RunningHub以算力与工具链构建AI生产力系统

生成式AI在模型性能持续提升的同时，也面临商业化难题：许多消费级应用调用规模越大、亏损越高，单纯包装API难以形成壁垒。模型路由只能提升调用效率，无法解决交付问题。海马云创始人党劲峰认为，AI的下一阶段将围绕垂直生产力场景展开，核心是算力、Agent、上下文、工具链与数据结合，而非继续追逐参数规模。

海马云旗下RunningHub已成为这一思路在AIGC领域的实践。SimilarWeb数据显示，今年3月至9月平台海内外访问量增长266%；今年7月，平台月Token消耗量达到9万亿。海马云从实时云渲染起步，服务过《原神》《黑神话：悟空》等项目，目前在全球部署69个计算节点，形成6 EFLOPS算力池。

平台将异构GPU池化，把图像、视频生成与Blender、Unreal等专业渲染任务交由统一调度层按模型规模、任务类型和时延要求分配，使同一批GPU在不同时段承担不同负载。该“渲推一体”方案让整体算力利用率较行业常见水平高70%，同时降低企业交付成本，并支撑平台保持较高综合毛利率。

海马云没有投入通用大模型参数竞赛，而是针对真实生产中的速度、成本、质量和一致性进行后训练。今年9月20天内推出三款RH模型：RH Upscale可将低分辨率素材超分至4K并保持细节与结构，在13款方案中综合质量第一；H3 Lightning将5秒视频生成时间从6分钟缩短至28.7秒，提速近12倍，可在无NVLink的RTX6000D多卡环境运行，方案已开源；H3 RH Enhanced面向长叙事任务，使16个镜头以上的人物崩坏率降低60%以上，最低价格为0.18元/秒。测试中RH Upscale Ultra得分0.539，Max处理5至10秒视频的2倍超分平均耗时34秒。

MiniMax已通过RunningHub采购H3 RH Enhanced供客户使用。平台还支持创作者用自身作品训练Checkpoint和风格LoRA，把个性审美、画风及一致性要求沉淀为可复用的数字美术资产；头部手游公司已将完整视觉体系训练成模型矩阵，用于原画到场景的标准化输出。

AI应用通常只是把模型接入对话框或画布，而生产力系统还要完成任务拆解、多模型协同、工具调用、过程校验和迭代交付，这一层Harness决定了模型能否稳定执行复杂任务。Claude Code、Lovable和Figma分别依靠代码操作链、网站发布流程以及素材、版本和协作数据形成壁垒；RunningHub则试图在图像、音视频生产中补齐更长的工具链与更厚的上下文。