Análisis de HappyHorse 1.1: una imagen de entrada, el sonido es gratis

No publicamos fotogramas de nuestras ejecuciones de la escala de contenido; reportamos los resultados en prosa. En cambio, esto es lo que vimos en la tanda de comparación del mismo día, donde HappyHorse 1.1 lanzó los mismos prompts que una docena de familias más de imagen a vídeo y texto a vídeo.

Un gato saltando a una estantería. Al pedirle agacharse, menearse y saltar al segundo estante, HappyHorse 1.1 mantuvo la cámara fija e hizo que el gato aterrizara limpiamente, sentado y mirando al objetivo, sin patas derretidas ni un estante que cambia de ángulo entre fotogramas, un problema que vimos en algunos de los niveles más caros de la misma tanda.

Una sonrisa genuina, cámara fija. En un primer plano donde una mujer "poco a poco esboza una sonrisa genuina y ladea ligeramente la cabeza", la expresión se construyó de forma natural y el fondo se mantuvo quieto, sin deriva en el color de la cortina ni en la luz detrás de ella, algo que sí tropezó al menos a un rival con este mismo prompt.

Un despliegue de café por goteo. Agua vertiéndose en un filtro, granos de café haciendo espuma y burbujeando, vapor subiendo de la taza: detalle fino de burbujas y un arco de vertido convincente, a la altura de la calidad que vimos en otras familias con buen desempeño en la misma tanda con este prompt cargado de física.

Una pintura al óleo cobrando vida. Al pedirle animar una pintura de un puerto —barcos meciéndose, nubes moviéndose, agua ondulando— mientras se mantenía la textura de pincelada gruesa, el aspecto pictórico se sostuvo durante el clip entero en vez de aplanarse en una fotografía.

Sonido en un encargo escrito. Ante nada más que un párrafo que describía una salida de una tienda de conveniencia bajo la lluvia, el clip volvió con lluvia ambiental y pasos generados que encajaban con lo visual, en un endpoint cuyo esquema no tiene ningún campo para pedir eso.

HappyHorse 1.1 lee un párrafo de forma literal: nombra primero el comportamiento de la cámara ("la cámara se queda en él"), después describe una sola acción física continua, y deja cualquier detalle de vestuario o entorno a la imagen o a las fotos de referencia en vez de a las palabras.

1. Imagen a vídeo, una instrucción de cámara clara.

The camera stays on him as he swings a leg over the tank, jacket hanging open. The same rider, the same open jacket, the same motorcycle, the same filling station at night: he swings a leg over the tank and settles, the overhead light pressing shadows across the tank.

Ejecutar este prompt en HappyHorse 1.1 →

2. Una cámara fija y una sola acción física.

Slow push-in along the forest path as sunbeams break through the mist and a few leaves drift down.

Ejecutar este prompt en HappyHorse 1.1 →

3. Texto a vídeo, un párrafo, sin imagen de referencia.

An adult woman in a cropped tank top and denim shorts sits on the tailgate of a pickup truck at a desert sunset, boots swinging, tipping a bottle of beer and squinting into the low sun, dust drifting past. Warm orange backlight, lens flare, five seconds, 720p.

Ejecutar este prompt en HappyHorse 1.1 →

Débil: «A woman on a bike». Nada sobre el comportamiento de la cámara, el ritmo o la luz, así que el modelo tiene que inventar los tres y el resultado no se repetirá. Fuerte: el prompt 2, un movimiento de cámara, un evento físico, nada más compitiendo por la atención del modelo.

Nuestra escala de contenido va de L1 Sugerente (lencería, un tirante que se cae) pasando por L2 Temas maduros y L3 Fuerte hasta L4 Intenso (una escena íntima entre dos adultos) y L5 Extremo, probado como dos pruebas distintas: restricción consensuada y juego de impacto, y gore cinematográfico.

En imagen a vídeo, cada nivel que lanzamos el 25 de septiembre de 2026 volvió tal como se pidió: L1 a L3, L4 Intenso y los dos tipos de prueba de L5 Extremo, sin rechazos y sin nada suavizado. En referencia a vídeo solo probamos L1 y L3 ese día, y los dos se generaron. Texto a vídeo contó una historia distinta: L1, L2 y el gore de L5 Extremo se generaron cada vez, pero los tres intentos de L4 Intenso y los dos intentos de restricción de L5 Extremo fueron rechazados, y uno de tres intentos de L3 Fuerte volvió suavizado en vez de tal como se escribió.

La etiqueta de la página es Sin censura para los endpoints de imagen a vídeo y referencia a vídeo: no añadimos ningún filtro de contenido por nuestra parte ahí. Texto a vídeo tiene su propia línea más estricta: la diferencia no es algo que impongamos nosotros, viene integrada en cómo responde ese único camino. Si tu proyecto necesita aterrizar en los niveles más exigentes desde un encargo escrito, anima una imagen fija en su lugar y consigue el mismo resultado a través de imagen a vídeo.

Aún sin probar: referencia a vídeo por encima de L3 Fuerte; el techo completo de nueve imágenes de referencia en cualquier nivel de la escala de contenido; escenas con dos mujeres o dos hombres por encima de L1 Sugerente.

Solo adultos, en cada prompt y cada imagen de referencia. Una persona real e identificable tiene que haber dado su consentimiento, y necesitas los derechos de cada foto que uses como referencia o como fotograma inicial.

La historia pública de HappyHorse es una historia de benchmark: el modelo apareció de forma anónima en la arena de Artificial Analysis y encabezó brevemente las dos clasificaciones de vídeo antes de que el equipo ATH de Alibaba lo reclamara, y la actualización 1.1 que siguió añadió movimiento más rápido y una consistencia más estable con varias referencias. Los comentarios independientes sobre él en comunidades de desarrolladores en inglés son escasos, y lo que existe está dividido.

La duda más sonora viene de al menos un usuario intensivo de vídeo con IA: argumentando que la metodología de benchmark de Artificial Analysis no es fiable, alguien escribió que la clasificación "sigue puntuando a Happy Horse como un buen modelo pese a que el modelo es absolutamente malísimo". Una respuesta contraatacó con la misma dureza: "tienes tus anécdotas, nosotros en cambio, datos". Un hilo distinto y anterior planteó una preocupación completamente distinta: que como el modelo solo era accesible a través de la arena antes de su lanzamiento público, esa escasez lo convirtió en "un festín para imitadores que buscan estafar a la gente" con sitios copiones.

Nuestras propias pruebas se acercan más al lado de los "datos" de ese debate en cuanto a calidad de imagen y adherencia al prompt, y el patrón de rechazo que encontramos en texto a vídeo es exactamente el tipo de cosa que una puntuación de benchmark pura tampoco te mostraría.

• ¿Un modelo con posiciones públicas en tablas de clasificación que puedas verificar? Vidu Q3 es otra opción sin censura de solo imagen a vídeo, con precio por resolución en vez de una tarifa plana por segundo. Nuestro análisis de Vidu Q3.
• ¿Más barato, y superó cada nivel que probamos? MiniMax H3 empieza desde $0.025 por segundo y generó cada nivel de la escala de contenido en nuestras propias pruebas por tres vías de entrada.
• ¿Una toma más larga que tenga que ceñirse al guion? Seedance 2.5 mantiene un guion de 30 segundos o un gran reparto de referencias, desde $0.2773 por segundo en 720p.
• ¿Clips sin censura de 30 segundos con sonido desde texto, una imagen o referencias? Wan 3.0, desde $0.045 por segundo, superó cada nivel que probamos en cada tarea.