HappyHorse 登顶全球第一：这匹"快乐小马"凭什么碾压 Seedance 2.0？全方位技术拆解与实操指南

快速摘要
2026 年 4 月 7 日，一个名为 HappyHorse-1.0 的 AI 视频生成模型以匿名身份空降全球最权威的 Artificial Analysis Video Arena 盲测排行榜，文生视频和图生视频双榜登顶，Elo 分数大幅领先此前霸榜的 Seedance 2.0。4 月 10 日，阿里巴巴 ATH 事业群正式认领该模型。HappyHorse 采用 150 亿参数、40 层单流自注意力 Transformer 架构，最大亮点是文本、视频、音频三种模态在同一个 token 序列中联合去噪，一次生成即可输出带音效和口型同步的完整视频。 本文由 莫潇羽@源码七号站 整理撰写，将从评测机制、技术架构、部署实操到行业影响进行详细拆解。往下看有更详细的分析——如果你想弄懂这匹"快乐小马"到底强在哪里，这篇文章值得收藏。

一、从天而降的"快乐小马"：事件回顾

2026 年的 AI 视频生成赛道原本就已经热闹非凡。OpenAI 的 Sora 因为高昂的推理成本在 3 月宣布暂停服务，字节跳动的 Seedance 2.0 趁势上位成为行业新标杆，快手的可灵 3.0 也在持续迭代。就在大家以为格局已经基本确定的时候，4 月 7 日深夜，Artificial Analysis 平台在社交媒体上发了一条简短的通知：Video Arena 新增了一个化名提交（pseudonymous）的视频模型，代号 HappyHorse-1.0。

没有发布会，没有技术博客，没有任何机构署名。48 小时之后，这个模型的 Elo 积分冲到了文生视频赛道的将近 1389 分、图生视频赛道的 1403 分，双双登顶。它和第二名 Seedance 2.0 之间的分差在无音频赛道上达到了 100 多分——这个差距意味着在盲测中，用户几乎是"压倒性地"更偏好 HappyHorse 的生成结果。

全网瞬间炸锅。X 平台上，网友 Brent Lynch 率先发帖猜测"HappyHorse 到底是谁"，引发了一场大规模的"全网破案"。有人注意到官网的语言排序——普通话和粤语排在英语前面，这在面向全球用户的产品中非常反常，如果是美国团队主导，英语几乎不可能不排在第一位，因此社区很快达成了一个初步共识：这个团队来自中国。

接下来猜测的方向就开始分化了。一部分人认为这是阿里通义万相团队的 Wan 2.7；另一部分人注意到官网留下了 spaceship.com 相关的痕迹，而"spaceship"恰好与快手关联公司的商标重合，于是猜测它出自快手；甚至还有人怀疑是腾讯或者 Grok——因为名字都跟"马"有关（马化腾、Elon Musk），虽然这个推理逻辑确实有点跳跃。知乎上最热门的问答帖一天之内获得了超过 200 万的浏览量，评论区比技术圈春晚还热闹。

与此同时，资本市场先于所有分析师做出了反应。HappyHorse 消息发酵当天，阿里巴巴港股一度上涨超过 7%，市场显然已经将这匹"快乐小马"与阿里联系在了一起。

4 月 10 日，谜底正式揭晓——阿里巴巴 ATH（Alibaba Token Hub）事业群旗下创新事业部正式认领了 HappyHorse，并表示模型目前处于内测阶段，API 接口预计 4 月 30 日上线。在本文写作时（莫潇羽@源码七号站 整理于 2026 年 4 月中旬），这匹马的正式开放还在进行中，但其技术架构和设计理念已经有了足够多的公开信息可供分析。

二、Artificial Analysis 盲测排行榜：理解榜单的含金量

在讨论 HappyHorse 的具体技术之前，很多朋友可能会问：这个排行榜到底靠不靠谱？HappyHorse 拿第一，含金量到底有多高？这个问题非常关键，因为排行榜的公信力直接决定了我们对模型实力的判断。

