RunningHub
RunningHub

从生成入口,走向持续生产工具。

RunningHub 战略定位与增长路径

行业演进 · 2022—2026

从内容生成,到可控的多模态创作

关键变化:AIGC 的创作能力不断扩展与深化。

生成内容
扩展模态
控制与编辑

底层推动力:模型能力

模型能力的每次跃迁,都在重塑创作设施。

01 / 生成普及

生成从展示走向可用

文生图开始可用,带动生成入口、模型社区与运行需求扩展。

代表模型能力
Midjourney V4闭源图像体验
Stable Diffusion开放权重
2022
阶段变化

模型能力打开大众入口

生成产品、模型社区与运行设施开始共同生长。

02 / 可控创作

创作从提示词走向流程

Stable Diffusion 催生 ComfyUI,推动可复用的节点流程;Runway Gen-2 让文生视频进入创作产品。

代表模型能力
SDXL 1.0画质与微调
ControlNet空间条件控制
Runway Gen-2文生视频产品
2023
阶段变化

ComfyUI 推动工作台模式

ControlNet 与 SDXL 补充控制和画质,让节点工作台更可用。

03 / 视频扩张

视频能力打开新任务

图像质量升级,视频生成打开动态创作;云端运行与多模型工具需求同步扩展。

代表模型能力
FLUX.1 schnell/dev开放权重图像
Sora长视频技术预览
可灵大众可用视频
2024
模型厂商开始介入

模型能力进入创作入口

字节将豆包视频模型接入即梦、剪映;可灵也以自有模型面向创作者。

04 / 音画同步

音画同步走向可用产品

Veo 3 与 Wan 2.5 推动原生音视频生成;Wan 2.1 / 2.2 的开放生态让视频能力更易部署与组合。

代表模型能力
Wan 2.1 / 2.2开放视频生态
Veo 3原生音视频
Wan 2.5音画同步生成
2025
阶段变化

模型原厂整合创作工具

Google Flow 整合 Veo、Imagen 与场景工具;阿里「造点」将万相带入一站式创作。

05 / 连续创作

模型覆盖连续创作

多模态参考与编辑,使模型覆盖更多连续创作步骤。

代表模型能力
Seedance 2.0多模态参考编辑
MiniMax H3通用多模态视频
2026 至今
阶段变化

原厂与平台争夺完整任务

Seedance 2.0 进入即梦、豆包;参考、编辑与音画生成在原厂产品中进一步合流。

青色菱形表示公开代码或权重,具体许可各异。ComfyUI 属于工作流基础设施,早于 ControlNet 出现;Sora 于 2024 年公开技术预览。

模型名称可查看发布资料;整合例证:字节 2024 · Google Flow · 阿里造点 · Seedance 2.0。竞争影响为本报告分析。

AI 内容平台的价值边界将持续模糊,
仅以现有平台格局判断未来竞争,战略价值有限。

GPU 算力供给算力 · 价格云端创作基础设施环境 · 运行模型驱动的生成入口生成 · 效果模型与创作者社区发现 · 复用日常创作工作台生成 · 编辑垂直业务生产工具行业 · 交付算力云端模型社区工作台垂直
RunningHub云端基础设施 · 模型生成入口 · 创作者社区 · 创作工作台
公司 / 机构

图形表示业务覆盖范围,已覆盖业务按统一尺度展示。

不同起点的公司,正向同一段创作任务延伸。

最大威胁来自大模型公司。

模型厂商既向平台提供能力,也通过自有产品直接争夺平台的用户。

模型厂商与 RunningHub 争夺同一批用户和内容任务 模型公司通过自有创作产品直达用户,同时向 RunningHub 提供模型和 API;GPU 运营商向平台提供算力。金色与绿色路线共同指向内容任务,表示双方直接竞争用户和内容预算。 模型 / API 供给 算力供给 原厂直达用户 平台整合交付 直接竞争 用户 · 预算 · 任务 模型能力 大模型公司 控制模型能力与迭代 自有创作入口 模型公司产品 Flow · 可灵 AI · 即梦 AI 海螺 AI(MiniMax H3) 运行资源 GPU 运营商 提供训练与推理算力 整合型创作入口 RunningHub AIGC 平台:模型 + 工作流 共同争夺 内容任务 同一批用户 同一笔内容预算
公开产品例证:Google Flow · 可灵 AI · 即梦 AI · MiniMax H3 / 海螺 AI。最大威胁是本报告的战略判断。
问题一

模型厂商进入 AI 内容创作,
为什么已经是必须面对的竞争现实?

问题二

大模型公司入局,
会挤压工作流平台的增长空间吗?

面对模型公司的直接竞争,Runninghub
核心竞争力
?

