反超Seedance 2.0！RunningHub发布增强版H3，1秒只要0.1 元

7月底MiniMax H3开源的时候，Artificial Analysis视频编辑榜Elo 1130分。

直冲全球第一，社区一片叫好。

不得不说，H3底子确实好。

但真拿去做量产，短板也在：多镜头一长，角色开始走样；商品多拍几组，轮廓就说不准；十几个镜头连着跑，后面越来越不像同一部片子。

从「跑得通」到「生产能用」，差的那一段是工程。

现在这段被补上了。

9月29日，RunningHub发布H3 RH Enhanced，一个基于MiniMax H3开源基座做深度后训练的增强模型。

RunningHub是海马云旗下的一站式全能创作平台，是目前全球最大的AIGC开发者创作者社区，聚集了500万以上专业创作者，覆盖140多个国家和地区。

通过 2000 组实测，H3 RH Enhanced 多镜头长时序叙事能力显著优于 Seedance2.0，整体表现直追 seedance2.5。

一秒一毛钱即可直接产出成片，降低成本。

这意味着，一个开源后训练模型，做到了闭源的效果。而成本仅为同等效果闭源模型的十分之一。

H3 RH Enhanced已经登陆 MiniMax ，面向全球B端创作者进行公开调用。现在可以在RunningHub平台上限时免费体验。

体验链接：

rhTV：

https://rhtv.runninghub.cn/projects?inviteCode=sn3gnlj9&model=484

RHSTORY：

https://story.runninghub.cn/ai-comic

2000组盲测

多镜头叙事显著优于Seedance 2.0

1 秒只要 0.1 元

发布会上的Demo都好看，问题是真实场景什么样。

RunningHub这次的评测是按业务场景铺开的：人物连续特写、多场景转场运镜、多角色互动、16镜头以上完整叙事，四类各500组，合计2000组对照样本，横向拉齐当前主流模型。

结果里最关键的一项是多镜头长叙事：8到16镜连续生成，人物身份一致性、场景元素留存、指令约束留存三项指标，RH Enhanced全部显著领先Seedance 2.0。

来看几条实测。

先看一条15秒的赛博机车追逐。 同一张参考图、同一段14镜提示词，分别喂给RH Enhanced和Seedance 2.0，480P直出，音频由模型自己生成，不做任何针对性调参。

RH Enhanced这边，两辆车从起跑到冲线一直是参考图里那两辆，07号黑橙、12号白蓝，号码牌没糊过、没换过。

女主换了正面、背后、双人特写、终点定格四种机位，始终是同一张脸、同一套带橙色肩甲的机车服，背景城市也没跑偏。

声音跟画面一起生成出来：起跑前近乎安静，弹射那一拍轰鸣骤起，进隧道声画同时压暗，出隧道一起拉起。

RH Enhanced生成

Seedance 2.0单帧画质不差，护目镜里的倒计时甚至更贴提示词。

但镜头一多就松了：第4镜两辆车变成Tron风格的光环轮，已经不是参考图那款车；第5镜航拍直接换了一座城，广告牌全没了，还有明显穿模；第6镜女主的机车服从装甲款退成了普通皮衣。

不算崩，但已经不是同一部片子。

Seedance 2.0生成

十个镜头之后，RH Enhanced还认得参考图，Seedance 2.0开始凭印象重画。

再看一条电商的。 电商最怕的不是画面不美，是商品变样。

这条15镜香水片，RH Enhanced全程瓶子都是参考图那一只：方正厚玻璃、满瓶琥珀液、黑盖金环，ORBIT 07标识没漂过。

模特穿过沙漠、雨夜橱窗、电梯、天台，同一张脸、同一件黑丝绒礼服。

RH Enhanced生成

Seedance 2.0同样精致，但电梯那镜，瓶子悬在了掌心上方。

Seedance 2.0生成

极端长场景：人物崩坏率降低60%以上。

16镜往上，Seedance 2.0的角色遗忘开始集中爆发，前面还好好的女主角，后面突然换了张脸，衣服变了，道具丢了。RH Enhanced在同等条件下，这类崩坏砍掉了六成以上。

我们拿两条18镜的片子试了试。

18镜、五个世界，考的就是模型记不记得她是谁。

RH Enhanced从雨巷、沙漠、雪林、地铁到空间站再回雨巷，四次正面特写是同一张脸，黄雨衣一直敞着帽、红伞一直在手、黑包一直斜挎。第1镜埋下的街角时钟，第16镜回来还挂在原处。