2.1 什么是 Artificial Analysis Video Arena

Artificial Analysis 是目前 AI 视频生成领域最具公信力的第三方盲测评估平台之一。它的运作方式借鉴了 UC 伯克利团队创建的 LMArena（原 Chatbot Arena）那套经典的"匿名对战"机制——只不过评测对象从文本大语言模型换成了视频生成模型。

具体流程是这样的：平台会给用户展示同一个提示词（prompt）下两个不同模型生成的视频片段，但用户完全不知道哪个视频来自哪个模型。用户只需要凭自己的直觉判断——左边好还是右边好？投票结束之后，系统才会揭示两个模型的身份。

这种"先投票、后揭秘"的盲测机制有一个天然的优势：它测的不是实验室里的技术参数，而是真实用户的真实感知偏好。你的 FID 分数再低、CLIP 对齐度再高，如果用户在盲测里就是觉得另一个模型的视频更好看、更自然，那你就是输了。

2.2 Elo 评分系统简介

排行榜采用的是基于 Bradley-Terry 模型的 Elo 评分体系。Elo 评分最早由匈牙利裔美国物理学家 Arpad Elo 发明，用于国际象棋选手的实力排名，后来被广泛应用到电子竞技、足球、篮球等各类竞技领域。它的核心逻辑可以用一句话概括：每个选手（模型）都有一个代表实力的数值，赢了涨分、输了扣分，分差越大说明实力差距越大。

在 AI 评测的语境下，它的工作方式是：

假设模型 A 的当前评分为 (R_A)，模型 B 的评分为 (R_B)，那么模型 A 在一次对比中获胜的期望概率为：

[

E_A = \frac{1}{1 + 10^{(R_B - R_A)/400}}

]

如果模型 A 的评分比 B 高 100 分，理论上 A 在 8 次对比中预计会赢 5 次（约 64%）；高出 200 分，则大约 4 次中赢 3 次（约 75%）。HappyHorse 在无音频文生视频赛道领先 Seedance 2.0 超过 100 分，这意味着在随机的盲测对比中，用户选择 HappyHorse 的概率远高于选择 Seedance 2.0。

实际平台使用的是 Bradley-Terry 模型的批量最大似然估计来拟合分数，并通过 1000 次 bootstrap 重采样计算 95% 置信区间——这比原始的逐场更新 Elo 更稳定也更精确。

为了帮大家建立一个直观的感受，莫潇羽在这里做一个类比：如果你玩过英雄联盟或者 Dota 2 的排位赛，系统在幕后给你匹配对手用的就是类似的 Elo 机制。一个白银段位的玩家和一个钻石段位的玩家之间的分差，大致就对应着 AI 排行榜上 100-200 分的差距——差距大到"正常情况下几乎不可能翻盘"。这也是为什么 HappyHorse 在无音频赛道上超过 100 分的领先幅度如此引人注目的原因。

值得一提的是，Artificial Analysis 平台还采用了去重机制来过滤重复或低质量的投票。例如，过于简单的提示词（如反复提交"你好"）会被识别并排除，以确保榜单数据反映的是有意义的对比结果。这些措施进一步增强了排行榜数据的可信度。

2.3 HappyHorse 的具体榜单成绩

根据 Artificial Analysis 平台截至 2026 年 4 月中旬的数据，HappyHorse-1.0 的成绩如下：

几个关键看点值得我们注意。第一，在纯视频质量的比拼中，HappyHorse 的优势非常显著，特别是图生视频赛道的领先幅度几乎刷新了平台历史纪录。第二，一旦加入音频维度，两者的差距就收缩到了几乎可以忽略的程度，这说明在音画同步和音频质量方面，两个模型处于同一水平线。第三，HappyHorse 的对比样本量已经超过 12000 次，已经具备足够的统计显著性。

