7月底MiniMax H3开源的时候，Artificial Analysis视频编辑榜Elo 1130分。
直冲全球第一，社区一片叫好。
不得不说，H3底子确实好。
但真拿去做量产，短板也在：多镜头一长，角色开始走样；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」，差的那一段是工程。
现在这段被补上了。
9月29日，RunningHub发布H3 RH Enhanced，一个基于MiniMax H3开源基座做深度后训练的增强模型。
RunningHub是海马云旗下的一站式全能创作平台，是目前全球最大的AIGC开发者创作者社区，聚集了500万以上专业创作者，覆盖140多个国家和地区。
通过 2000 组实测，H3 RH Enhanced 多镜头长时序叙事能力显著优于 Seedance2.0，整体表现直追 seedance2.5。
一秒一毛钱即可直接产出成片，降低成本。
这意味着，一个开源后训练模型，做到了闭源的效果。而成本仅为同等效果闭源模型的十分之一。
H3 RH Enhanced已经登陆 MiniMax ，面向全球B端创作者进行公开调用。现在可以在RunningHub平台上限时免费体验。
体验链接：
rhTV：
https://rhtv.runninghub.cn/projects?inviteCode=sn3gnlj9&model=484
RHSTORY：
https://story.runninghub.cn/ai-comic
2000组盲测
多镜头叙事显著优于Seedance 2.0
1 秒只要 0.1 元
发布会上的Demo都好看，问题是真实场景什么样。
RunningHub这次的评测是按业务场景铺开的：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，横向拉齐当前主流模型。
结果里最关键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。
来看几条实测。
先看一条15秒的赛博机车追逐。 同一张参考图、同一段14镜提示词，分别喂给RH Enhanced和Seedance 2.0，480P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、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、同一套带橙色肩甲的机车服，背景城市也没跑偏。
声音跟画面一起生成出来：起跑前近乎安静，弹射那一拍轰鸣骤起，进隧道声画同时压暗，出隧道一起拉起。
RH Enhanced生成
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，已经不是参考图那款车；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镜女主的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。
Seedance 2.0生成
十个镜头之后，RH Enhanced还认得参考图，Seedance 2.0开始凭印象重画。
再看一条电商的。 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。
RH Enhanced生成
Seedance 2.0同样精致，但电梯那镜，瓶子悬在了掌心上方。
Seedance 2.0生成
极端长场景：人物崩坏率降低60%以上。
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。RH Enhanced在同等条件下，这类崩坏砍掉了六成以上。
我们拿两条18镜的片子试了试。
18镜、五个世界，考的就是模型记不记得她是谁。
RH Enhanced从雨巷、沙漠、雪林、地铁到空间站再回雨巷，四次正面特写是同一张脸，黄雨衣一直敞着帽、红伞一直在手、黑包一直斜挎。第1镜埋下的街角时钟，第16镜回来还挂在原处。
RH Enhanced生成
Seedance 2.0开场和结尾都不差，最后回眸那帧很像参考图。
但中段崩了：雨巷里帽子戴着，到雪林就摘了；更要命的是红伞，从雪林奔跑、进地铁到整段空间站漂浮，将近4秒、3个镜头里伞直接不见了，到舱门那镜才重新出现——
而提示词里「红伞、黑包、雨衣同时漂浮」恰恰是这段要测的东西。
Seedance 2.0生成
另一条18镜的东方奇幻，两个人加一只灵兽，三个主体得同时在线。
RH Enhanced很稳：女剑仙的白发、额心红印从特写到收尾是同一张脸，剑没离过手；黑甲将军有正面近景，脸、盔甲、披风、长枪都对得上参考图；灵兽每次出现都是同一只鹤。