RH Enhanced生成

Seedance 2.0开场和结尾都不差，最后回眸那帧很像参考图。

但中段崩了：雨巷里帽子戴着，到雪林就摘了；更要命的是红伞，从雪林奔跑、进地铁到整段空间站漂浮，将近4秒、3个镜头里伞直接不见了，到舱门那镜才重新出现——

而提示词里「红伞、黑包、雨衣同时漂浮」恰恰是这段要测的东西。

Seedance 2.0生成

另一条18镜的东方奇幻，两个人加一只灵兽，三个主体得同时在线。

RH Enhanced很稳：女剑仙的白发、额心红印从特写到收尾是同一张脸，剑没离过手；黑甲将军有正面近景，脸、盔甲、披风、长枪都对得上参考图；灵兽每次出现都是同一只鹤。

最难的最后一镜也守住了：天宫半塌、碎石还在掉，女主和鹤在桥头，将军在远处残阶，三者位置一眼清楚。

RH Enhanced生成

Seedance 2.0画面同样华丽，但将军的近景只有盔甲没有脸；收尾天宫大门完好无损，「半塌」没发生。

Seedance 2.0生成

RH Enhanced能在长叙事上拉开差距，靠的是一套自研的RH长程记忆引擎。

普通模型的记性像一扇滑动的窗，镜头一多，第1镜那张脸就被挤出窗外了。

长程记忆引擎干的事，是在模型架构层面把跨帧信息钉住，让第14镜还记得第1镜的五官、服装和道具，不靠后期修补。

上线以来，RH Enhanced日均生成接近100万秒视频，相当于每天6.7万条15秒短视频，或者3300多集5分钟短剧。

RunningHub后训练做了什么

五层工程改造

让H3在量产场景更稳更快更省

RunningHub这次动的不只是权重。

从后训练、分辨率适配、采样策略、推理引擎到服务调度，五层一起改，每一层对应量产里一个绕不过去的问题。

第一层：场景定向后训练——把短剧、电商、漫剧的业务约束练进模型里。

H3基座管的是通用能力，什么都能做。

但短剧里人物频繁换装换场，电商里商品轮廓和材质一点不能变，漫剧里动作要连贯不能断，这些垂直场景各有各的细规矩，需要单独练。

RunningHub基于H3的单流Omni-Transformer架构和MM-RoPE多模态位置编码，给RH Enhanced搭了一条「场景SFT → 一致性优化 → 少步蒸馏」的训练链路。

训练数据是RunningHub围绕短剧、电商、漫剧三类真实业务构建的，每条样本都标清楚哪个是参考素材、哪个是目标人物、镜头指令指向谁。

训练时盯死四件事：人不换脸、有参考图就要像、动作做完整、运镜不乱跳，正是废片率最高的四种情况。再加上长程记忆引擎在跨帧维度上的增强，就有了前面16镜以上崩坏率下降60%的结果。

第二层：分辨率感知适配——训练分布对齐实际交付规格。

短剧、电商、漫剧的成片有自己的交付规格，跟模型默认的训练分辨率并不一样。

RunningHub按宽高比、帧数、时长给训练数据分桶，让分布直接贴着交付规格走；再做区域加权，人脸、商品轮廓、服饰结构这些决定「能不能用」的地方权重拉高，背景适当放宽。

结果是视觉Token更短、算力更省，但该清楚的脸和商品依然清楚。出来的就是成片，直接进剪辑时间线。

第三层：少步蒸馏——把几十步的质量压进几步。

视频生成本质上是从噪声一步步迭代成画面，H3默认要跑几十步，每步都是一轮完整的Transformer前向。

RunningHub用「教师—学生」式轨迹蒸馏：教师跑完整采样，学生不只学最终结果，还学教师在每个阶段的速度场方向和终点重建目标，把多步才有的质量压进少步模型里。

步数也不是一刀切，静态镜头、对话戏少给几步，大幅运动、多参考素材的镜头多给几步。

第四层：注意力与缓存协同加速——让每一步算得更快。

推理执行层，RunningHub叠了三项技术。

SageAttention2对注意力矩阵做离群值平滑和细粒度低精度运算，不丢精度地提高吞吐。

Cache-DiT是RunningHub自研的Dual Block缓存，相邻采样步之间DiT中间层特征变化不大，全部重算是浪费，它按特征变化幅度决定哪些模块复用、哪些重算，首尾模块保留实时计算，中间按阈值复用残差，并设连续复用上限防止误差累积。

torch.compile把计算图编译成融合算子，减少Python层和显存之间的来回搬运。

多卡用TP2+Ulysses4混合并行，张量并行切权重，Ulysses切长序列注意力。这个组合专门适配PCIe连接的普通多卡环境，不需要NVLink，京东上能买到的RTX级服务器就能跑。

第五层：批量服务调度——一万条一起跑，成本才压得下来。

前四层解决单条视频怎么又快又好，但量产面对的是一天几十万条。

单条再快，GPU利用率上不去、任务调度不合理、显存碎片化，综合成本照样下不来。

RunningHub的服务层把输入形状相近、采样配置兼容的任务自动分桶组batch；高频配置做参数预热和编译缓存复用，省掉冷启动；再按任务队列的实时负载在多台服务器间调度。