2.4 榜单的局限性

当然，莫潇羽在这里也要提醒各位读者，榜单成绩不等于实际应用中的完美表现。盲测环境有其固有的局限性：样本分布未必均衡，人像和口播类内容在测试中占比偏高，擅长这类场景的模型天然更容易获得高分；另外，短时长的视频片段对比也无法反映长视频生成的连贯性问题。在实际生产环境中，高分辨率下细节的稳定性、多镜头的一致性、复杂场景的物理合理性等，都是盲测难以完全覆盖的维度。

不过话说回来，在现有的评估体系中，基于真实用户偏好的盲测仍然是最有说服力的评价方式之一——至少比自己跑自己的 benchmark 要可信得多。

三、身份揭秘：HappyHorse 背后的人与组织

3.1 阿里 ATH 事业群正式认领

2026 年 4 月 10 日，阿里巴巴方面正式确认：HappyHorse 是阿里 ATH 旗下创新事业部研发的模型。ATH 的全称是 Alibaba Token Hub，这是阿里在 2026 年 3 月刚刚成立的新事业群，由 CEO 吴泳铭直接负责，覆盖了通义实验室、MaaS 业务线、千问事业部、悟空事业部以及 AI 创新事业部，几乎把阿里现有的 AI 关键拼图全部整合到了同一个框架中。

阿里方面表示，ATH 创新事业部已经启动了一个"AI 时代全新交互方式探索计划"，HappyHorse 是这个探索方向的一部分，后续还会有更多产品陆续推出。API 接口预计在 4 月 30 日上线。

3.2 核心人物：张迪与"可灵之父"的标签

多个信息源将 HappyHorse 与一个关键人物联系在一起——张迪。这个名字在 AI 视频圈分量极重。根据公开信息，张迪 2010 年毕业于上海交通大学后加入阿里巴巴，在阿里妈妈体系内长期负责大数据与机器学习架构。2020 年，他转投快手担任技术副总裁，主导搭建了可灵大模型体系，推出可灵 1.0 和 2.0 视频生成模型，被业内称为"可灵之父"。2025 年短暂加入 B 站后，同年 11 月又重返阿里，出任淘天集团未来生活实验室负责人。

如果传闻属实，张迪回归阿里约 5 个月后 HappyHorse 便登顶了全球排行榜，这意味着一支刚刚重组的团队在半年之内就完成了对行业头部选手的"逆袭"。这个速度即便在竞争激烈的 AI 领域也是相当惊人的。

3.3 技术源头：daVinci-MagiHuman 项目

HappyHorse 的技术并非凭空而来。社区技术分析人员通过比对模型参数规模（150 亿）、架构设计（40 层单流 Transformer）、支持语言列表等信息，发现 HappyHorse 与 Sand.ai 和上海创智学院 GAIR 实验室联合开发的 daVinci-MagiHuman 项目高度吻合。

daVinci-MagiHuman 在 2026 年 3 月底正式开源，采用 Apache 2.0 许可证。Sand.ai 成立于 2023 年，总部在北京，由 Swin Transformer 的第一作者曹越创立，联合创始人张拯同为 Swin Transformer 作者，两人均出自微软亚洲研究院，论文引用量合计超过 11 万次。该公司已完成近 6000 万美元融资，此前发布过全球首个自回归视频生成模型 Magi-1。

合理的推测是，HappyHorse 基于 daVinci-MagiHuman 的开源基座进行了深度优化和迭代，特别是在评测场景下的视觉质量和用户偏好方面做了针对性打磨。

关于"匿名首发"这件事本身，其实在国内 AI 圈已经不是第一次了。2026 年 2 月，一个叫 Pony Alpha 的匿名模型上线 OpenRouter 引发社区广泛讨论，后来被证实是智谱的 GLM-5。HappyHorse 延续了同样的策略——先用匿名身份在权威榜单上"秀肌肉"，制造足够的话题热度和悬念，然后再择时揭秘。这种操作有其精明之处：匿名阶段所有人都在好奇和讨论，关注度远比常规发布高得多；而一旦揭秘，模型已经有了经过第三方验证的"战绩"背书，公信力也比自吹自擂强得多。不过这种策略也有风险——如果揭秘后关注度急剧衰退（Pony Alpha 就出现了这种情况），那前期制造的热度可能只是一场烟花。

