MiniMax H3是真強也是真火啊。

【資料圖】

開源還能打，在AI視頻圈也算是獨一份了。

模型底座強成這樣，開發者們自然也閑不住，開始琢磨怎么把它玩得更爽。

所以MiniMax前腳剛把H3開源，后腳各種工作流、ComfyUI節點、垂直優化玩法就已經冒了出來。

這不，一站式AIGC創作平臺RunningHub就盯上了一個大家都特《急急急》的事兒：

讓H3跑快點。

咋說呢，模型越好用人越忍不住多抽幾次，結果一抽一個大等待。

靈感一上頭，創意改起來只要十幾秒，下一版都已經在腦子里剪完了，結果屏幕上的這一版還在轉……

于是乎，RunningHub干脆給H3踩了腳油門，直接朝著等待時間砍了一刀。

同樣生成5秒、1344×768的視頻，在4張RTX 6000D上，原始BF16 50步方案耗時348.8秒，差不多6分鐘

RunningHub H3 Lightning完整加速之后，只需要28.7秒

好家伙，前后約12倍提速，生成耗時減少約92%，卻依舊能保留BF16數值精度。

現在，RunningHub已經把整套玩法放GitHub上開源了，任何創作者都能開箱即用！

（https://github.com/RH-RunningHub/MiniMax-H3-MultiGPU-Lightning/）

快12倍的H3是啥體驗

不光是5秒視頻，就算是15秒、雙參考圖，RunningHub H3 Lightning依舊能給你猛猛提速。

在8張RTX 6000D環境下，讓H3做一個15秒、分辨率768×1344的視頻，純文字生成大約需要48秒、雙參考圖生成約73秒。

也就是說，一條15秒的圖生視頻，可以打進“1分鐘出結果”這個時間尺度了。

而且在RunningHub H3 Lightning這兒，AI加速可不等于質量劣化。

整套加速方案還全程保留BF16滿血精度，沒有走降精度換速度的“捷徑”。

一個本來就已經很能打的模型，又被狠狠優化了一波，咱必須得體驗一把！

我先試了一個5秒、768P的文生視頻，直接來個大動作。

場景放在沙漠，一個女越野摩托車手原地起步，隨后高速沖上沙丘，騰空、落地，再接一個大幅甩尾。

嫌這還不夠，我又給鏡頭加了點活兒。

先低機位側面追車，隨后繞到正面倒退跟拍，最后讓摩托直接從鏡頭旁邊沖過去。

從點擊生成到出片的實際用時約為30s，人、車、沙塵的運動邏輯挺連貫。

落地的時候車身有明顯的下沉和回彈，騎手的重心也跟著往下壓了一下，還有塵土的飛揚看著也挺真實。

我預設的機位也都安排妥了。

視頻地址：https://mp.weixin.qq.com/s/bygc8puWmTmN2KSt7otkwA

其實，除了畫面質量高之外我最大的感受是，等待間隙我甚至都沒刷完一個某音視頻……

確實是絲滑。

不過5秒還是短，咱還得上強度。

再試試15秒的圖生視頻，這次我喂了一張吉卜力風格的參考圖。

△圖片AI生成

原本是一人一狗背對著鏡頭坐在草地上，現在咱讓他倆跑起來。

少年從草地上起身，直接向山坡前方奔跑；金毛也得跟著起來，一邊跑一邊跳；少年中途還要張開雙臂、轉身繼續跑。

鏡頭從背后推進，再切到側面跟拍，最后拉遠，把整個山谷重新帶進畫面。

15秒長視頻的生成時間就比較久了，從點擊到出片大概88秒

從坐著到起身，再到邁步加速，動作之間有比較明顯的銜接；金毛也沒有淪為一張跟著人物平移的貼紙，自己完成了起身、奔跑和跳躍。

更關鍵的是，15秒跑下來，這一人一狗還基本是原來那一人一狗。

少年的黃色外套、藍色褲子、黑色頭發這些主要特征一直都在，金毛的體型和毛色也沒有跑到后半段突然換了個品種。

而且鏡頭轉完一圈后，遠處的湖泊和夕陽依舊在畫面中。

視頻地址：https://mp.weixin.qq.com/s/bygc8puWmTmN2KSt7otkwA

當然了，你要是真盯著看也還是能挑出毛病。狗在快速跳躍時，四肢動作偶爾會有點“硬”，但是倒也不會特別出戲。

本來打算收工了，我又突然冒出來一個想法，晴天不要了，給我下雨。

沒錯咱創作的時候靈感就是嘎嘎跳躍！

少年得站起來撐傘，在草地上跑，再突然停下轉一圈；金毛繼續繞著他跑，還得從旁邊跳過去。

