15秒視頻，54秒生成！AI視頻創作的“等待焦慮”，被RunningHub這套開源方案治好了

作者 | 楊京麗 編輯 | 李水青 9月11日報道，上個月，MiniMax開源通用視頻模型MiniMax H3。在第三方評測平臺Artificial Analysis上，該模型一度登頂有聲視頻編輯榜榜首，Elo得分達到1130。憑藉開放權重、視頻生成質量和性價比，H3很快在開發者社區內衍生出大量適配和新玩法。模型開源解決了“能不能部署”的問題，但距離真正真正進入創作流程，中間還有一道速度門檻。對於需要反覆調整畫面的創作者來說，生成速度直接影響創作節奏。針對這一痛點，RunningHub近期推出並開源了H3視頻生成加速方案H3 Lightning。

在一組5秒視頻生成對照測試中，RunningHub將H3的生成耗時從348.8秒縮短至28.7秒，整體推理速度達到基礎方案的約12倍，等待時間減少約92%。目前，相關技術方案和復現說明已經在GitHub公開。有多卡設備的用戶可以參考方案進行本地部署，沒有設備的普通創作者也可以直接在RunningHub上使用。項目開源地址： https://github.

com/RH-RunningHub/MiniMax-H3-MultiGPU-Lightning 一、5秒視頻不到半分鐘生成，等待時間減少92% H3開源後迅速受到創作者關注，但實際部署後，一個問題隨之顯現：模型權重雖然可以下載，生成速度卻依然影響使用體驗。在RunningHub的一組對照測試中，測試環境配備4張NVIDIA RTX 6000D專業顯卡，生成一段5秒、1344×768分辨率的視頻。採用BF16基礎方案，完成這一過程需要50步，耗時348.8秒，接近6分鐘。RunningHub首先引入RH後訓練加速模型，將生成步數從50步壓縮至9步，用更少的計算輪次完成視頻生成。

在這一配置下，生成耗時縮短至60秒，速度達到基礎方案的5.8倍。在此基礎上，RunningHub進一步疊加算子和編譯優化，將生成耗時繼續壓縮至28.7秒。相較基礎方案，整體推理速度提高約12倍，等待時間減少約92%。為驗證這一能力，也在RunningHub平臺進行了測試，我們先讓H3生成了一段5秒的視頻，內容是一隻流浪貓吃貓糧，平臺用時28秒完成生成，整體過程較為流暢。▲5秒視頻生成用時28秒（生成過程經倍速處理） 隨後，我們提高測試難度：將視頻時長增加到15秒，讓模型生成一段發生在高級餐廳的都市短劇，角色變多、還加上了臺詞。

▲15秒視頻生成用時54秒（生成過程經倍速處理） 這段視頻用時約54秒完成。視頻中，一名身穿紅裙、披著西裝的女子帶著兩名保鏢憤怒地衝進餐廳，宣佈“在場的所有人，一個都不許走”，現場氣氛迅速變得緊張。實測來看，畫面整體完成度較高，角色動作銜接自然，人物表情能夠配合情節變化，臺詞、口型與畫面基本匹配，聲音也較為清晰，很有短劇的感覺。除了文生視頻，RunningHub這套加速方案還可用於多參考圖視頻生成。在另一組測試中，RunningHub使用8張RTX 6000D顯卡，以4步生成15秒、768×1344分辨率的豎屏視頻。其中，文生視頻耗時約48秒，根據兩張參考圖生成視頻耗時約73秒。

值得注意的是，H3 Lightning在提高速度的同時兼顧生成效果，仍保留BF16數值精度，且各項配置均經過組合測試和畫質驗收。生成時長縮短，意味著創作者可以更快看到生成結果、調整提示詞並嘗試下一個版本。對於依賴反覆迭代的AI視頻創作，單次等待時間的縮短，最終會轉化為整個創作流程效率的提升。二、從50步壓到9步，三層優化實現12倍提速 從近6分鐘縮短至不到30秒，背後是一套覆蓋模型計算和硬件協作的系統優化。首先，視頻生成需要經過多輪計算逐步形成畫面，通常生成步數越多，耗費的時間越長。RH後訓練加速模型將對照測試的生成步數從50步壓縮至9步，使耗時由348.8秒縮短至60秒，率先實現5.

