阿里出了匹"黑马"，直接跑进了全球第一

视频编辑这个赛道，阿里悄悄放了个大招。

2026年4月15日，LM Arena公布了最新Video Edit（视频编辑）方向的排行榜。阿里巴巴ATH事业群旗下的happyhorse-1.0以1299分的Elo评分直接干到了全球第一，把Grok等一票国际主流模型踩在脚下。

注意，这还是中国团队第一次在这个评测方向上拿到第一。

可能有些朋友对LM Arena不太熟悉，这是一个在AI圈子里非常权威的评测平台。

它的核心机制是盲测对比。简单说就是把两个模型生成的视频/图片藏起来，让用户不知道哪个是哪个模型做的，然后让用户投票选更喜欢哪个。通过大量用户投票，再用Elo评分体系给模型打分排名。

这种方式的好处是非常接近真实用户的偏好——不是看论文里的指标数据，而是看实际视觉效果。因为你吹得再厉害，不如用户用脚投票。

所以happyhorse-1.0这个第一，含金量是实打实的。

happyhorse-1.0隶属于阿里巴巴新成立的ATH（Alibaba Token Hub）事业群，内部代号Alibaba-ATH。这是阿里在AI大模型领域的一支新力量，低调但凶猛。

这个模型主打三个能力：

视频里的人脸、皮肤质感、发丝细节这些要素，处理得比较到位。不像某些模型，一遇到人脸就开始崩——要么皮肤质感像塑料，要么表情僵硬得不像真人。happyhorse-1.0在人像这块的进步，是它能从一堆模型里脱颖出的关键因素之一。

肢体动作、面部表情的连贯性做得不错。视频这东西和图片不一样，帧与帧之间的连贯性非常重要。之前很多模型生成的视频，动作稍微复杂一点就出现"断片"——人突然跳帧、手脚抽搐。happyhorse-1.0在动态控制上的表现，让生成结果更像是一个连贯的视频而不是一系列静态图的拼接。

这是最核心的能力——可以根据指令对视频内容进行无缝修改和重塑。比如你让它"把背景从室内换成海边"，它不是简单地给你贴一个海边的图上去，而是能比较自然地把背景元素替换掉，保持前景人物的合理遮挡关系和光影一致性。

这种"精准编辑"能力，和单纯的"生成一段视频"是完全不同的技术层次。它需要模型理解视频的时空结构，理解什么元素可以改、怎么改才自然。这也就是为什么行业里说视频AI正在从"能生成"走向"能精修"。

实际上，HappyHorse系列之前已经在另一个权威平台Artificial Analysis的Video Arena上秀过了。

在匿名测试阶段，这个系列就直接登顶了文生视频（Text-to-Video）和图生视频（Image-to-Video）双赛道。当时踩在脚下的包括字节跳动的Seedance 2.0、快手的可灵3.0、Google的Veo3 Fast等一系列国内外头部模型。

换句话说，阿里这次不是偶然爆冷，而是持续性地在视频生成这个领域输出。从文生视频到图生视频再到视频编辑，三个赛道都证明了实力。

这里有必要聊聊阿里这个新成立的事业群。

ATH（Alibaba Token Hub）是阿里巴巴新成立的AI大模型相关部门，专注于多模态大模型的研发。从公开信息来看，这个团队做的事情包括文本、图像、视频等多个模态的生成和理解。

有意思的是，这个团队在公开场合的声量并不高，不像一些公司到处开发布会。但从结果来看，技术实力和产出都很扎实。这可能也是一种策略——闷声搞技术，用产品说话。

聊几个我的观察：

第一，视频AI的价值正在从"展示"转向"实用"。

以前大家拼的是能不能生成一段视频，生成出来了不管质量怎么样，先发个社交媒体"你看AI能画视频了"。但现在不一样了——行业更看重的是AI能不能真正帮到实际工作流程。

视频编辑就是一个典型场景。广告公司要改一条片子里某个元素的背景，短视频创作者要给已有素材换个风格，电影后期要做一些元素替换——这些才是真正能产生商业价值的需求。

happyhorse-1.0在编辑能力上的突破，踩中的就是这个趋势。

第二，中国AI正在从"跟随"变成"引领"。

过去几年，AI领域的主流玩家主要是OpenAI、Google、Meta这些美国公司。中国公司更多是"追赶者"的角色——别人出了什么新模型，我们赶紧对标。

但从最近一年的趋势来看，中国团队在某些垂直领域开始冒头了。视频生成是个典型的例子——快手的可灵、阿里的happyhorse、字节的Seedance，这些模型在国际权威评测上的表现已经不输甚至超过国际对手。

第三，竞争重心正在向垂直场景迁移。

全球AI视频产业的竞争，正在从"通用生成能力"转向"垂直作业场景"。谁能把技术落地到真实工作流里，解决具体问题，谁就有可能抢到下一波红利。

这对中国团队来说是个机会——中国市场有大量短视频、直播、广告营销的从业者，对视频AI有真实的痛点需求。把这些问题解决好了，不愁没有市场。

文章来源：AITOP100