與此同時，原來的遠山和湖泊還得留住。

二次創作的時間變短了，也就50秒左右，最后畫面遠處還出現了一抹彩虹～

視頻地址：https://mp.weixin.qq.com/s/bygc8puWmTmN2KSt7otkwA

之前想改個人物、場景、鏡頭啥的，動手之前可能會考慮考慮值不值得再等很長時間。

現在不用愁了，有了靈感就能快速出片。

對很多創作者來說，創意落地、試錯的時間成本都降低了，也不用因為漫長等待就砍掉很多一閃而過的想法。

那么問題來了，不降BF16精度，也不開掛頂級數據中心算力，RunningHub摳出來的時間，到底是從哪兒省出來的？

人人都能用，本地可部署

快，自然是用工程摳出來的，解法是很工整的三刀——

先看看哪里算得太多，再看看哪里算得太慢，最后看看幾張GPU之間有沒有時間浪費在“互相等”上。

第一刀，先從模型本身動手，讓H3少算一點。

視頻生成不是模型看完Prompt，啪一下就直接把最終畫面吐出來。

它需要一輪一輪地把畫面“想”出來。

把文字或者圖片變成視頻需要經過多輪計算，畫面才會逐漸從噪聲中成形，這個輪次叫生成步數。

原始H3推理默認50步，每一步背后都有一輪實打實的計算，步數越多，GPU自然就得干得越久。

RunningHub做的第一件事，就是引入自研的RH后訓練加速模型

簡單點說就是讓H3經過后訓練之后，學會用更少的步數把視頻做出來，還得在不丟畫質的前提下完成。

這一步的效果已經相當明顯。

同樣使用4張RTX 6000D生成5秒視頻，換成RH后訓練加速模型的9步測試方案之后，時間直接縮短到了43秒。

第一刀下去，已經提速了8倍。

順便說一句，RunningHub的推薦配置是默認4步；

遇到快速運動、大幅動作這類難任務可以切到8步，快還是穩，咱創作者自己來決定。

做到43秒，按理說已經挺猛了，但RunningHub顯然還嫌慢。

模型雖然少算了，可剩下這些必須完成的計算，總不能就這么放著吧。

RunningHub接著想解決的是，剩下這些必須完成的計算，還有沒有地方能繼續省時間？

于是第二刀開始往執行層里砍。

這次一口氣上了三個技術組合，SageAttention2、Cache-DiT和torch.compile

SageAttention2盯的是注意力計算

視頻模型每生成一段內容，都需要處理大量畫面元素之間的關系。

誰和誰相關、前后畫面怎么聯系、不同信息怎么共同影響最終結果，這些注意力計算本身就是推理過程中相當吃算力的一環。

SageAttention2要做的就是讓這塊核心計算執行得更高效。

Cache-DiT則開始盯著重復勞動

視頻生成前后多個計算步驟之間存在可以復用的信息，如果有些中間結果已經算過，后面的步驟就沒必要每次都從頭再來。

能緩存的緩存，能復用的復用，把重復工作減下來，時間自然還能繼續往下擠。

最后還有torch.compile，它會對計算過程進行編譯優化，讓GPU執行這些操作時更加順暢，減少一些原本零散的調度和執行開銷。

當RH后訓練加速模型和這些算子、緩存、編譯優化疊到一起，該跑快的跑快，該復用的復用，該捋順的捋順，剛才壓到43秒的生成過程又被繼續壓到了28.7秒。

但這還沒完，H3這種視頻模型真跑起來，往往不會只讓一張GPU單打獨斗。

多張卡一起干活，新的問題就又來了。

卡多，不等于一定快。這和多人一起干活其實挺像的。

八個人當然比一個人手多，可如果任務分配不合適，每個人剛干兩下就要停下來等別人遞東西，A等B，B等C，最后時間全耗在互相交接上。

多卡推理也是類似的道理。

GPU之間需要不斷交換數據，而在沒有NVLink高速互聯、主要依靠PCIe通信的環境里，卡間通信的成本尤其不能忽略。

RunningHub這次專門針對這種環境，把不同的多卡并行方式拉出來重新測了一遍，最后選中的組合是TP2＋Ulysses4

TP負責從張量計算層面拆任務，Ulysses則進一步從序列維度做并行。

在8張RTX 6000D、PCIe連接且沒有NVLink的環境下，TP2＋Ulysses4相比TP4＋Ulysses2，速度快約12%，同時減少約14GiB顯存占用