关于 HappyHorse 与 daVinci-MagiHuman 之间的具体技术关系，目前还没有官方的明确说明。但从公开信息来看，两者在参数规模、架构设计、支持语言等维度上的一致性非常高，"同源不同版"是社区目前最主流的判断。也有分析认为，HappyHorse 可能是在 daVinci-MagiHuman 的基础上，针对盲测评估的特点进行了专项调优——比如在人物面部纹理的细腻度、镜头切换的流畅度、复杂提示词下人物一致性等感知敏感项上做了重点提升，从而在盲测中获得更高的用户偏好率。

四、核心技术架构：一匹"快乐小马"的肌肉解剖

这是本文最核心的部分，也是 莫潇羽@源码七号站（www.fuyuan7.com） 这篇拆解文的重点所在。HappyHorse 的架构设计确实有不少值得细说的地方，下面我们一层一层来拆。

4.1 单流统一 Transformer：告别"缝合怪"

传统的 AI 视频生成管线通常是一套"缝合"方案：文本理解用一个编码器，视频生成用一个扩散模型（通常是 DiT 架构），音频处理又是另一个独立的子系统。各个模块之间通过 Cross-Attention（交叉注意力）或者其他对齐机制来"拼接"在一起。这种架构虽然各模块可以独立优化，但也带来了一个根本性的问题——模态之间的协调是"后天的"而非"先天的"。

HappyHorse 走了一条不同的路。它采用了一种被称为"单流 Transformer"（Single-Stream Transformer）的架构，核心思想是：把所有模态的 token 全部塞进同一个序列里，用纯自注意力（Self-Attention）来处理。不需要 Cross-Attention，不需要模态专属的融合分支，文本 token、图像 latent、视频 token、音频 token 全部在同一个注意力空间中进行联合去噪。

这种设计的理论优势非常明显：

• 参数效率高：不需要为模态隔离设置冗余参数，所有模态共享同一套权重进行推理。
• 推理路径短：没有跨模态的额外传递环节，计算图更连续，kernel 的执行效率更高。
• 训练目标统一：文本、视频、音频共享同一个损失函数，端到端的优化更加直接。
• 音视频天然同步：声音和画面在同一个 token 序列中生成，同步性是架构级别的保证，而不是后处理的对齐。

为了更清楚地说明这种差异，我们可以把传统的"多流拼接"方案和 HappyHorse 的"单流统一"方案做一个对比。传统方案就像是一个剧组里导演、摄影师、录音师各自独立工作，拍完之后再在后期剪辑室里对齐——画面和声音之间的配合依赖于后期人员的经验和技巧，很容易出现"嘴型对不上""脚步声晚半拍"之类的问题。而 HappyHorse 的方案更像是一个"一人剧组"——同一个人同时构思画面和声音，从创作的一开始就在脑海中将两者融为一体，自然不存在对不上的问题。

当然，"单流"设计也并非没有挑战。把所有模态挤进同一个注意力窗口，意味着序列长度会非常长（文本 token + 视频 token + 音频 token），对 GPU 的显存和计算能力都提出了更高的要求。这也是 HappyHorse 目前需要 H100 级别 GPU 才能运行的原因之一——它不仅仅是模型参数大，更是因为单次推理的序列长度远超传统的纯视频生成模型。

此外，所有模态共享参数虽然提高了效率，但也带来了"模态干扰"的风险——比如音频的训练信号可能会干扰视频生成的质量，反之亦然。HappyHorse 通过前面提到的"三明治架构"和"逐头门控"来缓解这个问题，但这种平衡本身就是一个需要精心调校的工程挑战。

