登顶的是谁？
有个大模型打赢了Seedance 2.0。
快乐小马！（Happy Horse）
打赢了年初惊艳亮相，还被影视飓风强调了隐私的那个Seedance 2.0。
更新速度也太快了吧——即梦的加速收费计划才刚刚开始没多久，新王就已经出现了。
2026年4月8日，权威AI评测平台Artificial Analysis的视频生成榜单上，一款名为Happy Horse的模型悄然登顶。
没有发布会，没有技术博客，没有任何公司背书，它以断崖式领先的成绩，把字节跳动的Seedance 2.0、快手的可灵等头部产品全部甩在身后。
这个榜单的排名不是靠技术参数堆出来的，而是基于数千名真实用户的盲测对比——用户完全不知道视频来自哪个模型，一票一票投出来的结果。
在"文生视频（无音频）"赛道，Happy Horse的Elo得分达到1333分，领先第二名Seedance 2.0约60分；在"图生视频（无音频）"赛道，更是跑出1392分的高分，刷新该榜单历史纪录。
这意味着什么？用业内人士的话说："这个分差，相当于第二名到第十九名的差距总和。"
Happy Horse到底什么来路？
空降榜单第一
这个榜单是什么。
Artificial Analysis被公认为AI界最权威的第三方评测网站之一，独立收集并展示来自OpenAI、Anthropic、谷歌等国际巨头以及国内各大厂的数百个模型。
它的评分体系基于真实用户盲测：系统随机展示两段匿名模型生成的视频，用户仅凭画质、动作流畅度、物理逻辑等主观感受投票，完全不知道哪个模型生成了哪段视频。"不讲品牌、只看效果"的机制，最接近普通创作者和消费者的真实感知。
Happy Horse在这个榜单上交出了碾压级的成绩单：
文生视频（无音频）：Elo 1333分，第1名，领先第二名Seedance 2.0约60分
图生视频（无音频）：Elo 1392分，第1名，刷新榜单历史纪录，领先第二名Seedance 2.0约37分
文生视频（含音频）：Elo 1205分，第2名，仅落后Seedance 2.0约14分
图生视频（含音频）：Elo 1161分，第2名，与Seedance 2.0几乎打平
在Elo积分制中，60分的差距意味着Happy Horse在与Seedance 2.0的正面对决中，能赢得约58%-59%的投票。这不是运气，而是统计学意义上的显著优势。
更值得注意的是Happy Horse的稳定性。据榜单数据显示，其95%置信区间仅为±12，是全榜单最窄的。这意味着模型的输出质量极度稳定，不会出现"偶尔惊艳、偶尔翻车"的不可控情况。
Happy Horse对其他竞品的胜率同样惊人：对Ovi 1.1胜率高达80%，对LTX 2.3胜率60.9%。
它是目前唯一在质量上全面碾压闭源商业模型的开源方案。
技术架构
Happy Horse的技术架构走的是一条"反内卷"路线。
模型参数量为150亿，采用40层纯自注意力Transformer架构——没有交叉注意力，没有独立的音频分支，也没有专门的条件网络。
整体设计刻意追求极简：把所有模态（文本、图像、视频、音频）的token拼成同一个序列，让模型在去噪过程中自己学会跨模态对齐。
这种设计被称为"三明治"架构：
- 输入层（前4层）：模态特定投影层，处理文本/图像/视频/音频的嵌入
- 共享层（中间32层）：统一自注意力处理，跨模态推理的核心发生地
- 输出层（后4层）：模态特定解码层，输出视频/音频去噪结果
前后各4层负责处理不同模态的输入输出特征，中间32层共享参数，实现高效的跨模态学习。
关键技术细节包括：
逐头门控（Per-head Gating）：每个注意力头配备可学习的Sigmoid门控，防止音频梯度主导或消失，稳定多模态训练时的梯度反传。