所以從整體技術路徑來看，這套工程棧基本就是沿著推理鏈路一路摳時間：

RH后訓練加速模型先把需要完成的計算量壓下來；

SageAttention2、Cache-DiT和torch.compile繼續提高剩余計算的執行效率；

到了多卡層面，再用TP2＋Ulysses4減少通信和資源上的浪費；

最后，RunningHub把這些方法全部整合進SGLang multimodal_gen推理引擎，由它把模型生成、多卡協同和各種加速組件真正組織到一起。

現在AI行業的各種性能數字已經卷得飛起，只要舍得堆頂級GPU、高速互聯和數據中心，把模型跑得飛快并不稀奇。

可真正想本地部署開源視頻模型的創作者、工作室和中小團隊要問了：

我手里的機器，能不能跑出這個速度？

RunningHub：必須能。

H3 Lightning特意繞開了“超能力解法”，針對的就是無NVLink的PCIe多卡環境，RTX 6000D也是公開可購買的專業GPU規格。

也就是說，RunningHub從一開始針對性優化的，就是一種更貼近工作室和企業團隊實際部署的多卡環境。

當然了，如果你的預算沒上限，用B300的卡配合這個方式，出片速度能直接提升至秒級。

從環境安裝、模型下載，到服務啟動和推理測試，H3 Lightning整個本地部署流程都公開了。

開發者也可以結合公開的社區加速LoRA，再配上前面提到的注意力優化、計算緩存和多卡并行，在自己的機器上重新跑一遍。

到底要幾張卡、怎么調參數、速度和畫質怎么取舍，都可以圍繞自己的業務適配。

當然了，有設備的團隊可以照著開源方案自己部署；

沒有多卡服務器、不想研究環境配置的創作者，直接在RunningHub上點開H3 Lightning也能用

頂級算力被壟斷，RunningHub選了創作者夠得著的那條路

當一個足夠強的開源模型出來之后，圍繞它其實會出現很多“二創”。

有人會拿開源底座繼續做后訓練，把優化后的能力跑在頂級數據中心集群上，再封裝成API提供給用戶。

用戶不需要關心背后的GPU和工程優化，按調用付費就能直接獲得結果，這當然是一種很成熟的商業路徑。

另一邊，也會有人選擇把優化繼續留在開源生態里

開發者自己擁有硬件、自己部署模型，圍繞自己的工作流繼續改，優化方法又能被下一批開發者拿去復現和迭代。

RunningHub這次明顯更偏向后者。

而且，這已經不是它第一次圍著H3這么干了。

H3剛開源的時候，RunningHub首先做的是接入

模型出來之后，平臺第一時間把它接進來，讓創作者不用先研究一大堆部署問題，就可以上手嘗試新模型。

隨后，它又參與生態共建，把全套ComfyUI節點開源。

這一下，開發者能玩的更多了。

有人拿H3做電商內容，有人拿去做短劇、漫劇，有人研究聲音克隆、動作克隆和音頻驅動，還有人繼續把自己的玩法封裝成新的工作流。

比如，創作者@魅力創意直接盯上了電商視頻。

TA發布的MiniMax H3·電商多參生視頻工作流，只需要把商品、模特、場景一股腦塞進去，再簡單說說賣點——