模型与运行
工作流
应用社区
创作工作台

从拥有模型,到组织模型完成任务。

Grok Bot:按任务选择模型,以结果为先。

Elon Musk 的 X 原帖截图:Grok Bot 将为任务选择最合适的后端模型,包括 Claude Opus 5.5、Midjourney、Suno 与其他领先 API,以获得最佳结果。

案例依据:Elon Musk 关于 Grok Bot 的公开说明 · 查看 X 原帖 ↗

Fugu:把多个模型,组织成一个更强的系统。

一个任务,动态组织模型协作

用户提交目标,Fugu 负责后续的选模、分工与协作。

1 / 5机制示意 · 非实时推理

Ultra v2 · 图表推理测试

48.3Chartography 得分

+2.1 分高于所列最高单模型对照

本图展示官方图中全部单模型对照;Fable 5、Fable 5.1 与 GPT-6 Astra 未进入该版本的模型池。

Max · 六项基准得分

在官方图所列对照中得分最高
Terminal Bench 2.189.5
GPQA-D95.5
AA-LCR83.0
GDP.pdf26.0
AutomationBench49.5
SWEFish62.5

Sakana 官方评测 · 2026.09.11。Max 与 Ultra v2 为不同版本;AutomationBench 使用公开测试集,SWEFish 为内部基准。编排机制 ↗ · 测试来源 ↗

持续组织最优模型,
把最好的能力转化为交付优势。

单一模型解决单次生成;跨模型与专业工具链(3D/精修/排版)协同,解决可控返修与批量交付。

持续吸收模型进步,持续积累交付经验 全球模型持续进步,经持续接入和择优替换进入 RunningHub 的智能编排。编排围绕用户任务选择最优模型组合,形成质量、效率与成本上的交付优势。交付结果经过专业评价和经验沉淀,回流优化编排能力。 用户任务:目标 · 标准 · 约束 外部能力持续升级 全球模型持续进步 更强能力 · 更多模态 · 更低成本 文本图像 视频音频 新能力出现,持续纳入与评测 持续接入 择优替换 RUNNINGHUB 智能编排 按任务选择最优组合 跨模选优异构工具协同局部可控返修 工作流资产 · 专业标准 · 交付经验 结果导向 面向用户的结果 交付优势 更高质量更快交付更优成本 结果回流 持续增强 内部经验持续积累 把验证有效的经验用于下一次编排 编排优化经验沉淀专业评价

从策略,到工程能力

Harness Engineering

把模型能力,变成可靠交付。

概念参考:LangChain ↗ · Google ↗

从生成内容,到高效、高质量完成任务。左侧一次输入生成一个内容结果,右侧围绕任务目标组织模型、工具、工作流与校验,交付可用的任务结果。 从生成内容, 到高效、高质量完成任务。 过去 内容生成 一次输入 → 一个内容结果 提示词模型生成 从单点生成到多能力协同 现在 任务编排 围绕目标,动态组织能力 任务理解目标 · 需求 · 约束模型选择多模型 · 按需组合工具调用API · 插件 · 数据工作流编排规划 · 执行 · 调度结果校验质量 · 一致性 · 可用性 可用的任务结果可交付 · 可复用 · 可商业化

RunningHub 不是 AI 生成入口。
仅靠生成入口,难以形成持续竞争优势。

即梦与小云雀提供创作入口,LiblibAI 提供模型与工作流入口,本质上都在承接 AI 创作需求。

创作入口

即梦

以创作工具吸引用户进入

通过画布、图片与视频生成等能力,承接从想法到作品的创作需求。

快速获得豆包系列模型能力。
模型与工作流入口

LiblibAI

以模型与工作流吸引用户进入

通过模型、工作流与社区资源,承接能力选择与调用需求。

快速找到并使用模型与工作流。
创作入口

小云雀

以创作工具吸引用户进入

通过图片、视频与营销内容创作工具,承接从想法到作品的需求。

快速获得图片、视频与营销内容生成能力。

产品信息参考:即梦官方创作入口、LiblibAI 官网、小云雀官方产品手册。

入口领先,不等于持续被选择

连 ChatGPT 这样的超级入口,
份额也在被重新分配。

选择仍在流动领先 ≠ 锁定
Comscore · 2026 年 1 月 · AI 助手提示词份额
  • ChatGPT
  • Gemini
  • Claude
  • 其他
先发优势不能等于持续选择。

提示词份额反映使用结构,不直接代表用户留存。

进入日常工作流,打开持续使用与付费的空间。

Claude Code 提供了一个例证:工作流中的深度使用,可以与商业增长共同发生。

Claude Code 的收入增长年化收入运行率 · 美元
2025.09公开披露2025.11突破 10 亿2026.02超过 25 亿
增长不只发生在收入端
2×
周活跃用户2026 年初至 2 月翻倍
4×
商业订阅2026 年初至 2 月增长四倍
20h
每周平均使用工具运行时间 · 2026 年 6 月研究