无时间步嵌入：Happy Horse发现噪声水平本身已编码在输入中，干脆移除显式时间步嵌入，这是实现DMD-2蒸馏的关键前提。
纯自注意力机制：文本条件通过拼接序列注入，而非传统的Cross-Attention，减少了模态对齐失败的可能性。
这种架构设计与此前开源的daVinci-MagiHuman高度同源。后者是上海创智学院（SII）GAIR实验室与北京Sand.ai（三呆科技）联合开发的模型，Happy Horse被认为是其针对用户真实偏好场景优化的迭代版本。
参数能力
Happy Horse的性能数据来自多个维度。
生成速度：采用DMD-2（Distribution Matching Distillation v2）蒸馏技术，将去噪步数从传统扩散模型的25-50步压缩至仅8步，同时完全不需要分类器引导（CFG）。在单张NVIDIA H100 GPU上，生成5秒1080p视频约需38秒；生成256p预览版仅需约2秒。
传统扩散模型需要25-50步去噪，配合CFG计算量翻倍。Happy Horse砍到8步还不用CFG，推理计算量直接腰斩。这种15B参数的"有效计算密度"，效果基本相当于传统30B以上模型跑50步的水平。
多语言支持：原生支持7种语言的唇形同步——英语、普通话、粤语、日语、韩语、德语、法语。这些语言的口型、语调和语音时序是和视频一起联合训练出来的，不是后期贴上去的。官网语言排序中，普通话和粤语排在英语之前，侧面印证了中国团队的背景。
音频能力：Happy Horse的核心卖点是原生音视频联合生成。大多数视频模型的工作方式是先生成无声视频，再找另一个模型配音，再找另一个工具做口型对齐——几道工序下来，时间和误差都在叠加。
而Happy Horse用一个统一的Transformer同时处理视频和音频，一次前向推理直接输出带声音的成片：口型、脚步声、环境音全部在同一个过程里生成，不需要任何后期拼接。
音频能力细节包括：
- 音素级唇同步（Phoneme-Level Lip Sync）：词错误率（WER）仅14.60%，显著优于Ovi 1.1的40.45%和LTX 2.3的19.23%
- 全自动化Foley：自动生成环境音、脚步声、碰撞声等拟音效果
实测性能指标：
物理模拟：Happy Horse对物理逻辑的模拟堪称一绝。在社区测试案例中，呼啦圈在腰间滚动时的离心摆动、橡皮筋球落地后的多次弹跳、液体倒入咖啡杯时形成的小漩涡——这些让多数模型"翻车"的交互场景，它都能做到近乎真实世界般的合理输出。
生成时长：目前官方支持5-8秒视频生成，分辨率1280×720、24fps。与可灵3.0（最长2分钟）、Sora 2（60秒）相比仍有差距。
硬件要求：推荐使用NVIDIA H100或A100，显存至少48GB。消费级显卡目前难以直接运行，社区正在开发量化方案。
技术团队
Happy Horse的幕后团队是谁？这个问题在4月8日到9日引发了技术圈的"解密竞赛"。
线索一：名字本身。"Happy Horse"贴合2026农历马年，中文AI圈称之为"快乐马"，这个命名藏着不太含蓄的马年梗。
线索二：语言排序。官网支持语言的排序是普通话和粤语排在英语之前，明显是面向中国用户的设计。
线索三：技术比对。X平台用户将Happy Horse的公开基准数据与已知模型逐一核对，发现与3月开源的daVinci-MagiHuman高度吻合——视觉质量4.80、文本对齐4.18、物理一致性4.52、语音字错率14.60%，两份数据逐项对得上。官网结构也几乎一样，像是出自同一套模板。
线索四：阿里高管点赞。从阿里离职不久的通义千问（Qwen）大模型技术负责人林俊旸公开点赞出圈的Happy Horse："快乐马非常快乐"。
