Review do HappyHorse 1.1: uma imagem entra, o som vem de graça

Não publicamos quadros das nossas execuções da escala de conteúdo; relatamos os resultados em texto. Em vez disso, aqui está o que vimos no lote de comparação do mesmo dia, onde o HappyHorse 1.1 rodou os mesmos prompts idênticos que uma dúzia de outras famílias de imagem para vídeo e texto para vídeo.

Um gato saltando para uma estante. Pedido para se agachar, se contorcer e saltar para a segunda prateleira, o HappyHorse 1.1 manteve a câmera travada e fez o gato pousar limpo, sentado ereto e de frente para a lente — sem patas derretidas, sem prateleira mudando de ângulo entre os quadros, um problema que vimos em alguns dos níveis mais caros do mesmo lote.

Um sorriso genuíno, câmera parada. Num close em que uma mulher "aos poucos abre um sorriso genuíno e inclina levemente a cabeça", a expressão se construiu naturalmente e o fundo ficou parado — sem deslize na cor da cortina ou na luz atrás dela, algo que atrapalhou pelo menos um rival nesse exato prompt.

Um florescimento de café coado. Água caindo no filtro, grãos de café espumando e borbulhando, vapor subindo da xícara: detalhe fino de bolhas e um arco de despejo convincente, igualando a qualidade que vimos de outras famílias com bom desempenho no mesmo lote nesse prompt cheio de física.

Uma pintura a óleo ganhando vida. Pedido para animar uma pintura de porto — barcos balançando, nuvens indo embora, água ondulando — mantendo a textura espessa das pinceladas, o visual pictórico se manteve durante o clipe inteiro em vez de achatar até virar fotografia.

Som num briefing só de texto. Dado nada além de um parágrafo descrevendo a saída chuvosa de uma loja de conveniência, o clipe voltou com chuva ambiente e passos gerados para combinar com o visual, num endpoint cujo esquema não tem campo para pedir isso.

O HappyHorse 1.1 lê um parágrafo ao pé da letra: nomeie o comportamento da câmera primeiro ("a câmera fica nele"), depois descreva uma única ação física contínua, e deixe qualquer detalhe de figurino ou cenário para a imagem ou as fotos de referência, não para as palavras.

1. Imagem para vídeo, uma instrução de câmera 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.

Rodar este prompt no HappyHorse 1.1 →

2. Uma câmera travada e uma ação física.

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

Rodar este prompt no HappyHorse 1.1 →

3. Texto para vídeo, um parágrafo, sem imagem de referência.

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.

Rodar este prompt no HappyHorse 1.1 →

Fraco: "A woman on a bike." Nada sobre comportamento de câmera, ritmo ou luz, então o modelo tem que inventar os três e o resultado não vai se repetir. Forte: prompt 2 — um movimento de câmera, um evento físico, nada mais competindo pela atenção do modelo.

Nossa escala de conteúdo vai de L1 Sugestivo (lingerie, uma alça escorregando) passando por L2 Temas maduros e L3 Forte até L4 Intenso (uma cena íntima entre dois adultos) e L5 Extremo, testado como duas provas separadas: contenção consensual e jogo de impacto, e gore cinematográfico.

Na imagem para vídeo, cada nível que rodamos em 25 de setembro de 2026 voltou como pedido — L1 até L3, L4 Intenso, e os dois tipos de teste de L5 Extremo, sem recusas e nada suavizado. Na referência para vídeo só tentamos L1 e L3 naquele dia, e os dois renderizaram. O texto para vídeo contou uma história diferente: L1, L2 e o gore de L5 Extremo renderizaram todas as vezes, mas as três tentativas de L4 Intenso e as duas tentativas de contenção de L5 Extremo foram recusadas, e uma de três tentativas de L3 Forte voltou suavizada em vez de escrita.

O rótulo da página é Sem censura para os endpoints de imagem para vídeo e referência para vídeo: não adicionamos nenhum filtro de conteúdo próprio ali. O texto para vídeo fica atrás de uma linha mais rígida por conta própria — a diferença não é algo que impomos, está embutida em como esse único caminho responde. Se seu projeto precisa chegar aos níveis mais rígidos a partir de um briefing escrito, anime uma imagem em vez disso e chegue ao mesmo resultado pela imagem para vídeo.

Ainda não testado: referência para vídeo acima de L3 Forte; o teto completo de nove imagens de referência em qualquer nível da escala de conteúdo; cenas de duas mulheres ou dois homens acima de L1 Sugestivo.

Só adultos, em cada prompt e em cada imagem de referência. Uma pessoa real e identificável precisa ter consentido, e você precisa dos direitos de cada foto usada como referência ou quadro inicial.

A história pública do HappyHorse é uma história de benchmark: o modelo apareceu de forma anônima na arena da Artificial Analysis e chegou brevemente ao topo dos dois rankings de vídeo antes de a equipe ATH da Alibaba reivindicá-lo, e a atualização 1.1 que veio depois acrescentou movimento mais rápido e consistência mais firme entre várias referências. Comentários independentes sobre ele em comunidades de desenvolvedores em inglês são escassos, e o que existe é dividido.

A dúvida mais alta vem de pelo menos um usuário pesado de vídeo por IA: argumentando que a metodologia de benchmark da Artificial Analysis não é confiável, um comentarista escreveu que o ranking "continua classificando o Happy Horse como um bom modelo apesar de o modelo ser um lixo absoluto". Uma resposta rebateu na mesma medida: "temos suas anedotas, e, por outro lado, temos dados." Uma thread separada e anterior levantou uma preocupação totalmente diferente — que, como o modelo só era acessível pela arena antes do seu lançamento público, essa escassez fez dele "um banquete para golpistas que buscam enganar as pessoas" com sites falsos parecidos.

Nossos próprios testes ficam mais perto do lado dos "dados" desse argumento em qualidade de imagem e aderência ao prompt, e o padrão de recusa que encontramos no texto para vídeo é exatamente o tipo de coisa que uma pontuação de benchmark pura não mostraria de qualquer jeito.

• Um modelo com posições em rankings públicos para conferir? Vidu Q3 é outra opção só de imagem para vídeo sem censura, com preço por resolução em vez de uma taxa fixa por segundo. Nossa review do Vidu Q3.
• Mais barato, e liberou cada nível que tentamos? MiniMax H3 começa a partir de $0.025 por segundo e renderizou cada nível da escala de conteúdo nos nossos próprios testes, pelas três formas de entrada.
• Uma tomada mais longa que precisa seguir o roteiro? Seedance 2.5 segura um roteiro de 30 segundos ou um grande elenco de referências, a partir de $0.2773 por segundo em 720p.
• Clipes sem censura de 30 segundos com som a partir de texto, uma imagem ou referências? Wan 3.0, a partir de $0.045 por segundo, liberou cada nível que rodamos em toda tarefa.