较新调查 · 工作中使用 Claude Code

2026 年 1 月18%
2026 年 5—7 月39%

提升 21 个百分点 · 约为原来的 2.2 倍

从首次尝试到日常工作的合作伙伴

单次生成入口持续生产工具

RunningHub 核心策略

从内容生成入口,到稳定可交付内容生产。

生成入口平台随机生成
生产工具平台稳定 · 批量 · 可复制
大定位

Content Production OS

内容生产系统

稳定 · 批量 · 可复制
用户提供的速途网可灵Kling 4.0生产级交付研究卡

内容生产系统,绝非一次性流水线。

以商品详情页设计为例:模型持续协作,用户参与反馈,按结果动态调整。

用户委托 RunningHub,RunningHub 组织模型与工具完成详情页设计 用户与左侧 RunningHub 直接连接,提交详情页设计任务,并在生产过程中预览阶段方案、确认关键节点与提出反馈,最终接收完整成果。RunningHub 组织 A 模型规划框架、B 模型撰写文案,以及 C、D、E 模型共同完成视觉制作。C 模型制作图片并进行 AI 精修,D 模型调用 Blender 完成产品渲染,E 模型调用 Photopea 排版与合成。C、D、E 互相配合、反复打磨图片效果,最终由 RunningHub 统筹检查并交付用户。 用户 Human in the loop 设计商品详情页 商品素材品牌要求风格参考 需求与反馈方案与成果 关键节点确认预览 · 交付 RunningHub 任务承接与交付 组织模型 · 协调协作 · 检查成果 组织生产 整合成果 内容对齐 模型分工 A 模型 框架规划 详情页结构与内容顺序 B 模型 文案撰写 卖点表达与版块文案 视觉联合制作 C · D · E 双向协作 互相校准 共同打磨图片效果 精修协同 渲染适配 C 模型 图像制作 图片生成 · AI 精修 D 模型 产品渲染 调用工具 Blender E 模型 排版与合成 调用工具 Photopea
用户Human in the loop

任务:商品详情页设计

商品素材 · 目标 · 风格要求
↓ 需求 · 确认 · 反馈↑ 阶段预览 · 成果交付
RunningHub

接收需求 · 组织模型

协调协作 · 整合成果 · 检查交付

↓ 按任务组织合适的模型

A 模型规划详情页框架
B 模型撰写详情页文案
视觉协作

共同打磨图片效果

C 模型图片制作 · AI 精修D 模型产品渲染调用工具:BlenderE 模型排版与合成调用工具:Photopea 双向协作 · 持续打磨

用户在关键节点确认与反馈,RunningHub 组织修正并完成交付。

模型协同编排,完成数字人口播交付。

本地成片
LibuAI · 生成结果

效率,持续提升。

4~5天/套

黑胡桃详情页
Nature 黑胡桃商品详情长页

1.5天/套

白橡木详情页
Nature 白橡木商品详情长页

1天/2套

Ease 详情页
Ease 商品详情长页
Essential 详情页
Essential 商品详情长页

未来的 RunningHub 使用体验

简洁的交互,高品质的产出。

表达需求

RunningHub
内容生产系统

理解需求
协同创作
质量检查

获得成品

从首次交付,到新任务复用。 观察执行数据如何经过反馈与验证,改变下一次任务的执行方式。
示意动画 · 35 秒

生成只是开始。交付才是结果。

成为内容生产系统,需要完成三项升级。

01

技术迭代

从固定工作流,
到任务驱动的智能编排。

02

体验迭代

弱化 ComfyUI 工程思维,
让创作更直观、更易用。

03

组织迭代

建立适应 AI 时代的新型 Lab,
让技术、产品与场景共创。

技术迭代的关键

从无限画布展开,
围绕任务交付的模型组织与编排。

分阶段务实演进:现阶段以「云端工作流+无限画布节点传递、多分支对比与局部返修」承接交付;随修改数据沉淀,逐步升级 Agent 自动调度与 QA 闭环。

无限画布承接任务展开与动态执行:Agent 拆解任务,系统按执行结果调整模型与步骤;QA 和用户反馈触发修正,验证有效的经验用于后续任务。策略更新质量反馈
01/ 执行安排

智能调度

将需求展开为步骤与依赖;根据执行状态、成本和反馈,决定下一步、并行执行或失败切换。

02/ 能力协同

模型能力组合

按子任务选择模型,传递中间产物;结果不达标时,调整模型组合或局部重跑。

03/ 评价与修正

QA 质量反馈

按客户验收标准检查中间产物与最终结果,把问题反馈到具体步骤,触发修正与再验证。

04 / 持续进步

Loop 与经验闭环

将有效的模型组合、参数与修正方法沉淀为候选策略,经验证后用于后续任务。

现阶段已落地 · 画布可控生产节点传递 → 分支对比 → 局部重跑与精修
下一阶段演进 · Agent 经验闭环修改记录沉淀 → 自动选模调度 → 跨任务复用

工程量化指标

有效Token率

同一任务、同一验收标准下,
每单位模型与算力投入,能交付多少合格内容。

体验迭代的关键

从 Workflow 的工程思维,
到任务交互的用户思维。

WORKFLOW · 工程思维

这条流程怎么搭?

01选择模型
02配置参数 · 连接节点
03运行流程 · 调试问题

用户围绕流程结构与技术配置操作。

ChatGPT dot
Dot 官方界面:交代任务

01 · 交代目标与交付要求

用户交代目标、约束与反馈,系统负责任务拆解、执行与结果交付。

Dot 官方交互示例 ↗
ChatGPT dot · 官方界面分步演示
Dot 官方界面:交代任务

01 · 交代目标与交付要求

组织迭代的关键

围绕真实任务,
组建多元 AI Lab。

打破单点能力边界,按任务动态组队,
以真实交付为共同目标。

更快响应

按需组队,快速进入执行。

更高质量

多视角评审,降低试错成本。

持续进化

从反馈中学习,沉淀可复用能力。

多元AI Lab:专业协作围绕真实任务,交付后持续迭代 技术与工程从上方参与,行业与创作从左侧参与,产品与体验从右侧参与,真实任务在中心。执行进入评价与反馈,评价推动团队迭代。右侧为共同完成的合格交付。 技术与工程组合模型与工具,把方案变为执行流程。行业与创作把行业经验转化为任务要求与合格样例。产品与体验把复杂能力变成简单可用的产品体验。评价与反馈按专业标准验证,反馈问题并校准方法。 真实任务 明确目标 · 拆解需求 动态组队 · 共用验收标准 模型选型工具开发系统编排 行业专家内容策略创意设计 需求洞察交互设计场景落地 自动化评测专家评审用户反馈 合格交付 可验收 · 可复用 可规模化 迭代优化

