Recenzja HappyHorse 1.1: jedno zdjęcie na wejściu, dźwięk gratis

Nie publikujemy klatek z naszych przebiegów skali treści; wyniki opisujemy prozą. Zamiast tego, oto co zobaczyliśmy w tego samego dnia partii porównawczej, gdzie HappyHorse 1.1 puścił identyczne prompty co kilkanaście innych rodzin obrazu na wideo i tekstu na wideo.

Kot skaczący na półkę z książkami. Poproszony o przykucnięcie, machnięcie i skok na drugą półkę, HappyHorse 1.1 trzymał kamerę zablokowaną i pozwolił kotu wylądować czysto, siedząc prosto i patrząc w obiektyw — bez stopionych łap, bez półki zmieniającej kąt między klatkami, problemu, który widzieliśmy u niektórych droższych poziomów w tej samej partii.

Szczery uśmiech, kamera zatrzymana. Przy zbliżeniu, gdzie kobieta „powoli uśmiecha się szczerze i lekko przechyla głowę”, wyraz twarzy budował się naturalnie, a tło zostało na miejscu — bez dryfu koloru zasłony czy światła za nią, co potknęło co najmniej jednego rywala na tym dokładnie prompcie.

Rozkwit pour-over. Woda wlewająca się do drippera, ziarna kawy pieniące się i bulgoczące, para unosząca się nad filiżanką: precyzyjny szczegół baniek i przekonujący łuk nalewania, dorównujący jakości, którą widzieliśmy u innych dobrze wypadających rodzin w tej samej partii przy tym opartym na fizyce prompcie.

Obraz olejny ożywający. Poproszony o animację obrazu portu — łodzie kołyszące się, chmury płynące, woda marszcząca się — przy zachowaniu grubej faktury pociągnięć pędzla, malarski wygląd utrzymał się przez cały klip zamiast spłaszczyć się do fotografii.

Dźwięk na pisemnym briefie. Przy niczym poza akapitem opisującym deszczowe wyjście ze sklepu convenience, klip wrócił z otoczeniowym deszczem i krokami wygenerowanymi zgodnie z obrazem, na endpoincie, którego schemat nie ma pola, by o to poprosić.

HappyHorse 1.1 czyta akapit dosłownie: najpierw nazwij zachowanie kamery („the camera stays on him”), potem opisz jedną ciągłą czynność fizyczną, a szczegóły stroju czy scenerii oddaj zdjęciu albo referencjom, a nie słowom.

1. Obraz na wideo, jedna jasna instrukcja kamery.

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.

Uruchom ten prompt w HappyHorse 1.1 →

2. Zablokowana kamera i jedna czynność fizyczna.

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

Uruchom ten prompt w HappyHorse 1.1 →

3. Tekst na wideo, jeden akapit, bez zdjęcia referencyjnego.

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.

Uruchom ten prompt w HappyHorse 1.1 →

Słabo: „Kobieta na rowerze.” Nic o zachowaniu kamery, tempie ani świetle, więc model musi wymyślić wszystkie trzy, a wynik się nie powtórzy. Mocno: prompt 2 — jeden ruch kamery, jedno zdarzenie fizyczne, nic innego nie walczy o uwagę modelu.

Nasza skala treści biegnie od L1 Sugestywny (bielizna, zsuwające się ramiączko) przez L2 Częściowy i L3 Mocny do L4 Intensywny (intymna scena między dwojgiem dorosłych) i L5 Ekstremalny, testowany jako dwie osobne próby: dobrowolne krępowanie i gra z bodźcem bólowym oraz kinowe gore.