4.2 "三明治"架构：特化与融合的平衡术

虽然是"单流"设计，但 HappyHorse 并没有简单粗暴地让所有层都处理所有模态。它采用了一种被称为"三明治布局"（Sandwich Layout）的分层设计：

输入（文本 / 图像 / 音频）
       ↓
  ┌─────────────────────────────┐
  │  模态专属层（前 4 层）        │  ← 各模态独立的投影与嵌入
  └─────────────────────────────┘
       ↓
  ┌─────────────────────────────┐
  │  共享 Transformer 层（中间 32 层）│  ← 所有模态共享参数，联合推理
  └─────────────────────────────┘
       ↓
  ┌─────────────────────────────┐
  │  模态专属层（后 4 层）        │  ← 各模态独立的解码与输出
  └─────────────────────────────┘
       ↓
输出：视频帧 + 同步音频

前 4 层和后 4 层使用模态专属的投影层（Modality-Specific Projections），分别负责将不同模态的输入编码到统一的表示空间、以及将统一表示解码回各自模态的输出。中间的 32 层则是所有模态完全共享参数的"主干网络"，这里是跨模态融合和推理真正发生的地方。

这种设计的精妙之处在于：它在"完全分离"和"完全共享"之间找到了一个平衡点。完全分离的设计可以保留每种模态的独特特征，但会丧失跨模态协同的优势；完全共享的设计可以最大化模态融合，但又可能导致不同模态之间的干扰。三明治架构让每种模态在进入和离开主干网络时都能保持自己的"个性"，同时在主干部分进行充分的跨模态交互。

4.3 Per-Head 门控机制：稳定多模态训练

多模态联合训练有一个出了名的难题——梯度不稳定。不同模态的学习速率、损失量级、数据分布都可能差异很大，直接联合训练容易导致某些模态"霸占"梯度，其他模态的学习被压制。

HappyHorse 引入了一种逐注意力头门控（Per-Head Gating）机制来应对这个问题。简单来说，每个注意力头（Attention Head）都有一个可学习的标量门控值（Learnable Scalar Gate），用来选择性地调节该注意力头对不同模态的影响强度。如果某个注意力头在某个训练阶段产生了对某种模态过大的梯度，门控值可以自动将其衰减，从而稳定整个训练过程。

这个设计看起来很小，但在实际的大规模多模态训练中，这类"细粒度的梯度控制"往往是决定模型最终表现的关键因素之一。

4.4 无显式时间步嵌入：一种极简的去噪设计

在传统的扩散模型中，去噪过程通常需要将当前的时间步（timestep）作为显式条件注入模型——模型需要知道"我现在处于去噪的第几步"才能正确地估计噪声。HappyHorse 则取消了显式的时间步嵌入，模型直接从输入的 latent 状态中推断当前的去噪阶段。

这种设计进一步简化了模型的架构，减少了需要学习的条件注入通道，也使得整个系统更加"统一"——所有的信息都在 token 序列和自注意力中流动，没有额外的"旁路"。

4.5 DMD-2 蒸馏：8 步出图的秘密

大多数扩散模型在推理时需要经过几十步的迭代去噪，这也是生成速度的最大瓶颈。HappyHorse 采用了 DMD-2（Distribution Matching Distillation 2）蒸馏技术，将去噪步数从通常的几十步压缩到了仅仅 8 步，并且不需要 Classifier-Free Guidance（CFG）。

DMD-2 的核心思想是通过知识蒸馏，让一个"学生模型"学会在更少的步数内达到与"教师模型"（多步去噪）相近的输出质量。蒸馏后的模型在每一步中做出更大的"跳跃"，等效于把多步的细化过程压缩到了少数几步中完成。

用一个通俗的比喻来解释：想象画一幅油画，传统的扩散模型就像是一笔一笔慢慢画，每一笔只添加很少的细节，需要画很多笔（几十步去噪）才能完成。而经过 DMD-2 蒸馏的模型，就像是一个看过无数作品的速写大师——他每一笔就能画出非常丰富的内容，只需要 8 笔就能完成一幅质量相近的作品。这个"速写能力"不是天生的，而是通过大量观察（蒸馏学习）训练出来的。