从现有底座,
走向持续学习的内容生产系统。

01现有底座

云端工作流
与应用封装

将复杂工作流封装为应用与模板,依托云端运行,降低使用门槛。

经验积累

运行记录与用户选择

02当前主攻

无限画布
与人机协同

围绕视频任务展开多步制作,在关键节点预览、确认与局部返修。

经验积累

修改过程与验收反馈

03长期演进

Agent 智能调度
与经验复用

让验证有效的经验参与选模、执行与质检,逐步提升自动化能力。

经验积累

可复用策略与质量规则

最终目标

跑通数据飞轮,形成持续积累的生产知识壁垒。

在策略方向坚定以后,我们应该如何落地,把交付做透?

先让一群人离不开,
再让更多人用起来。

聚焦视频生产
优先电商视频与短剧/漫剧

双轮驱动:电商视频以「客观标准、短周期验收」验证商业闭环;短剧/漫剧以「多镜角色锁定、连续分镜编排」建立差异化壁垒。

01商业验证首战

电商视频

客观验收 · 多版本裂变
避开单图生成红海,聚焦商品保真、分镜控制与多版本批量复用,2–4 周验证付费闭环。

02差异化突破

短剧/漫剧

连续分镜 · 强编排壁垒
单一大模型难交齐多集一致性;从角色三视图锁定、连续分镜衔接与单镜局部返修切入。

03关注

数字人口播

标准任务 · 按需拓展
以讲解与口播为主,已有工具覆盖较多,优先复用共用能力。

04布局

品牌日常视频

长期需求 · 后续布局
品牌风格与创意要求分散,待场景能力成熟后拓展持续服务。

视频生产 · 场景优先级

为什么优先电商视频与短剧/漫剧

双轮协同:用「电商多版本视频」跑通客观商业验收,用「短剧连续分镜」放大工作流差异化壁垒与低成本视频获客。

01

为什么不能只押单一场景?

泛电商单图竞争拥挤,必须切入「分镜控制+多版本复用」;而短剧若直接承诺「整剧全自动交付」,会因审美与叙事主观性陷入返工泥潭。

02

两个场景如何共用底层能力?

电商锁死「商品包装与结构」,短剧锁死「角色面部与服装三视图」;两者在无限画布中共用「多资产绑定、分镜节点拆解、单镜局部返修」底座。

03

商业验证与流量破圈互补

电商视频验收标准客观(2–4周可算清单位经济);短剧/连续分镜天然具备强视觉反差,契合B站(CPM≈231元)与抖音(CPM≈120元)低成本扩圈。

边界声明:现阶段聚焦「多镜头资产一致与画布节点复用」,不夸大宣传整部短剧或全套广告零人工全自动成片。

为什么优先电商视频?