考核的不是一条视频几秒生成，而是GPU时间、合格成片率和批量吞吐一起算，落到每条合格成片的交付成本上。

算下来，一秒一毛钱。

海马云十年GPU工程底子，加速和超分同步就位

五层改造讲起来清楚，做起来要的是从训练到推理内核到集群调度的全栈GPU工程能力。

RunningHub的母公司海马云做了十年云渲染，国内60多个边缘节点，3000万以上月活，8到10毫秒的实时云游戏。

十年云渲染真正留下的，是大规模异构GPU集群的运营和调度经验：型号不一的卡怎么统一管，怎么让每一张都跑满，推理优化怎么压进链路里。

这套经验迁移AI推理上是通的。

云渲染的高峰集中在晚上10点以后，AI推理的高峰在早9点到晚6点，两种负载刚好错峰，实现渲推一体。同一批GPU白天推理、晚上渲染，利用率拉满，成本自然摊薄。

所以RH Enhanced对外交付的也不只是一份权重，而是后训练模型、算力和服务打包在一起的整套方案，客户拿到手就能跑。

这也是它跟同赛道其他平台的最大差别。

大多数AI视频平台做的是模型聚合，把各家API接进来供用户调用；RunningHub做的则是模型工程化改造，从权重层面一直改到服务层面。

要理解RunningHub为什么肯把手伸这么深，得先看清一件事：模型本身正在不紧缺。

开源基座一个接一个，各家能力越拉越近，很多场景下调哪个、编排谁，出来的东西差不了多少。

真正的差距往两头走了。往下，是能不能把GPU规模化地运营起来、把推理成本打下来；往上，是能不能通过后训练和私有部署，把一个行业的知识变成模型自己的本事。两头都拿住的，才站得稳。

海马云就是按这个思路：五层能力栈，中间用一个数据闭环转起来。

最底下是算力层。上面说的异构GPU调度、渲推错峰，都在这一层，RH Enhanced的推理加速和批量调度也落在这里。

往上是模型层，管三件事：后训练、模型本身、编排。海马云不从零训通用大模型，一头是像RH Enhanced这样拿开源基座做后训练，另一头是把全球主流模型统一编排起来：哪个场景该上贵的，哪个场景用性价比高的就够，怎么按业务需求组合调度。这个能力在RunningHub上看得最直接。

再往上是Harness执行层，给模型装上手和脚。模型自己只会吐文字、出图片，Harness让它能接住一整条业务链路，真正在流程里干活。落到RunningHub上，就是那套工作流和Agent引擎。

第四层是数据层，护城河最深的一层。RunningHub上每天产生上万条专业工作流，这些真实业务行为被沉淀成专家轨迹条件示范数据集，再转成垂类知识库。

应用跑出数据，数据反哺Harness和模型，模型变强，应用更好，再跑出更多数据——一个自己转起来的闭环，实现递归自我进化，外面很难照抄。

最上面是应用层，对外就三种形态：API、SDK、带界面的App。RunningHub就是这套能力栈跑通的验证：工作流、AIGC应用市场、可视化画布、API服务，全链路都走了一遍。

模型能力在商品化，壁垒往两头走：底下是把算力成本打下来，上面是把行业知识变成模型自己的能力。海马云两头都在做。

所以它推出来的不是一个模型，是一套。

此前开源的RH Lightning把H3推理提速12倍，5秒视频从349秒压到29秒，方案完整公开在GitHub上；近期发布的RH Upscale视频超分，在含火山引擎方案在内的13个参测配置中综合性能第一，Ultra模式人脸视频得分行业最优。

Lightning管速度，Enhanced管出片，Upscale管画质：RH Enhanced出成片，要1080P的再过一遍Upscale。

从生成到加速到画质增强，一条完整的AIGC视频工业管线在RunningHub平台内闭环。

还有一个信号：RH Enhanced已经获得MiniMax官方认可，上架MiniMax官网面向全球调用。基座厂商给第三方后训练方案背书，这在行业里不常见。

模型够用只是第一步

能接进生产工作流才算数

现在做AI短剧、电商视频、漫剧的团队，卡住他们的早就不是画质。

而是多镜头一拉长角色就飘、废片率高到算不过来账；是自己部署开源模型运维比API还贵，用闭源API效果好但月底账单吃不消。

RH Enhanced要解决的就是这两个数字：崩坏率和每秒成本。

多镜头稳到能批量生产，价格低到小团队用得起，打开平台就能调，不用自己伺候120GB显存的机器。

参数翻倍、榜单登顶当然更好看，但AI视频要从热点变成基础设施，得先把这两个数字打下来。

文章来自于微信公众号 “新智元”，作者 “新智元”