RunningHub 发布生成式视频超分模型 RH Upscale：五档配置，Ultra 横评居首、Max 耗时约为其 1/8.6
据机器之心报道，海马云旗下 RunningHub 发布自研生成式视频超分模型 RH Upscale，主打「放大而不改内容」。报道称在 540P 输入、1080P 输出的 13 组横评中 Ultra 档综合得分 0.539 位列第一，并提供 Ultra 至 Low 五档；Max 处理 5—10 秒视频 2 倍超分耗时 34 秒，约为 Ultra 的 1/8.6。
发生了什么
据机器之心报道，海马云旗下 RunningHub 正式发布自研生成式视频超分模型 RH Upscale。该模型定位为「放大而不改内容」，即在提升分辨率、恢复纹理的同时，尽量保持人物、构图、色调与运动一致性。报道称其技术路径为「内容保真约束下的时空联合重建」，包含退化感知与条件注入、结构—细节双分支重建，以及时空建模与可靠性门控，用于在遮挡、镜头切换等情况下减少闪烁与拖影。评测方面，报道称横评纳入 13 个参测配置，统一采用 540P 输入、1080P 输出，从感知画质、纹理还原、原始画面相似度、人脸一致性和时序视频质量五个维度打分，RH Upscale Ultra 以 0.539 综合得分位列第一。模型提供 Ultra、Max、High、Medium、Low 五档：Ultra 侧重复杂退化与精细材质的画质上限，Max 通过少步一致性蒸馏压缩采样偏向效率，报道称同一段 5—10 秒视频做 2 倍超分时 Max 耗时 34 秒、约为 Ultra 的 1/8.6。报道还称 RH Upscale 已接入 RunningHub 创作链路，可置于视频生成节点之后完成超分与编码输出，输入不限于 AI 生成素材。
对开发者的影响
如果报道所述属实，这类生成式超分模型对视频生成流水线的影响不在「生成」环节，而在生成之后的画质交付环节，其价值取决于能否在不改变人物与构图的前提下恢复细节。对开发者的实际影响有三点。第一，五档配置把质量与算力成本变成可调参数，意味着编排层需要从「固定后处理步骤」改为「按素材与交付标准选择档位」，否则高价值母版与批量预览会共用同一套昂贵路径。第二，报道称其输入不限于 AI 生成素材，实拍录像与压缩损伤的低清文件也可进入处理，这使得它可能被用于非生成类素材的修复链路，而不只是 AIGC 后处理。第三，报道描述的 34 秒与约 1/8.6 比例若成立，则批量任务的总耗时主要由档位选择决定，队列设计与并发规划需要以档位为维度，而非以模型为维度。需要强调的是，0.539 综合得分来自报道所引述的 13 组横评，评测方未在报道中明确为独立第三方，参测的「多种视频超分方案」也未逐一列名，因此该排名应视为来源陈述而非独立验证结论。
接入与评估建议
以下为建议与条件性分析，不是已报道事实。建议一：先按「内容保真」而非「清晰度」定义验收标准。报道称 RH Upscale 的核心目标是放大而不改内容，因此对存在人脸、字幕、品牌标识的素材，应优先用原始帧与人脸相似度、构图偏移作为验收指标，而不是只看锐度提升；若素材以环境纹理、无人物镜头为主，则可放宽相似度门槛、更侧重纹理恢复效果。可测量标准：对同一批 540P 素材，比较处理前后关键帧的构图位移与人物身份一致性通过率，设定可接受的劣化阈值。建议二：以单条视频时长与并发量决定档位，而非统一跑 Ultra。报道称 Max 在 5—10 秒视频 2 倍超分下耗时 34 秒、约为 Ultra 的 1/8.6；若你的任务是大批量素材预览或快速迭代，这一比例意味着选 Max 可显著压缩排队时间，前提是能接受发丝、织物等细节恢复弱于 Ultra；若交付物是广告、短剧母版等高价值成片，则应保留 Ultra。可测量标准：在同一硬件与并发条件下，记录各档位单条视频的端到端耗时与失败重试率，再按单位时间产出量做取舍。建议三：把超分作为生成链路中的独立可回滚节点接入。报道称 RH Upscale 可放在视频生成节点之后继续完成超分和编码输出，这意味着编排上应保留未超分中间产物，便于在档位或参数调整后回放对比，而不必重跑生成环节。前置条件是你已具备可复现的素材与提示词记录。建议四：在正式接入前用自建测试集复现评测维度。报道列出感知画质、纹理还原、原始画面相似度、人脸一致性和时序视频质量五个维度，建议用自身业务素材覆盖镜头切换、快速运动与强压缩三类边界场景，观察时序维度是否出现闪烁或拖影，并据此决定是否需要分场景路由不同档位。
限制与待确认事项
首要限制是可用性范围：截至本次目录核对时，RH Upscale 并未出现在 KimiSeek 的实时模型目录中，因此报道中提到的体验与 API 入口均指 RunningHub 平台自身的调用方式，不代表该模型已在 KimiSeek 上线；关于调用方式、配额与计费，请以 RunningHub 官方页面与定价页为准。其次，报道未披露模型权重是否公开、采用何种许可，也未说明是否支持本地私有化部署，因此不能从「发布」推断出可自托管或商用授权等权利。第三，0.539 综合得分与第一名的结论来自报道所引述的 13 组横评，报道没有说明评测方是否独立、参测方案清单、评测脚本与随机种子，也没有给出各维度分项得分，因此该排名只能作为来源陈述，无法据此判断在你自己的素材分布上是否同样领先。第四，报道中 Max 的 34 秒耗时与约 1/8.6 比例未标注测试硬件、分辨率、帧率与批大小，脱离这些条件无法直接换算成你的成本与吞吐预期。第五，报道提到 RunningHub 此前推出 RH Enhanced 与 RH Lightning，但三者的具体版本号、发布时间与相互依赖关系未在报道中说明，是否为同一技术体系的连续迭代，报道仅给出了方向性的描述。