容易引起关注,笑过就过

先在明确的商业任务中,
验证持续付费与数据飞轮。

01

付费理由具体

面向已有视频制作需求的商家与团队,用单条成本、交付时间与可用率验证付费价值。

02

首个任务可收敛

从单商品、多版本短视频切入,先解决商品保真与卖点表达,减少剧情、表演与跨集连续性的要求。

03

重复生产积累飞轮

围绕商品、品牌与模板反复生产,将修改与验收关联到流程,用于改进下一批的成本与质量。

电商先验证商业闭环;短剧/漫剧在主体一致与流程复用能力成熟后拓展。

用户痛点

素材生成了,用户的工作才刚开始。

01 · 商品细节失真

换个场景,
商品就变样

包装、标识、颜色与结构,仍要逐项核对。

37%企业受访者将商品视觉失真列为
AI 出图的首要顾虑¹
02 · 参考难以还原

有参考,
做不出想要的效果

03 · 成片制作负担

有了镜头,
还得自己做成片

04 · 修改反复

改个细节,
还要反复试

05 · 创意雷同

生成很多,
创意仍然雷同

06 · 整套风格不统一

单张能用,整套不统一

07 · 批量操作负担

做一批,还是逐个搬运

08 · 学习与试错成本

还没稳定产出,
先付出学习成本

双重点场景 / 完整视频任务的目标与验证

围绕主体一致、局部修改、流程复用,
优先实现电商视频生产闭环,再打磨短剧。

用户需要的交付结果画布方案的组织方向需要验证的结果
01 / 换个镜头,商品变样、角色换脸

保持商品与角色一致

参考资产 → 分镜制作 → 对照修正

组织商品或角色参考、场景与分镜要求,对照结果定位需要修改的部分。

商品标识与角色五官服饰是否稳定跨镜头一致性

逐镜对照原商品细节与角色面部、服装特征。

02 / 局部不满意,修改影响其他内容

修改问题,保留已确认内容

按制作环节组织节点与版本

分别管理素材、分镜与生成版本,定位问题环节,对比修改前后的结果。

指定修改是否落实且不破坏其余镜头
单镜返修稳定性前后镜头衔接

对比修改前后分支,核对已确认画面是否受影响。

03 / 单条视频难复用,换款续集又要重搭

复用流程,制作系列内容

复用资产与模板,组织多版本制作

从同一商品的多场景、多版本制作,到固定角色的连续分镜,复用已验证的设置。

跨SKU/跨场次复用效率

核对复用后的耗时与合格率,积累修改原因及验收反馈。

官方教程示例 / 素材、分镜与生成过程

从素材组织到视频生成,看清画布的作用。

商品广告与连续换装示例,展示素材引用、分镜组织与流程复用的基础。

01 / 准备商品与分镜

商品原图+分镜描述

原商品参考
商品与镜头要求

以原商品图为参考,用分镜文本描述沙滩、海浪与瓶身亮相的画面要求。

输入
商品原图+分镜文本
输出
一段竖版商品短片
02 / 在无限画布中编排

分镜文本与商品资产连线传递

官方案例画布:原饮料商品图、分镜文本和后续视频结果通过连线组织在一起

商品图与分镜文本共同接入视频节点,素材和结果保留在同一张画布中。

03 / 已展示的视频结果

沙滩亮相短片

2 秒 · 官方教程片段 · 点击播放

商品与分镜对照

核对海浪转场后瓶身造型、粉色标签与颜色是否与原图一致。

流程复用方向

教程介绍复制工作流、调整素材与分镜;多版本质量仍需逐次验收。

经验沉淀方向

记录素材选择、分镜调整与验收结果,识别可用于后续制作的设置。

视频生产,用 RunningHub 无限画布。

返工更少效率更高交付更稳

围绕电商视频与短剧分镜,如何通过 KOL
推广无限画布?

以真实演示与已验证模板承接用户,
让观看转化为首次完成任务,
以预测与反馈持续优化 KOL 合作。

建模

历史数据+大模型建立首版预测方案

投前预测

合作前预测播放,换算预期 CPM辅助合作与投放决策

结果验证

实际播放与 CPM 对照预测检验误差与原因

模型迭代

加入新数据,更新下一版RunningHub 的 KOL
合作与投放模型

建立 KOL 预测模型的
基础数据库。

收集 RH 样本

1,149条

来自 62 位 UP 主

视频带有 RH 链接,
每位 UP 的 RH 视频为 1–56 条。

补同 UP 历史

+696条

回溯 180 天

每位最多补 30 条历史候选,
本列为同 UP 的其他视频总量。

补其他 UP

+822条

新增 39 位 UP 主

补充其他主投稿 UP 的视频,
扩大创作者参考范围。

最终样本池

2,667条

覆盖 101 位 UP 主

去重合并 RH 与其他视频,
形成可追溯的数据底稿。

数据库包含哪些信息

账号信息

粉丝数、平台内容标签、可用账号简介,以及同 UP 的历史播放分布。

本次内容

标题、可用内容简介、视频时长、内容方向线索,以及是否带 RH 链接。

历史参考

同 UP 已有视频、分组播放统计,以及视频发布距采集时的天数。

每位 UP 的取样数量

共 101 位主投稿 UP、2,667 条去重视频,其中 RH 视频 1,149 条、其他视频 1,518 条。

补采规则为锚点前 180 天、每位最多 30 条历史候选,候选核验后可能归入 RH 样本;最终总量还包含原有 RH 内容及补充审核视频。各 UP 的实际条数如下。

UP 主RH 视频其他视频合计
T8star-Aix56258
Aiden_051455
Ai_随风452772
三层楼的小肥猴44549
AI代码侠土豆361551
在下鱼酥36440
有趣的80后程序员35439
Doc_workBox35237
跳爷观光团34135
遇见AI-yujian545533437
AI搅拌手32032
大麦茶看AI32032
NicknickAI31637
学AI的曹同学31233
wangyi_AI_Studio31031
WorkFisher29938
AIGC特异点28331
艾橘溪28028
阿硕讲ai27734
老许爱吃肉丶261743
DeepWhite深白色25934
老胡用AI画梦25631
炮老师的小课堂241539
像素幻想Lab221537
FaboroHacks22123
AI-KSK211738
无用の阿杰21627
做我的春秋小梦_aigc191635
梦影Erislia191231
Smile-ii18826
绘世玩家171532
吃猪侠233161935
大圣Ai自习室161834
MoteGlow-尘光AI151126
孤海FOTO14014
Max的AI世界121022
那颗星星188111627
清木技术流111324
老徐Ai研习社11718
笨笨聊AI102232
AIGCTV9312
YZ_金鱼9211
鳌拜拜丿AllBuy909
AIwood爱屋研究室82836
阡陌电商设计82331
好奇漫步81624
劇毒Shoujo72431
十字鱼72229
wuli大雄oO61925
-IFRIT-516
电磁波Studio505
1561NA42731
橘子老师_SJRJT41115
阿米粒包子21315
HooTooH213
AIGC茶茶13435
FutureAI实验室13031
虫虫飞学园13031
啦啦啦的小黄瓜12930
娜乌斯嘉AI12021
DeepSeek研究员11213
阿墨AICG134
我是小斯呀07878
历史盲盒哥04545
游戏魂AI工坊04141
魔灵DY04040
小猫玩老鼠66603636
宏雷HyLan03535
CHUNG_G03333
AI先生李豪03131
AI冷科长03131
Em7-AIGC03131
产品君03131
卡布奇诺ultra03131
火花宝宝小剧场03131
贾维斯AIGC工作室03131
赛博马克CyberMark03131
胡扯Max02727
超凡精品短剧02727
Ai商业慢谈02424
Aya艾娅02424
铁臂阿彤木Astro02424
吴限宇宙AIGC02323
AI视次方02020
AI李放心01717
肥宅阿浩01414
蜗牛AI动画01111
zzbbto099
霜炎工作室099
87time088
李一帆AIGC088
AI大法师066
Li鱼i055
NOLI和她的蓝白022
防御老猫022
AI星探营业中011
wuwukasi011
仟映Kirito011
屾哥ai说011
沈杳_Yao011
秋芝2046011
全部合计 · 101 位 UP1,1491,5182,667
来源:播放快照 · RH 链接样本。按主投稿 UID 统计,与初始检索账号数口径不同。

