15秒视频，54秒生成！AI视频创作的“等待焦虑”，被RunningHub这套开源方案治好了

智东西（公众号：zhidxcom）




作者 |  杨京丽




编辑 |  李水青

智东西9月11日报道，上个月，MiniMax开源通用视频模型


MiniMax H3


。在第三方评测平台Artificial Analysis上，该模型一度


登顶有声视频编辑榜榜首


，Elo得分达到1130。凭借开放权重、视频生成质量和性价比，H3很快在开发者社区


内衍生出大量适配和新玩法


。

模型开源解决了“能不能部署”的问题，但距离真正真正进入创作流程，中间还有一道


速度门槛


。对于需要反复调整画面的创作者来说，生成速度直接影响创作节奏。

针对这一痛点，RunningHub近期推出并开源了H3视频生成加速方案


H3 Lightning


。在一组5秒视频生成对照测试中，RunningHub将H3的生成耗时


从348.8秒缩短至28.7秒


，整体推理速度达到基础方案的约


12倍


，等待时间减少约


92%


。

目前，相关技术方案和复现说明已经在GitHub公开。有多卡设备的用户可以参考方案进行


本地部署


，没有设备的普通创作者也可以


直接在RunningHub上使用


。

项目开源地址：

一、5秒视频不到半分钟生成，等待时间减少92%

H3开源后迅速受到创作者关注，但实际部署后，一个问题随之显现：模型权重虽然可以下载，生成速度却依然影响使用体验。

在RunningHub的一组对照测试中，测试环境配备


4张NVIDIA RTX 6000D


专业显卡，生成一段5秒、1344×768分辨率的视频。采用BF16基础方案，完成这一过程需要50步，耗时348.8秒，


接近6分钟


。

RunningHub首先引入


RH后训练加速模型


，将生成步数


从50步压缩至9步


，用更少的计算轮次完成视频生成。在这一配置下，生成耗时


缩短至60秒


，速度达到基础方案的


5.8倍


。

在此基础上，RunningHub进一步


叠加算子和编译优化


，将生成耗时继续压缩至


28.7秒


。相较基础方案，整体推理速度


提高约12倍


，等待时间


减少约92%


。

为验证这一能力，智东西也在RunningHub平台进行了测试，我们先让H3生成了一段


5秒的视频


，内容是一只流浪猫吃猫粮，平台用时


28秒


完成生成，整体过程较为流畅。

▲5秒视频生成用时28秒（生成过程经倍速处理）

随后，我们提高测试难度：


将视频时长增加到15秒


，让模型生成一段发生在高级餐厅的都市短剧，角色变多、还加上了台词。

▲15秒视频生成用时54秒（生成过程经倍速处理）

这段视频用时


约54秒完成


。视频中，一名身穿红裙、披着西装的女子带着两名保镖愤怒地冲进餐厅，宣布“在场的所有人，一个都不许走”，现场气氛迅速变得紧张。实测来看，画面整体完成度较高，角色


动作衔接自然


，


人物表情


能够配合情节变化，


台词、口型与画面基本匹配


，声音也较为清晰，很有短剧的感觉。

除了文生视频，RunningHub这套加速方案还可用于


多参考图视频生成


。在另一组测试中，RunningHub使用


8张RTX 6000D


显卡，以4步生成15秒、768×1344分辨率的竖屏视频。其中，文生视频耗时约


48秒


，根据两张参考图生成视频耗时约


73秒


。

值得注意的是，H3 Lightning在提高速度的同时兼顾生成效果，


仍保留BF16数值精度


，且各项配置均经过组合测试和画质验收。

生成时长缩短，意味着创作者可以更快看到生成结果、调整提示词并尝试下一个版本。对于依赖反复迭代的AI视频创作，单次等待时间的缩短，最终会转化为整个


创作流程效率的提升


。

二、从50步压到9步，三层优化实现12倍提速

从近6分钟缩短至不到30秒，背后是一套覆盖


模型计算和硬件协作的系统优化


。

首先，视频生成需要经过多轮计算逐步形成画面，通常生成步数越多，耗费的时间越长。RH后训练加速模型将


对照测试的生成步数从50步压缩至9步


，使耗时由348.8秒缩短至60秒，率先


实现5.8倍提速


。

减少生成步骤之后，RunningHub继续


提高剩余计算的执行效率


。


SageAttention2


用于加快注意力计算，


Cache-DiT


通过缓存复用部分中间结果，减少后续步骤中的重复计算，


torch.compile


则对模型的计算流程进行编译优化，使其以更适合GPU的方式执行。

三项技术与RH后训练加速模型叠加后，5秒视频的生成耗时由60秒进一步


缩短至28.7秒


，相较BF16基础方案实现


约12倍的整体加速


。

最后一层优化，是让


多张显卡配合


得更好。多卡视频生成不仅需要拆分计算任务，还需要在不同显卡之间交换数据。显卡之间如何分工，会直接影响生成速度、通信开销和显存占用。

针对主要通过PCIe连接、没有NVLink高速互联的多卡环境，RunningHub选择了TP2＋Ulysses4的并行组合。在8张RTX 6000D的测试中，这一组合相比TP4＋Ulysses2