8倍提速。減少生成步驟之後，RunningHub繼續提高剩餘計算的執行效率。SageAttention2用於加快注意力計算，Cache-DiT通過緩存複用部分中間結果，減少後續步驟中的重複計算，torch.compile則對模型的計算流程進行編譯優化，使其以更適合GPU的方式執行。三項技術與RH後訓練加速模型疊加後，5秒視頻的生成耗時由60秒進一步縮短至28.7秒，相較BF16基礎方案實現約12倍的整體加速。最後一層優化，是讓多張顯卡配合得更好。多卡視頻生成不僅需要拆分計算任務，還需要在不同顯卡之間交換數據。顯卡之間如何分工，會直接影響生成速度、通信開銷和顯存佔用。

針對主要通過PCIe連接、沒有NVLink高速互聯的多卡環境，RunningHub選擇了TP2＋Ulysses4的並行組合。在8張RTX 6000D的測試中，這一組合相比TP4＋Ulysses2快約12%，同時減少約14GiB顯存佔用。RunningHub將後訓練加速、注意力優化、計算緩存、編譯優化和多卡並行等方法統一整合進SGLang的multimodal_gen推理引擎，由同一套推理流程完成調度和執行。三、適配RTX 6000D多卡環境，人人可用本地可部署 一套加速方案的實際價值，不只體現在跑得多快，也取決於它能落到什麼樣的硬件上，以及普通創作者能否真正用起來。

目前，不少視頻生成加速方案多建立在B300等高端數據中心GPU上。此類硬件雖然性能強，但採購和部署門檻較高，普通工作室和創作者較難按照公開配置復現。在上面測試中，RunningHub採用8張RTX 6000D專業顯卡，這些顯卡主要通過PCIe連接，不依賴NVLink高速互聯，就實現了生成速度的大幅提升，成本更低，更貼近工作室的硬件條件。為了讓本地部署更方便，RunningHub在GitHub中提供了環境安裝、模型下載、服務啟動和推理測試步驟。有多卡設備的用戶可以參考公開方案，在自己的服務器上部署H3，並將模型接入已有的創作流程。

沒有多卡設備的普通創作者，也可以直接在RunningHub上使用，可以說是實現了人人可用，本地可部署。這也不是RunningHub第一次參與H3開源生態建設。H3上線後，RunningHub先完成模型接入，隨後開放全套ComfyUI節點，此次又進一步公開H3 Lightning加速方案。據RunningHub披露，H3上線以來，RunningHub平臺上已有上千名創作者開源近萬條相關工作流，覆蓋電商、短劇、漫劇、聲音克隆、動作克隆和音頻驅動等場景。節點、工作流和加速方案的持續開放，也為開發者進一步創作和開發提供了基礎。

目前，RunningHub的企業級API已接入上千家企業，日均調用量達到千萬級。從模型接入、工具封裝到推理優化，RunningHub在H3生態中的角色，也逐步轉向技術方案貢獻者。四、十年GPU調度積累，搭建AI產品矩陣 H3 Lightning的推出，離不開RunningHub母公司海馬雲十餘年的GPU工程積累。海馬雲成立於2014年，是一家覆以GPUaaS為底座，業務覆蓋基礎設施、模型服務和智能體應用的原生AI公司。隨著AI技術正從基礎設施建設走向應用爆發和原生應用形成，行業關注的問題也從智能能否被規模化供給，轉向這些智能如何被調用、如何被組織成真正能夠完成任務的產品。

在這一過程中，算力始終是支撐模型運行和應用落地的基礎。過去十餘年，海馬雲圍繞GPU容器調度、圖形虛擬化和實時流媒體等環節進行技術投入，並在國內建設60餘個邊緣節點，為超過3000萬月服務用戶提供雲渲染服務。在這一過程中，海馬雲積累了GPU資源調度、多任務併發和內容實時分發等工程能力，並逐步將這些能力延伸至AI推理。在此基礎上，海馬雲形成了從底層算力到上層應用的AI產品矩陣。

其中，RunningHub已面向全球140多個國家和地區提供服務，接入170餘個模型API；HaimaAPI面向企業聚合350餘個主流模型；RHTV、RHStory和VibeX等智能體工具，則進一步將模型能力延伸到視頻及其他內容生產環節。海馬雲不直接訓練基礎模型，其重點是解決模型發佈和開源之後的運行問題，包括新模型如何快速接入、如何在有限的硬件條件下提高推理效率，以及如何轉化為創作者可以直接使用的產品。具體到H3，RunningHub先完成模型接入，隨後開放ComfyUI節點，再進一步公開H3 Lightning加速方案。

這一過程也體現了海馬雲在發展過程中的能力演進：從解決高性能內容“怎麼跑”，到解決AI模型“怎麼調用、怎麼落地”。H3 Lightning正是其GPU工程能力在AI推理環節的一次具體應用。結語：開源之後，推理優化成為視頻生成提速的關鍵 模型開源，給了開發者自行部署、修改和二次開發的選擇；推理優化，則進一步影響每次生成需要等待多久、消耗多少計算資源。當視頻生成從嚐鮮走向日常生產，生成質量之外，速度、穩定性、成本和部署條件，也會直接影響創作者的選擇。RunningHub的H3 Lightning，推進模型權重走向實際生產：有多卡設備的創作者可以參考公開方案本地部署，沒有設備的創作者也可以在線使用。

隨著開源模型越來越多，推理加速、硬件適配和工作流生態，正在成為決定模型能否真正進入創作流程的關鍵環節。