RunningHub 预测 V1 · 数据与口径

当前方案:使用 DeepSeek V4 Pro,结合结构化历史参考数据与固定预测指令直接推理,未训练或微调大模型参数。V1是RunningHub这套预测方案的版本名。费用暂不纳入。

现有样本:整理库包含2,667条去重视频。本轮参考池为2,401条,历史检验集为133条,另133条校准样本本轮未使用。检验集涉及64个UP,其中58条视频带RH链接;带RH链接按用户约定纳入RH样本,不代表已确认付费合作。

输入:目标标题、发布时间距采集时的天数、时长、RH链接标记、可用简介;账号粉丝数、平台内容标签、可用自述;同UP参考视频和分组播放统计。内容方向与形式来自规则线索,不等于完整观看视频或真实受众画像。133条中114条有目标简介、93条有方向线索、17条有有效账号自述,仍存在信息缺口。

没有输入:目标实际播放、目标互动数据、其他模型对目标的预测、费用。目标检验视频不进入参考池。不限定所有视频必须发布3天、7天或30天;发布时间距采集时的天数作为输入,预测对应采集时点的累计播放。

对照方法:历史中位数取同UP在参考池中的播放中位数,直接作为目标播放估计;V1使用增强信息预测。两种方法在同一133条历史检验样本上与实际结果核对,不把不同模型或不同样本混算。

整体结果:历史中位数的相对误差中位数50.9%,V1为46.3%;误差在±30%以内的样本占比由36.8%到38.3%。前者降低4.6个百分点。相对误差=|预测−实际|÷max(实际,1),整批取中位数;不能用100%减去误差称为“准确率”。

RH子集:58条带RH链接的视频中,相对误差中位数为53.1%(历史中位数)与52.3%(V1);误差在±30%内的占比为29.3%与31.0%。RH样本上的改善较小,不能把整体结果直接说成RH合作效果。

参考范围:示例8,000/11,000/16,000播放来自首条历史检验样本的模型输出。上下范围未经校准,不是保底或覆盖承诺。该样本实际播放9,338,中心预测误差17.8%;单条示例不能代替整体结果。

结果边界:本轮是重复使用同一历史检验集的探索性对照,不是全新盲测,也不是严格历史投前回测。当前账号画像及部分参考视频快照可能晚于目标发布,不能声称当时投前可见。观察到的改善仍有波动,尚未证明可稳定推广到新合作。

下一轮:冻结V1配置,在新合作结果出现前保存预测;实际结果先评价V1,再加入参考数据用于改进V2。改进数据、内容理解、参考选择和预测指令;新旧版本提前预测同一批新合作后比较,不预设新版一定更好。

本地依据:对照报告 · 逐条预测记录

这套数据库,
如何形成一次投前预测?

给定一位 UP 和一条内容,预测指定观察时点的累计播放。

01 / 输入信息

一个账号+一条内容

本次待预测内容

UP 账号、选题标题、可用简介、视频时长、RH 链接标记及预测观察时点。

从数据库提取参照

账号信息、同 UP 的可比视频、历史播放分布及视频发布距采集时的天数。

RunningHub 预测模型

03 / 播放量预测结果

这条内容能有多少播放?

预计有多少播放
给出一个大致的播放量。
大概在什么范围
给出偏低、偏高的参考值。
为什么这样判断
结合账号历史和这次内容,说明预测理由。
预测示例 / 历史样本 case-001

用一个历史样本,
演示一次播放量预测。

UP 主:三层楼的小肥猴

GPT-Image2.5 完美平替!! Qwen-Image 2.1 开源啦!!

预测目标:发布约 7.5 天时的累计播放 · 带 RH 链接

UP 主:三层楼的小肥猴

GPT-Image2.5 完美平替!! Qwen-Image 2.1 开源啦!!