H3就能自己琢磨人物該在哪兒、商品怎么露出、場景怎么搭，最后直接給你一條完整電商廣告。

還有創作者@艾橘溪整的音頻驅動數字人說話唱歌工作流。

上傳一張人物圖片，再扔進去一段音頻，原本靜止的人物就能秒變數字人開口營業。

不管是說話還是唱歌，口型和節奏都能同步對上。

還有今年超火的漫劇，創作者@qwlulnpi也搬出了新創意。

把分鏡圖、腳本、音頻一次性丟進去就能拿到有畫面有聲音的完整成片。

多少有點“素材備齊，一把梭哈”的流水線味兒了。

這還只是RunningHub上冒出來的一小撮玩法。

自打H3上線以來，RunningHub平臺上已經有上千名創作者，圍繞它開源了近萬條創意工作流。

其實這也是開源模型的樂趣，一個人解決一點問題，最后整個生態能用的東西就越來越多。

而H3 Lightning相當于RunningHub再進一步，開始把自己積累的工程能力反過來貢獻給H3，直接解決推理效率的問題。

如果只看RunningHub，一個AIGC創作平臺突然跑去研究后訓練、算子優化和多卡并行，多少有點跨界。

但把它放回母公司海馬云過去十多年的技術演進里，這事兒其實順理成章。

海馬云2014年成立，過去十多年長期和GPU、高性能內容打交道。

那個時候，行業面對的問題還不是“AI大模型怎么推理”。

當時的核心矛盾是游戲、圖形、高性能數字內容體量越來越大，如何讓這些負載穩定、高速地運行起來。

GPU容器調度、圖形虛擬化、實時流媒體、大規模云渲染，海馬云的整套能力體系都是圍繞這個目標打磨的。

時至今日，海馬云已經在國內建設60余個邊緣節點，支撐超過2000萬月活用戶的智算服務。

到了生成式AI時代，需要被高效調度的計算對象發生了變化。

除了游戲、圖形和高性能數字內容，現在還加入了大模型，以及模型驅動的內容生成。

于是海馬云面對的命題也隨之從「高性能內容怎么跑」，進一步轉向了「AI能力如何調用，又如何高效落地」。

計算對象從云渲染到AI推理，但這也恰好讓海馬云這家原生AI公司十余年的技術積累有了更大的發揮場景。

所以RunningHub并不算“跨界”做模型加速。

RunningHub H3 Lightning，是海馬云「GPU工程能力」在AI時代的一個新落點，補齊的也是開源模型從權重到生產力之間缺失的環節。

過去一年，開源模型越來越多，真正稀缺的是：

誰能在模型開源之后，最快把它接進真實環境、優化到生產可用，再把這些能力持續回饋給社區。

模型開源，RunningHub平臺完成接入，創作者「能直接用」了；

開放ComfyUI節點與工作流，創作者「能玩的花樣」多了；

而H3 Lightning推理優化，則是在模型跑通之后，繼續攻克速度、成本與硬件門檻，把單次試玩的內容生成，升級為可穩定復用的批量生產力。

RunningHub就是這樣一個生態反哺者

咱普通創作者也算是跟著吃上細糠了～

GitHub倉庫：https://github.com/RH-RunningHub/MiniMax-H3-MultiGPU-Lightning/

關鍵詞： 調用 工作流 rtx 開源模型 ulysses min