从技术实现上讲，DMD-2 相比初代 DMD 的改进主要在于更好的分布匹配策略——它不仅让学生模型的单步输出在视觉上接近教师模型的多步输出，还确保了整个输出分布的一致性，从而避免了"虽然每张图看起来都还行，但总体多样性下降"的问题。

不需要 CFG 是另一个重要的优化。在传统的扩散模型推理中，Classifier-Free Guidance 通常要求每一步同时计算条件（有文本引导）和无条件（无文本引导）两次前向传播，然后将两者的差异按一个系数放大——相当于告诉模型"你要更加听从提示词的指引"。这个操作虽然能显著提升生成质量和提示词遵循度，但也直接把每一步的计算量翻了一倍。HappyHorse 的蒸馏方案将 CFG 的效果内化到了模型权重中，在推理时不再需要额外的无条件计算，进一步提升了推理效率。

综合下来，DMD-2 蒸馏 + 去除 CFG 使得 HappyHorse 的推理步数从典型的 50-100 步降低到了 8 步，每步的计算量也减少了约一半，这两个优化叠加带来的加速效果是非常可观的。

下面这张对比表可以帮助大家直观地理解 HappyHorse 与传统扩散模型在推理效率上的差异：

4.6 推理加速全栈：MagiCompiler + Turbo VAE

除了架构层面的蒸馏优化，HappyHorse 还在工程层面做了全栈加速：

• MagiCompiler：这是 Sand.ai 团队开发的专用图编译器，能够对 Transformer 各层之间的算子进行跨层融合（Cross-Layer Operator Fusion），减少中间结果的内存读写开销，在 H100 上可以带来约 1.2 倍的推理加速。
• 隐空间超分辨率：模型采用两阶段流水线——底模先在低分辨率下生成音视频的隐变量（latent），然后在隐空间中直接完成高分辨率细化。这样做的好处是避免了在像素空间中进行超分所需的额外 VAE 编解码开销。音频隐变量在超分阶段也会作为输入继续参与，以保持唇形同步的精度。
• Turbo VAE 解码器：一个经过重新训练的轻量化 VAE 解码器，大幅降低了从隐变量到最终像素的解码开销。

在单张 H100 GPU 上的自报推理速度如下（注意这些是官方数据，尚未经过独立第三方验证）：

如果这些数字属实，那 HappyHorse 在 15B 参数规模的视频模型中，推理速度可以说是相当激进的。

五、多语言音视频联合生成：HappyHorse 的杀手锏

5.1 为什么音视频联合生成很重要

目前大多数 AI 视频生成模型生成的都是"默片"——只有画面没有声音。如果需要配音或者音效，用户需要额外使用独立的音频生成工具，然后手动对齐。这个过程不仅繁琐，而且很容易出现音画不同步的问题。

HappyHorse 最大的差异化亮点正是在于：文本输入，一键输出带音效和口型同步的完整视频。声音不是"后期叠加"的背景音，而是与画面中的动作形成了一致的对应关系。当脚踩到冰面上的时候会听到碎裂的声响，当篮球碰到篮筐的时候会发出金属撞击声，咖啡师倒牛奶的时候可以听到液体流动的声音。

这种效果之所以能实现，归根结底是因为前面讲的单流架构设计——音频 token 和视频 token 在同一个去噪过程中生成，它们之间的协调关系是在生成阶段就确定了的，而不是事后对齐的。

5.2 七种语言的口型同步

HappyHorse 支持 7 种语言的口型同步生成：普通话、粤语、英语、日语、韩语、德语和法语。输入提示词后，模型可以直接生成对应语种的语音内容，并且唇形动作与语音高度匹配。