W obrazie na wideo każdy poziom, który puściliśmy 25 września 2026, wrócił zgodnie z prośbą — L1 do L3, L4 Intensywny i oba typy próby L5 Ekstremalny, bez odmów i niczego złagodzonego. W referencjach na wideo tego dnia wypróbowaliśmy tylko L1 i L3, i oba się wyrenderowały. Tekst na wideo opowiedział inną historię: L1, L2 i L5 Ekstremalny gore wyrenderowały się za każdym razem, ale wszystkie trzy próby L4 Intensywny i obie próby L5 Ekstremalny krępowania zostały odrzucone, a jedna z trzech prób L3 Mocny wróciła złagodzona zamiast pokazana zgodnie z opisem.

Etykieta strony to Bez cenzury dla endpointów obrazu na wideo i referencji na wideo: nie dokładamy tam żadnego własnego filtra treści. Tekst na wideo działa za surowszą linią po swojej stronie — ta różnica nie jest czymś, co my narzucamy, jest wbudowana w to, jak reaguje ta jedna ścieżka. Jeśli twój projekt musi wylądować na najtrudniejszych poziomach z pisemnego briefu, zamiast tego animuj zdjęcie i uzyskaj ten sam wynik przez obraz na wideo.

Jeszcze nie testowaliśmy: referencji na wideo powyżej L3 Mocny; pełnego sufitu dziewięciu obrazów referencyjnych na żadnym poziomie skali treści; scen z dwiema kobietami lub dwoma mężczyznami powyżej L1 Sugestywny.

Tylko dorośli, w każdym prompcie i każdym obrazie referencyjnym. Prawdziwa, rozpoznawalna osoba musi wyrazić zgodę, a do każdego zdjęcia użytego jako referencja albo kadr startowy musisz mieć prawa.

Publiczna historia HappyHorse to historia benchmarku: model pojawił się anonimowo na arenie Artificial Analysis i na chwilę wskoczył na szczyt obu rankingów wideo, zanim zespół ATH Alibaby się do niego przyznał, a aktualizacja 1.1, która nastąpiła, dodała szybszy ruch i stabilniejszą spójność wielu referencji. Niezależny komentarz na jego temat w anglojęzycznych społecznościach deweloperskich jest skąpy, a to, co istnieje, jest podzielone.

Najgłośniejsza wątpliwość pochodzi od co najmniej jednego intensywnego użytkownika wideo AI: argumentując, że metodologia benchmarku Artificial Analysis jest niewiarygodna, jeden komentujący napisał, że ranking „nadal notuje Happy Horse jako dobry model mimo tego, że jest absolutnym śmieciem”. Odpowiedź odparowała równie dosadnie: „masz swoje anegdoty, my za to dane”. Osobny, wcześniejszy wątek podniósł zupełnie inną obawę — że skoro model był osiągalny tylko przez arenę przed publicznym wydaniem, ta niedostępność uczyniła go „ucztą dla naśladowców szukających sposobu na oszukanie ludzi” podrabianymi stronami.

Nasze własne przebiegi lądują bliżej strony „danych” w tym sporze pod względem jakości obrazu i wierności promptowi, a wzorzec odmów, który znaleźliśmy w tekście na wideo, to dokładnie ten rodzaj rzeczy, którego czysty wynik benchmarku i tak by ci nie pokazał.

• Model z publicznymi pozycjami w rankingach do porównania? Vidu Q3 to kolejna opcja obrazu na wideo bez cenzury, wyceniana według rozdzielczości zamiast stałej stawki za sekundę. Nasza recenzja Vidu Q3.
• Taniej, i zaliczył każdy testowany przez nas poziom? MiniMax H3 zaczyna od $0.025 za sekundę i wyrenderował każdy poziom skali treści w naszych własnych testach na trzech drogach wejścia.
• Dłuższe ujęcie, które musi trzymać się scenariusza? Seedance 2.5 utrzymuje 30-sekundowy scenariusz albo dużą obsadę referencyjną, od $0.2773 za sekundę w 720p.
• Bez cenzury 30-sekundowe klipy z dźwiękiem z tekstu, zdjęcia albo referencji? Wan 3.0, od $0.045 za sekundę, zaliczył każdy testowany przez nas poziom na każdym zadaniu.