结果核对:同一历史样本 case-001 · 发布约 7.5 天时的累计播放

11,000次V1 预测播放
9,338次实际播放
17.8%相对误差

基础小样本下
相比历史中位数有小幅改善

账号历史中位数50.9%
V1 预测46.3%
典型误差降低 4.6 个百分点

用每一轮真实合作,
持续校准 RunningHub 的 KOL 合作与投放模型。

让真实结果同时校准播放预测与 CPM 基准线,改进是否有效,由下一轮合作检验。

真实合作驱动预测方法持续校准 合作前预测、合作后对照、找出偏差、调整方法、下一轮验证。真实合作数据沉淀到样本库,反馈到下一轮预测。 01 合作前预测 预测播放与预期CPM, 留下选人与选题依据。 02 合作后对照 实际播放、实际 CPM, 对照合作前的预测。 03 找出偏差 哪些账号、选题或内容, 容易被高估或低估? 04 调整方法 补齐相关数据, 调整参考与预测方法。 05 下一轮验证 新旧方法同批比较, 检验改动是否有效。 新结果进入样本库,校准下一轮预测与 CPM 基准线
每轮持续沉淀

UP、选题、内容、报价、预测与实际结果(播放、CPM),进入 RunningHub 自己的样本库。

传播效率

以基准 CPM 为参照,衡量每一笔合作的传播效率。

传播效率=
基准 CPM实际 CPM
× 100%

本轮计算基准:B站 400 · 抖音 160 · 小红书 300 元

B站AI类内容的传播基准线

项目目标区间 · 非行业均价
350–500元/千次播放
参照组7日自然 CPM 中位数有效/检索账号
AI工具/评测≈571 元460/903
AI设计≈611 元102/358
AI工作流≈682 元113/519
数字人≈519 元67/325
ComfyUI≈734 元22/209 *
AI绘画≈494 元64/457
Midjourney≈451 元37/305
AIGC泛内容(外围)≈99 元593/3,775

CPM明显低于项目目标区间,优先评估AI视频类合作。

按UID去重;组间可重叠。* 有效样本不足30,仅作辅助观察。
关键词命中账号的历史商单CPM,不代表该类内容的独立成交均价。

小红书AI类内容的传播基准线

暂定项目目标区间
250–400元/千次曝光
参照组图文预估CPM视频预估CPM
AI工具≈220 元 样本 1,785 个账号≈543 元 样本 1,536 个账号
AI视频≈279 元 样本 466 个账号≈518 元 样本 782 个账号
AI设计≈216 元 样本 219 个账号≈590 元 样本 214 个账号
AI工作流≈407 元 样本 124 个账号≈828 元 样本 126 个账号
数字人≈273 元 样本 128 个账号≈729 元 样本 117 个账号
ComfyUI≈228 元 样本 11 个账号*≈777 元 样本 9 个账号*
AI绘画≈126 元 样本 171 个账号≈478 元 样本 117 个账号
Midjourney≈159 元 样本 38 个账号≈495 元 样本 24 个账号*

AI绘画图文:成本优势明显,优先评估。

样本为有效账号数;* 不足30个。各组可重叠。

抖音AI类内容的传播基准线

暂定项目目标区间
120–200元/千次播放
参照组预期CPM中位数有效账号样本数
AI工具≈134 元196 个账号
AI视频≈120 元197 个账号
AI设计≈150 元200 个账号
AI工作流≈190 元200 个账号
数字人≈330 元197 个账号
ComfyUI≈108 元53 个账号
AI绘画≈174 元199 个账号
Midjourney≈85 元200 个账号

优先评估AI视频与ComfyUI,贴合RunningHub的视频生成与工作流使用场景。

各组取相关度前200位,不足则全取;剔除无有效CPM账号,组间可重叠。

三平台传播基准与优先场景

平台基准CPM优先评估场景 TOP 3

B站

350–500
7日自然CPM
  1. AI视频≈231 元
  2. AI绘画≈494 元
  3. 数字人≈519 元

小红书

250–400
图文预估CPM
  1. AI绘画≈126 元
  2. AI设计≈216 元
  3. AI工具≈220 元

抖音

120–200
植入视频预期CPM
  1. ComfyUI≈108 元
  2. AI视频≈120 元
  3. AI工具≈134 元

结合RunningHub场景适配与样本CPM筛选;三平台口径不同,仅作平台内比较。

以B站为主阵地,
兼顾用户增长与商业场景布局。

配置依据:现有基础 × 平台角色 × 场景适配 × 成本参考 × 长期价值

B站

50%

稳固基本盘 · 深度转化

平台属性
中长视频、深度教程与实测,适合讲清复杂生产流程与交付质量。
项目价值
围绕电商视频与短剧分镜,用完整教程与任务模板承接核心用户,促进首次完成与持续使用。
为什么配 50%
优先保障现有主阵地,以一半投入承接核心用户与深度内容;已有1,149条RH链接样本支持分析。AI视频样本CPM约231元,用于合作筛选。

抖音

30%

低成本拓新 · 放大规模

平台属性
短视频适合快速展示成片效果与前后对比,吸引新用户了解与尝试。
项目价值
通过AI视频、ComfyUI任务演示拓新,以模板入口承接从“看效果”到“做任务”的转化。
为什么配 30%
承担增量探索的主要投入:视觉演示贴合AI视频场景,拓新优先于搜索布局,同时控制新平台投入。AI视频/ComfyUI预期CPM约120/108元,用于平台内筛选。

小红书

20%

商业需求 · 搜索积累

平台属性
图文步骤、成果对照与主动搜索,适合围绕具体制作需求提供可收藏方案。
项目价值
围绕视频制作步骤、商品与角色素材准备,积累任务教程与搜索内容,承接模板使用。
为什么配 20%
以较小投入布局商业需求:图文合作门槛较低,可逐步积累场景内容与搜索资产,为长期增长留出空间。AI绘画/设计图文预估CPM约126/216元,用于平台内筛选。

