吹爆开源！RunningHub让MiniMax H3满血提速12倍，本地部署照样起飞

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 吹爆开源！RunningHub让MiniMax H3满血提速12倍，本地部署照样起飞 闻乐 2026-09-11 08:55:01 来源： 量子位 15秒视频，50秒出片 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI MiniMax H3是真强也是真火啊。 开源还能打，在AI视频圈也算是独一份了。 模型底座强成这样，开发者们自然也闲不住，开始琢磨怎么把它玩得更爽。 所以MiniMax前脚刚把H3开源，后脚各种工作流、ComfyUI节点、垂直优化玩法就已经冒了出来。 这不，一站式AIGC创作平台 RunningHub 就盯上了一个大家都特《急急急》的事儿： 让H3跑快点。 咋说呢，模型越好用人越忍不住多抽几次，结果一抽一个大等待。 灵感一上头，创意改起来只要十几秒，下一版都已经在脑子里剪完了，结果屏幕上的这一版还在转…… 于是乎，RunningHub干脆给H3踩了脚油门，直接朝着等待时间砍了一刀。 同样生成5秒、1344×768的视频，在4张RTX 6000D上，原始BF16 50步方案耗时 348.8秒，差不多6分钟 。 RunningHub H3 Lightning完整加速之后，只需要 28.7秒 。 好家伙，前后约 12倍提速 ，生成耗时减少约92%，却依旧能保留BF16数值精度。 现在，RunningHub已经把整套玩法放GitHub上开源了，任何创作者都能开箱即用！ （https://github.com/RH-RunningHub/MiniMax-H3-MultiGPU-Lightning/） 快12倍的H3是啥体验 不光是5秒视频，就算是15秒、双参考图，RunningHub H3 Lightning依旧能给你猛猛提速。 在8张RTX 6000D环境下，让H3做一个15秒、分辨率768×1344的视频，纯文字生成大约需要48秒、双参考图生成约73秒。 也就是说，一条15秒的图生视频，可以打进 “1分钟出结果” 这个时间尺度了。 而且在RunningHub H3 Lightning这儿，AI加速可不等于质量劣化。 整套加速方案还全程保留BF16满血精度，没有走降精度换速度的“捷径”。 一个本来就已经很能打的模型，又被狠狠优化了一波，咱必须得体验一把！ 我先试了一个5秒、768P的文生视频，直接来个大动作。 场景放在沙漠，一个女越野摩托车手原地起步，随后高速冲上沙丘，腾空、落地，再接一个大幅甩尾。 嫌这还不够，我又给镜头加了点活儿。 先低机位侧面追车，随后绕到正面倒退跟拍，最后让摩托直接从镜头旁边冲过去。 从点击生成到出片的实际用时约为 30s ，人、车、沙尘的运动逻辑挺连贯。 落地的时候车身有明显的下沉和回弹，骑手的重心也跟着往下压了一下，还有尘土的飞扬看着也挺真实。 我预设的机位也都安排妥了。 视频地址：https://mp.weixin.qq.com/s/bygc8puWmTmN2KSt7otkwA 其实，除了画面质量高之外我最大的感受是，等待间隙我甚至都没刷完一个某音视频…… 确实是丝滑。 不过5秒还是短，咱还得上强度。 再试试15秒的图生视频，这次我喂了一张吉卜力风格的参考图。 △图片AI生成 原本是一人一狗背对着镜头坐在草地上，现在咱让他俩跑起来。 少年从草地上起身，直接向山坡前方奔跑；金毛也得跟着起来，一边跑一边跳；少年中途还要张开双臂、转身继续跑。 镜头从背后推进，再切到侧面跟拍，最后拉远，把整个山谷重新带进画面。 15秒长视频的生成时间就比较久了，从点击到出片大概 88秒 。 从坐着到起身，再到迈步加速，动作之间有比较明显的衔接；金毛也没有沦为一张跟着人物平移的贴纸，自己完成了起身、奔跑和跳跃。 更关键的是，15秒跑下来，这一人一狗还基本是原来那一人一狗。 少年的黄色外套、蓝色裤子、黑色头发这些主要特征一直都在，金毛的体型和毛色也没有跑到后半段突然换了个品种。 而且镜头转完一圈后，远处的湖泊和夕阳依旧在画面中。 视频地址：https://mp.weixin.qq.com/s/bygc8puWmTmN2KSt7otkwA 当然了，你要是真盯着看也还是能挑出毛病。狗在快速跳跃时，四肢动作偶尔会有点“硬”，但是倒也不会特别出戏。 本来打算收工了，我又突然冒出来一个想法，晴天不要了，给我下雨。 没错咱创作的时候灵感就是嘎嘎跳跃！ 少年得站起来撑伞，在草地上跑，再突然停下转一圈；金毛继续绕着他跑，还得从旁边跳过去。 与此同时，原来的远山和湖泊还得留住。 二次创作的时间变短了，也就50秒左右，最后画面远处还出现了一抹彩虹～ 视频地址：https://mp.weixin.qq.com/s/bygc8puWmTmN2KSt7otkwA 之前想改个人物、场景、镜头啥的，动手之前可能会考虑考虑值不值得再等很长时间。 现在不用愁了，有了灵感就能快速出片。 对很多创作者来说，创意落地、试错的时间成本都降低了，也不用因为漫长等待就砍掉很多一闪而过的想法。 那么问题来了， 不降BF16精度，也不开挂顶级数据中心算力，RunningHub抠出来的时间，到底是从哪儿省出来的？ 人人都能用，本地可部署 快，自然是用工程抠出来的，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，最后看看几张GPU之间有没有时间浪费在“互相等”上。 第一刀，先从模型本身动手，让H3少算一点。 视频生成不是模型看完Prompt，啪一下就直接把最终画面吐出来。 它需要一轮一轮地把画面“想”出来。 把文字或者图片变成视频需要经过多轮计算，画面才会逐渐从噪声中成形，这个轮次叫生成步数。 原始H3推理默认50步，每一步背后都有一轮实打实的计算，步数越多，GPU自然就得干得越久。 RunningHub做的第一件事，就是引入 自研的RH后训练加速模型 。 简单点说就是让H3经过后训练之后，学会用更少的步数把视频做出来，还得在不丢画质的前提下完成。 这一步的效果已经相当明显。 同样使用4张RTX 6000D生成5秒视频，换成RH后训练加速模型的9步测试方案之后，时间直接缩短到了43秒。 第一刀下去，已经提速了8倍。 顺便说一句，RunningHub的推荐配置是默认4步； 遇到快速运动、大幅动作这类难任务可以切到8步，快还是稳，咱创作者自己来决定。 做到43秒，按理说已经挺猛了，但RunningHub显然还嫌慢。 模型虽然少算了，可剩下这些必须完成的计算，总不能就这么放着吧。 RunningHub接着想解决的是，剩下这些必须完成的计算，还有没有地方能继续省时间？ 于是第二刀开始往执行层里砍。 这次一口气上了三个技术组合， SageAttention2、Cache-DiT和torch.compile 。 SageAttention2盯的是 注意力计算 。 视频模型每生成一段内容，都需要处理大量画面元素之间的关系。 谁和谁相关、前后画面怎么联系、不同信息怎么共同影响最终结果，这些注意力计算