智東西9月11日報導，上個月，MiniMax開源通用視訊模型MiniMax H3。在第三方評測平台Artificial Analysis上，該模型一度登頂有聲視訊編輯榜榜首，Elo得分達到1130。憑藉開放權重、視訊生成質量和性價比，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視訊生成加速方案H3 Lightning。在一組5秒視訊生成對照測試中，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。有多卡裝置的使用者可以參考方案進行本地部署，沒有裝置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

01. 5秒視訊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專業顯示卡，生成一段5秒、1344×768解析度的視訊。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訊生成。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最佳化，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，智東西也在RunningHub平台進行了測試，我們先讓H3生成了一段5秒的視訊，內容是一隻流浪貓吃貓糧，平台用時28秒完成生成，整體過程較為流暢。

▲15秒視訊生成用時54秒（生成過程經倍速處理）

隨後，我們提高測試難度：將視訊時長增加到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、還加上了台詞。

視訊中，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，台詞、口型與畫面基本匹配，聲音也較為清晰，很有短劇的感覺。

除了文生視訊，RunningHub這套加速方案還可用於多參考圖視訊生成。在另一組測試中，RunningHub使用8張RTX 6000D顯示卡，以4步生成15秒、768×1344解析度的豎屏視訊。其中，文生視訊耗時約48秒，根據兩張參考圖生成視訊耗時約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視訊創作，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。

02. 從50步壓到9步三層最佳化實現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體協作的系統最佳化。

首先，視訊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通過快取復用部分中間結果，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最佳化，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秒視訊的生成耗時由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。

最後一層最佳化，是讓多張顯示卡配合得更好。多卡視訊生成不僅需要拆分計算任務，還需要在不同顯示卡之間交換資料。顯示卡之間如何分工，會直接影響生成速度、通訊開銷和視訊記憶體佔用。

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的平行組合。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視訊記憶體佔用。

RunningHub將後訓練加速、注意力最佳化、計算快取、編譯最佳化和多卡平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。

03. 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體上，以及普通創作者能否真正用起來。

目前，不少視訊生成加速方案多建立在B300等高端資料中心GPU上。此類硬體雖然性能強，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專業顯示卡，這些顯示卡主要通過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，更貼近工作室的硬體條件。

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。有多卡裝置的使用者可以參考公開方案，在自己的伺服器上部署H3，並將模型接入已有的創作流程。沒有多卡裝置的普通創作者，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平台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、動作克隆和音訊驅動等場景。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，日均呼叫量達到千萬級。從模型接入、工具封裝到推理最佳化，RunningHub在H3生態中的角色，也逐步轉向技術方案貢獻者。

04. 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嚮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呼叫、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、圖形虛擬化和即時串流媒體等環節進行技術投入，並在國內建設60余個邊緣節點，為超過3000萬月服務使用者提供雲渲染服務。在這一過程中，海馬雲積累了GPU資源調度、多工並行和內容即時分發等工程能力，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余個模型API；HaimaAPI面向企業聚合350余個主流模型；RHTV、RHStory和VibeX等智能體工具，則進一步將模型能力延伸到視訊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、如何在有限的硬體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“怎麼呼叫、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。

05. 結語：開源之後  推理最佳化成為視訊生成提速的關鍵

模型開源，給了開發者自行部署、修改和二次開發的選擇；推理最佳化，則進一步影響每次生成需要等待多久、消耗多少計算資源。當視訊生成從嘗鮮走向日常生產，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：有多卡裝置的創作者可以參考公開方案本地部署，沒有裝置的創作者也可以線上使用。隨著開源模型越來越多，推理加速、硬體適配和工作流生態，正在成為決定模型能否真正進入創作流程的關鍵環節。 (智東西)

彙整鉅亨號中所有使用「開源方案」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`