости криптовалют с использованием денежного потока

marsbit2 ч. назад

После роста полупроводников: Деньги идут на заказы ИИ или на макро-отскок?

**Краткое содержание:** Рост акций полупроводников и сектора ИИ на фоне ослабления геополитических рисков (новости о возможном перемирии между США и Ираном и открытии Ормузского пролива) указывает на избирательную коррекцию оценок, а не на подтверждение долгосрочного бычьего тренда. Падение цен на нефть снизило инфляционные ожидания и давление на учетные ставки, что особенно выгодно для дорогих акций роста. Однако внутри технологического сектора инвесторы проявляют избирательность, концентрируясь на цепочке поставок оборудования для ИИ (чипы, оптические интерконнекты, память, локальное производство), где есть видимая подтвержденная выручка и капитальные затраты. Пример Astera Labs (рост выручки на 93%) подтверждает спрос на инфраструктуру для ЦОД. Рост Intel на 10-11% связан в основном с заявлением Трампа о потенциальном сотрудничестве с Apple, что является политическим катализатором, а не подтвержденной сделкой. Ключевым для определения дальнейшего направления рынка станут отчеты за Q2, особенно данные о капитальных затратах облачных провайдеров и заказах на серверы ИИ.

marsbit2 ч. назад

После роста полупроводников: Деньги идут на заказы ИИ или на макро-отскок?

marsbit2 ч. назад

Kraken Добавляет Торговлю Ончейн-Токенами Solana Напрямую Внутри Своего Приложения

Криптобиржа Kraken добавила возможность торговать токенами на блокчейне Solana напрямую в своём основном приложении. Теперь пользователи в США и более чем 100 странах могут получить доступ примерно к 2500 проверенным токенам Solana, не используя отдельный кошелёк или seed-фразу. Этот шаг упрощает процесс ончейн-трейдинга для розничных клиентов, объединяя децентрализованные рынки с привычным интерфейсом Kraken. Холдинги отображаются вместе с остальными активами на бирже. Функция работает на базе встроенных кошельков Privy и протоколов DEX Solana, скрывая технические детали от пользователя. Однако Kraken предупреждает, что эти токены не проходят такую же проверку, как централизованные листинги, поэтому рыночные риски остаются высокими. Запуск отражает общий тренд среди крупных бирж: они стремятся вернуть пользователей, уходящих в DeFi, путём интеграции ончейн-активности в свои платформы. Успех этого подхода может определить, удастся ли Kraken распространить модель на другие блокчейны, сохранив простоту и безопасность.

bitcoinist2 ч. назад

Kraken Добавляет Торговлю Ончейн-Токенами Solana Напрямую Внутри Своего Приложения

bitcoinist2 ч. назад

Торговля

Спот
Фьючерсы
活动图片