最难的最后一镜也守住了：天宫半塌、碎石还在掉，女主和鹤在桥头，将军在远处残阶，三者位置一眼清楚。
RH Enhanced生成
Seedance 2.0画面同样华丽，但将军的近景只有盔甲没有脸；收尾天宫大门完好无损，「半塌」没发生。
Seedance 2.0生成
RH Enhanced能在长叙事上拉开差距，靠的是一套自研的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。
上线以来，RH Enhanced日均生成接近100万秒视频，相当于每天6.7万条15秒短视频，或者3300多集5分钟短剧。
RunningHub后训练做了什么
五层工程改造
让H3在量产场景更稳更快更省
RunningHub这次动的不只是权重。
从后训练、分辨率适配、采样策略、推理引擎到服务调度，五层一起改，每一层对应量产里一个绕不过去的问题。
第一层：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，什么都能做。
但短剧里人物频繁换装换场，电商里商品轮廓和材质一点不能变，漫剧里动作要连贯不能断，这些垂直场景各有各的细规矩，需要单独练。
RunningHub基于H3的单流Omni-Transformer架构和MM-RoPE多模态位置编码，给RH Enhanced搭了一条「场景SFT → 一致性优化 → 少步蒸馏」的训练链路。
训练数据是RunningHub围绕短剧、电商、漫剧三类真实业务构建的，每条样本都标清楚哪个是参考素材、哪个是目标人物、镜头指令指向谁。
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。再加上长程记忆引擎在跨帧维度上的增强，就有了前面16镜以上崩坏率下降60%的结果。
第二层：分辨率感知适配——训练分布对齐实际交付规格。
短剧、电商、漫剧的成片有自己的交付规格，跟模型默认的训练分辨率并不一样。
RunningHub按宽高比、帧数、时长给训练数据分桶，让分布直接贴着交付规格走；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。
结果是视觉Token更短、算力更省，但该清楚的脸和商品依然清楚。出来的就是成片，直接进剪辑时间线。
第三层：少步蒸馏——把几十步的质量压进几步。
视频生成本质上是从噪声一步步迭代成画面，H3默认要跑几十步，每步都是一轮完整的Transformer前向。
RunningHub用「教师—学生」式轨迹蒸馏：教师跑完整采样，学生不只学最终结果，还学教师在每个阶段的速度场方向和终点重建目标，把多步才有的质量压进少步模型里。
步数也不是一刀切，静态镜头、对话戏少给几步，大幅运动、多参考素材的镜头多给几步。
第四层：注意力与缓存协同加速——让每一步算得更快。
推理执行层，RunningHub叠了三项技术。
SageAttention2对注意力矩阵做离群值平滑和细粒度低精度运算，不丢精度地提高吞吐。
Cache-DiT是RunningHub自研的Dual Block缓存，相邻采样步之间DiT中间层特征变化不大，全部重算是浪费，它按特征变化幅度决定哪些模块复用、哪些重算，首尾模块保留实时计算，中间按阈值复用残差，并设连续复用上限防止误差累积。
torch.compile把计算图编译成融合算子，减少Python层和显存之间的来回搬运。
多卡用TP2+Ulysses4混合并行，张量并行切权重，Ulysses切长序列注意力。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：批量服务调度——一万条一起跑，成本才压得下来。
前四层解决单条视频怎么又快又好，但量产面对的是一天几十万条。
单条再快，GPU利用率上不去、任务调度不合理、显存碎片化，综合成本照样下不来。
RunningHub的服务层把输入形状相近、采样配置兼容的任务自动分桶组batch；高频配置做参数预热和编译缓存复用，省掉冷启动；再按任务队列的实时负载在多台服务器间调度。
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。
海马云十年GPU工程底子，加速和超分同步就位
五层改造讲起来清楚，做起来要的是从训练到推理内核到集群调度的全栈GPU工程能力。
RunningHub的母公司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。
十年云渲染真正留下的，是大规模异构GPU集群的运营和调度经验：型号不一的卡怎么统一管，怎么让每一张都跑满，推理优化怎么压进链路里。