根据官方公布的评测数据，HappyHorse 的口型同步词错误率（WER）为 14.60%，对比 Ovi 1.1 的 40.45% 和 LTX 2.3 的 19.23%，在开源模型中处于领先水平。在 2000 次成对人工评测中，HappyHorse 对阵 Ovi 1.1 的胜率为 80%，对阵 LTX 2.3 的胜率为 60.9%。

5.3 Enhanced Prompt 系统

为了充分发挥模型在人像场景下的表现力，HappyHorse / daVinci-MagiHuman 设计了一套 Enhanced Prompt 系统。这套系统会自动将用户的简单输入改写为详细的"表演指令"，包括角色外观的描述、面部表情的变化节奏、声音的情感特征以及固定机位的镜头参数等。以下是一个简单的提示词改写示例：

用户输入：
一个穿黄色衬衫的男人说"有的人在一起生活一辈子，还带着假面具呢"

Enhanced Prompt 改写后（节选）：
Main Body: A middle-aged man in a bright yellow button-down shirt, 
seated against a neutral background. He speaks with measured 
deliberation, his brow slightly furrowed as he delivers a philosophical 
observation. Micro-expressions shift from contemplative to subtly 
amused. Medium close-up, static camera, soft fill lighting...

Dialogue: <Male, middle-aged, Mandarin>: 
"有的人在一起生活一辈子，还带着假面具呢"

Background Sound: <No prominent background sound>

这套系统对于提升生成质量非常关键——它把人类日常表达中模糊的创作意图，转化为了模型可以精确执行的"导演指令"。

这里有必要展开说一下为什么这套 Enhanced Prompt 系统如此重要。在实际使用中，普通用户输入的提示词往往非常简短和模糊，比如"一个女孩在笑"——这个描述对于人类来说足够理解画面，但对于模型来说缺少了太多关键信息：女孩的年龄、穿着、发型是什么？她在什么环境中？镜头是近景还是远景？灯光是暖色调还是冷色调？她笑的幅度和节奏如何变化？

Enhanced Prompt 系统本质上是一个"提示词放大器"，它自动将这些模糊的描述扩展为包含数百个精确细节的完整"拍摄脚本"。这个扩展过程本身也是由 AI 完成的——用一个语言模型来理解用户的意图并生成结构化的导演指令。最终传入视频生成模型的不再是那句简单的"一个女孩在笑"，而是一段包含了角色造型、表情节奏、声音情感、镜头参数的完整描述文档。

在实践中，这意味着即使是完全没有影视专业背景的用户，也可以通过简单的自然语言输入获得"专业导演级"的生成效果——前提是 Enhanced Prompt 系统的改写质量足够好。根据社区反馈，这套系统在口播场景下的改写效果最为出色，因为口播场景的结构相对固定（人物+台词+情绪），改写的确定性较高。对于更复杂的叙事场景，自动改写的质量则会打一定折扣，这时候手动编写详细的英文 prompt 仍然是更可靠的选择。

莫潇羽建议初学者可以先从简单的中文描述开始尝试，观察模型的自动改写效果，然后逐步学习英文的镜头语言和场景描述术语，慢慢提升对生成结果的掌控力。

六、本地部署实操指南

对于想要亲手体验 HappyHorse 底层技术的开发者和技术爱好者来说，目前最直接的方式是部署已开源的 daVinci-MagiHuman 项目。以下是莫潇羽@源码七号站为大家整理的完整部署流程，力求对新手友好。

需要特别说明的是，HappyHorse-1.0 虽然已宣布将完整开源（Apache 2.0），但截至本文写作时（2026 年 4 月中旬），其 HuggingFace 仓库（happyhorse-ai/happyhorse-1.0）仅上传了模型卡片（README），尚未发布实际的模型权重文件和推理代码。因此，目前想要亲手体验这套技术架构，实际可操作的路径是部署其底层基座 daVinci-MagiHuman——该项目的权重（包括 base、distill、1080p_sr 等模块，总计超过 120GB）和完整推理代码均已在 HuggingFace（GAIR/daVinci-MagiHuman）和 GitHub 上公开发布，社区也已做出 ComfyUI 适配和 FP8 量化版本。换句话说，你现在能跑起来的是 daVinci-MagiHuman，而非 HappyHorse 本体——两者架构参数高度一致，但 HappyHorse 针对盲测场景做的"增量优化"部分暂未公开。