线索五：资本市场反应。消息传出当天，阿里巴巴港股午后大涨超7%。杰富瑞（Jefferies）在最新报告中明确指出，Happy Horse背后开发者为阿里巴巴。
最终确认来自钛媒体：业内备受关注的视频模型Happy Horse-1.0确系阿里巴巴研发，由前快手副总裁、可灵技术负责人张迪带队。
核心人物：张迪
张迪的履历堪称AI视频领域的"活化石"：
2010年：上海交通大学计算机专业硕士毕业后加入阿里巴巴，曾任阿里妈妈大数据与机器学习工程架构负责人。他是阿里广告算法向深度学习转型的亲历者，技术底子雄厚。
2020年：追随老同事盖坤加入快手，担任副总裁。2023年起主导大模型团队，从0到1一手搭建了"可灵AI"的技术底座，被业内称为"可灵AI之父"。在快手期间，可灵AI用户突破4500万，2025年Q2单季营收达到2.5亿元，年度经常性收入（ARR）突破1亿美元。他带领团队发表了80多篇国际顶会论文。
2025年8月：从快手卸任并离职。
2025年9月：短暂加入哔哩哔哩，出任技术线核心负责人。
2025年11月：回归阿里巴巴，出任淘天集团"未来生活实验室"负责人，职级P11，直接向淘天集团首席科学家郑波汇报。
令人惊叹的是，张迪回归阿里仅用5个月时间，就带领团队打造出Happy Horse-1.0，登顶全球AI视频排行榜。
一个人先在快手做出了可灵，然后跳到阿里做出了Happy Horse来打败可灵——这种剧情，编剧都不敢这么写。
组织背景
淘天集团"未来生活实验室"是阿里巴巴重点AI研发机构，聚焦大模型、多模态等前沿技术，致力于打造AI原生应用。
成立一年多来已在大语言模型等领域取得多项突破，发表国际顶会论文超10篇。
钛媒体还披露，阿里云将很快将Happy Horse上线百炼平台，阿里巴巴近期的组织调整也与此有关。
就在消息传出前一天，阿里巴巴宣布新一轮AI组织架构调整：新设集团技术委员会，将通义实验室升级为通义大模型事业部。张迪所属的多模态相关团队并入ATH事业部，通义大模型事业部将全权负责阿里的模型出口。
竞品模型
将Happy Horse与当前主流竞品放在一起对比，更能看清这匹"黑马"的成色。
与Seedance 2.0的对比
Seedance 2.0是字节跳动旗下Dreamina团队开发的视频生成模型，2026年初上线后一度统治榜单。它采用统一多模态生成架构，支持文本、图像、视频、音频作为输入，内置的音频生成功能带有帧级精确的音效、对话和音乐。
在纯视觉质量上，Happy Horse碾压Seedance 2.0；但在含音频的综合排名中，Seedance 2.0仍略胜一筹。这意味着Happy Horse的音频生成能力虽然存在且具有竞争力，但并非其最强项。
与可灵3.0的对比
可灵3.0是快手推出的视频生成模型，在物理真实感、人物动作和精确控制方面表现出色。其运动笔刷功能和明确的动作编排能力为创作者提供了粒度控制，在面部表情、口型同步和自然人物动作方面行业领先。
可灵的用户基数大、生态成熟，但在榜单排名上已被甩开。更有戏剧性的是，可灵的核心架构正是Happy Horse团队负责人张迪在快手时期主导搭建的。
与Sora 2的对比
OpenAI的Sora 2在榜单上排在20名开外，Elo比Happy Horse低了170多分。Sora曾被视为视频生成领域的标杆，但在2026年的竞争中已显疲态。就在Happy Horse登顶前后，OpenAI宣布关闭Sora服务，结束其在视频生成领域的探索。
综合对比
Happy Horse的优势与局限
优势：
局限：
Happy Horse这匹"快乐马"能否持续领跑，仍需时间验证。但有一点已经明确：AI视频生成领域远未到"终局"，技术路线仍在快速迭代。