快


约12%


，同时


减少约14GiB显存占用


。

RunningHub将后训练加速、注意力优化、计算缓存、编译优化和多卡并行等方法


统一整合进SGLang的multimodal_gen推理引擎


，由同一套推理流程完成调度和执行。

三、适配RTX 6000D多卡环境，人人可用本地可部署

一套加速方案的实际价值，不只体现在跑得多快，也取决于它能落到什么样的硬件上，以及普通创作者能否真正用起来。

目前，不少视频生成加速方案多建立在B300等高端数据中心GPU上。此类硬件虽然性能强，但


采购和部署门槛较高


，普通工作室和创作者较难按照公开配置复现。

在上面测试中，RunningHub采用8张RTX 6000D专业显卡，这些显卡主要通过PCIe连接，不依赖NVLink高速互联，就实现了生成速度的大幅提升，成本更低，


更贴近工作室的硬件条件


。

为了让本地部署更方便，RunningHub在GitHub中提供了


环境安装、模型下载、服务启动和推理测试步骤


。有多卡设备的用户可以参考公开方案，


在自己的服务器上部署H3


，并将模型接入已有的创作流程。没有多卡设备的普通创作者，也可以


直接在RunningHub上使用


，可以说是实现了


人人可用，本地可部署


。

这也不是RunningHub第一次参与H3开源生态建设。H3上线后，RunningHub先完成模型接入，随后开放全套ComfyUI节点，此次又进一步公开H3 Lightning加速方案。

据RunningHub披露，H3上线以来，RunningHub平台上已有上千名创作者开源近万条相关工作流，覆盖


电商、短剧、漫剧、声音克隆、动作克隆和音频驱动等场景


。节点、工作流和加速方案的持续开放，也为开发者进一步创作和开发提供了基础。

目前，RunningHub的企业级API已接入上千家企业，日均调用量达到


千万级


。从模型接入、工具封装到推理优化，RunningHub在H3生态中的角色，也逐步转向技术方案贡献者。

四、十年GPU调度积累，搭建AI产品矩阵

H3 Lightning的推出，离不开RunningHub母公司海马云十余年的GPU工程积累。海马云成立于2014年，是一家覆以GPUaaS为底座，业务


覆盖基础设施、模型服务和智能体应用的原生AI公司


。

随着AI技术正从基础设施建设走向应用爆发和原生应用形成，行业关注的问题也从智能能否被规模化供给，转向这些智能如何被调用、如何被组织成真正能够完成任务的产品。在这一过程中，算力始终是支撑模型运行和应用落地的基础。

过去十余年，海马云围绕GPU容器调度、图形虚拟化和实时流媒体等环节进行技术投入，并在


国内建设60余个边缘节点，为超过3000万月服务用户提供云渲染服务


。在这一过程中，海马云积累了GPU资源调度、多任务并发和内容实时分发等工程能力，并逐步将这些能力延伸至AI推理。

在此基础上，海马云形成了


从底层算力到上层应用的AI产品矩阵


。其中，RunningHub已面向全球140多个国家和地区提供服务，接入170余个模型API；HaimaAPI面向企业聚合350余个主流模型；RHTV、RHStory和VibeX等智能体工具，则进一步将模型能力延伸到视频及其他内容生产环节。

海马云不直接训练基础模型，其重点是


解决模型发布和开源之后的运行问题


，包括新模型如何快速接入、如何在有限的硬件条件下提高推理效率，以及如何转化为创作者可以直接使用的产品。

具体到H3，RunningHub先完成模型接入，随后开放ComfyUI节点，再进一步公开H3 Lightning加速方案。这一过程也体现了海马云在发展过程中的能力演进：从解决高性能内容“怎么跑”，到解决AI模型“怎么调用、怎么落地”。H3 Lightning正是其GPU工程能力在AI推理环节的一次具体应用。

结语：开源之后，推理优化成为视频生成提速的关键

模型开源，给了开发者自行部署、修改和二次开发的选择；推理优化，则进一步影响每次生成需要等待多久、消耗多少计算资源。当视频生成从尝鲜走向日常生产，生成质量之外，速度、稳定性、成本和部署条件，也会直接影响创作者的选择。

RunningHub的H3 Lightning，推进模型权重走向实际生产：有多卡设备的创作者可以参考公开方案本地部署，没有设备的创作者也可以在线使用。随着开源模型越来越多，推理加速、硬件适配和工作流生态，正在成为决定模型能否真正进入创作流程的关键环节。