6.1 硬件要求

这是很多人最关心的问题——跑这个模型需要什么样的硬件？坦率地说，门槛不低。

• 推荐配置：单张 NVIDIA H100 GPU，显存 80GB
• 最低可用配置：NVIDIA A100（80GB 版本），但推理速度会显著慢于 H100
• 消费级显卡：目前官方不支持。社区正在研究 INT4/INT8 量化方案，以及 block-level swap（模型分块加载到系统内存再逐块传入 GPU）等方案，但尚处于实验阶段
• 系统内存：建议 128GB 以上
• 存储空间：模型权重总计约 60-80GB（基础模型 + 蒸馏模型 + 超分模型），建议预留 200GB 以上空间

已经有社区开发者报告，使用 ComfyUI 的 block-level swapping 方案可以在约 6GB 显存的条件下加载模型，但推理速度会非常慢，更多是验证可行性而非实际可用。

6.2 Docker 部署方式（推荐）

Sand.ai 团队提供了预构建的 Docker 镜像，这是最省心的部署方式：

# 拉取官方 Docker 镜像
docker pull sandai/magi-human:latest

# 启动容器
docker run -it --gpus all --network host --ipc host \
  -v /path/to/repos:/workspace \
  -v /path/to/checkpoints:/models \
  --name my-magi-human \
  sandai/magi-human:latest \
  bash

# 进入容器后，安装 MagiCompiler
git clone https://github.com/SandAI-org/MagiCompiler.git
cd MagiCompiler
pip install -r requirements.txt
pip install .
cd ..

# 克隆 daVinci-MagiHuman 代码仓库
git clone https://github.com/GAIR-NLP/daVinci-MagiHuman
cd daVinci-MagiHuman
pip install -r requirements.txt
pip install --no-deps -r requirements-nodeps.txt

6.3 Conda 手动部署方式

如果不使用 Docker，也可以通过 Conda 手动搭建环境：

# 创建 Python 3.12 环境
conda create -n davinci python=3.12
conda activate davinci

# 安装 PyTorch
pip install torch==2.9.0 torchvision==0.24.0 torchaudio==2.9.0

# 安装 Flash Attention (Hopper 架构优化)
git clone https://github.com/Dao-AILab/flash-attention
cd flash-attention/hopper && python setup.py install && cd ../..

# 安装 MagiCompiler
git clone https://github.com/SandAI-org/MagiCompiler
cd MagiCompiler
pip install -e . --no-build-isolation --config-settings editable_mode=compat
cd ..

# 克隆并安装 daVinci-MagiHuman
git clone https://github.com/GAIR-NLP/daVinci-MagiHuman
cd daVinci-MagiHuman
pip install -r requirements.txt
pip install --no-deps -r requirements-nodeps.txt

如果需要使用 1080p 超分辨率功能，还需要额外安装 MagiAttention：

git clone --recursive https://github.com/SandAI-org/MagiAttention.git
cd MagiAttention
git checkout v1.0.5
git submodule update --init --recursive
pip install -r requirements.txt
pip install --no-build-isolation .

6.4 下载模型权重

从 HuggingFace 下载完整的模型权重：

# 安装 huggingface_hub CLI（如未安装）
pip install huggingface_hub

# 下载模型
huggingface-cli download GAIR/daVinci-MagiHuman --local-dir /models/davinci-magihuman

下载完成后，需要更新 example/ 目录下各个配置文件（config.json）中的模型路径，使其指向本地的模型目录。

6.5 运行推理

配置完成后，可以通过以下命令进行推理：

文生视频模式（只提供 prompt，不提供图片）：

python run.py --config example/t2v/config.json \
  --prompt "