一秒一毛钱的H3增强版：开源基座反超Seedance 2.0，凭什么是它
7月底 MiniMax 把 H3 开源的时候，Artificial Analysis 视频编辑榜直接给了 Elo 1130 分，冲上全球第一。底子确实好，社区也一阵叫好。但真拿到量产里，短板是藏不住的：多镜头一拉长角色就开始走样，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」，中间差的其实是一段工程。
这段工程，现在被 RunningHub 补上了。9月29日，RunningHub 发布了 H3 RH Enhanced——一个基于 MiniMax H3 开源基座做深度后训练的增强模型，同时登陆了 MiniMax 官网面向全球 B 端公开调用，平台上限时免费体验。按官方给的 2000 组实测数据，它在多镜头长时序叙事上显著优于 Seedance 2.0，成本只要一秒一毛钱，据称只有同等效果闭源模型的十分之一。
发布会上的 Demo 都好看，关键是真实场景什么样。RunningHub 这次的评测是按业务场景铺的：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。最硬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。
长镜头的差距，到底差在哪
拿一条 15 秒的赛博机车追逐来说。同一张参考图、同一段 14 镜提示词，分别喂给两个模型，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，号码牌没糊过也没换过；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、同一套橙色肩甲机车服，背景城市也没跑偏。声音是跟画面一起生成的：起跑前近乎安静，弹射那拍轰鸣骤起，进隧道声画同时压暗，出隧道一起拉起。
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，已经不像参考图那款车；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了。十个镜头之后，RH Enhanced 还认得参考图，Seedance 2.0 开始凭印象重画。
电商那条更典型，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。Seedance 2.0 同样精致，但电梯那镜，瓶子悬在了掌心上方。
极端长场景的差距更明显。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。官方给出的数字是，同等条件下 RH Enhanced 这类崩坏砍掉了六成以上。两条 18 镜的片子可以佐证，一条五个世界，一条东方奇幻，后者涉及女剑仙、黑甲将军、灵兽三个主体同时在线，RH Enhanced 守住了最难的一镜——天宫半塌、碎石还在掉，三个主体的位置一眼清楚；Seedance 2.0 那镜，天宫大门完好无损，「半塌」压根没发生。
能在长叙事上拉开这种差距，靠的不是调参运气，而是一套自研的 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。
后训练动的不只是权重
RunningHub 这次改的是五层。从后训练、分辨率适配、采样策略到推理引擎、服务调度，每一层对应量产里一个绕不过去的问题。
第一层是场景定向后训练，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，但短剧里人物频繁换装换场、电商里商品轮廓一点不能变、漫剧里动作要连贯，这些各有细规矩。RunningHub 基于 H3 的单流 Omni-Transformer 架构和 MM-RoPE 多模态位置编码，搭了一条「场景 SFT → 一致性优化 → 少步蒸馏」的训练链路，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。
第二层是分辨率感知适配，让训练分布对齐实际交付规格，按宽高比、帧数、时长给训练数据分桶，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。第三层是少步蒸馏，用「教师—学生」式轨迹蒸馏把几十步的质量压进几步，步数也不一刀切，静态镜头和对话戏少给几步，大幅运动多给几步。
第四层是注意力与缓存协同加速。SageAttention2 对注意力矩阵做离群值平滑和细粒度低精度运算，Cache-DiT 是自研的 Dual Block 缓存，相邻采样步之间中间层特征变化不大就复用，首尾模块保留实时计算。多卡用 TP2+Ulysses4 混合并行，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。第五层是批量服务调度，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，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。
为什么敢这么深地改
RunningHub 敢这么动，背后是母公司海马云的 GPU 工程底子。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。云渲染的高峰在晚上 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。
这个逻辑也解释了一件事：模型本身正在不紧缺。开源基座一个接一个，能力越拉越近，很多场景下调哪个、编排谁，出来差不多。真正的差距往两头走了——往下，是把 GPU 规模化地运营起来、把推理成本打下来；往上，是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。RunningHub 做的不是模型聚合，而是从权重层面一路改到服务层面的模型工程化改造。
还有一个信号值得注意：RH Enhanced 已经上了 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。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，方案公开在 GitHub 上；近期的 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。Lightning 管速度，Enhanced 管出片，Upscale 管画质，从生成到加速到画质增强，一条完整的 AIGC 视频工业管线在平台内闭环了。
现在卡住 AI 短剧、电商视频、漫剧团队的，早就不只是画质，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。参数翻倍和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才行。