起始配置:50%巩固主阵地,30%拓展新增用户,20%积累商业需求;后续按使用、付费与留存优化。

按平台布局执行,
月度合作规模与传播预估。

测算合作账号数约105个
播放/曝光合计约265万次
混合测算CPM约264元
平台预算占比重点合作内容合作账号数播放/曝光计算基准CPM
B站50%电商视频/短剧分镜教程约17–18个约88万播放400元
抖音30%视频效果/模板操作演示约17–18个约131万播放160元
小红书20%视频任务教程/素材准备图文约70个约47万曝光300元

按报价样本测算;模板演示要求纳入询价后复核合作规模,播放/曝光合计未去重。

后续按有效使用、付费获客成本与留存调整配比,同步更新合作规模与传播预估。

从策略到投放

以真实交付留住用户,
以精准推广扩大增长。

让使用与付费结果,持续反馈到产品迭代与投放决策。

产品效率 · 体验
增长精准 · 闭环

效率体验

提升交付效率,
积累生产知识。

有效Token率、生产级交付与数据飞轮 左侧以有效Token率衡量每单位投入的合格内容产出,中央突出稳定、批量、可验收、可复用的生产级交付。右侧真实任务、智能编排、专业评价、数据沉淀、生产知识构成循环,经验证的知识回流到交付策略。交付结果继续形成反馈,推动下一轮迭代。 衡量效率 有效 Token 率 每单位模型与算力投入,能交付多少合格内容。 同一任务 · 同一验收标准 交付目标 生产级交付 稳定 · 批量 · 可验收 · 可复用 把 AI 能力转化为可用成果 衡量交付效率 数据飞轮 持续改进下一轮任务 真实任务客户场景 · 验收要求智能编排模型 · 工具 · 工作流专业评价结果验收 · 问题反馈数据沉淀执行记录 · 验收结果生产知识规则 · 偏好 · 失败经验 知识经验证后改进交付策略 交付结果反馈到效率评价 交付记录与验收结果回流

精准闭环

精准选择合作,
持续优化增长。

明确平台分工

平台布局

B站承接核心用户与深度使用,抖音拓展新增用户,小红书积累商业需求与搜索内容。

起始配置:B站50% · 抖音30% · 小红书20%
找到合适的合作

合作选择

围绕电商多版本视频与短剧连续分镜筛选达人,每条合作内容绑定已验证、用户可访问的任务模板。

需求匹配 × 预测表现 × 传播效率
让结果指导投入

结果优化

追踪首次完成、重复使用与付费;制作反馈用于产品改进,传播与转化结果用于投放优化。

从首次完成,追踪到复用与付费
达人演示任务模板首次完成再用与付费反馈改进 ↺

本次决策:明确方向与执行。

01

战略方向

是否同意向面向专业内容团队的AI 内容生产系统演进?

以稳定交付与生产知识积累核心能力。

02

重点场景

是否聚焦视频生产,优先布局电商视频与短剧/漫剧?

电商从商品展示与广告变体切入;短剧从连续分镜与角色一致性切入。

03

平台布局

是否按B站50% · 抖音30% · 小红书20%启动投放?

以B站为主阵地,兼顾新增用户与商业需求,后续按实际结果调整比例。

04

执行资源

是否落实产品、技术、投放与数据支持?

按阶段交付推进,明确合作执行、效果追踪与复盘责任。

阶段复盘

产品验证:交付效率、复用能力、付费复购与单位经济。
投放优化:传播效率、有效使用、付费获客成本与留存。

thinking...

云电脑无限画布RunningHub 异构工具平台生产编排模型

FUGU · 智能编排

把多个模型,组织成一个更强的系统。

简化机制示意 · 非实时推理
复杂任务理解图表,形成结论
Fugu学习如何组织模型
模型 A等待调用
模型 B等待调用
模型 C等待调用
综合结果协作成果合为一次输出
1 / 6

协作路径为讲解示意,实际选模与分工随任务变化。评测分数由 Sakana 官方公布。编排机制 · 评测来源

Sakana 官方演示与测试原图

Sakana 官方 Fugu Ultra v2 八项基准完整对照图

Sakana AI 官方素材 · 2026.09.11 · 各测试单独计分;官方动画为产品机制示意。查看发布原文 ↗

客户痛点与调研依据

检索至 2026.10.15 · 用户原帖、产品文档与调查报告

可以引用的比例,以及它们各自在说什么

目前没有找到这八类痛点在同一电商样本中的完整占比。下列数字来自不同问题或不同样本,不能相加,也不能直接用于八项排序。

37%
将不准确或歪曲商品的视觉列为 AI 商品出图首要顾虑。
Photoroom · 2026.03 · 322 位企业负责人。
75%
因希望提升内容质量与一致性,而启动新工具评估。
同一 Photoroom 企业调研,属于选型动机,非痛点发生率。
88%
认为 AI 内容在可用前仍需中等或大量编辑。
Knak · 2026 · 美英加 333 位企业营销决策者;非电商专项。

两项均为工具厂商发布的研究。Knak 样本仅 18% 来自零售或电商,覆盖邮件与落地页等营销制作,不能表述为“88% 电商客户无法成片”。页面大小仅表示本次汇报的关注优先级。

01 / 商品细节失真

换个场景,商品就变样

一位袜子品牌商家称,AI 反复改错 FRSH 品牌字母方向,并抹掉目标客户在意的设计细节,因而转向寻找人工编辑。其任务是准确呈现真实商品,而非只得到一张好看的图。

商家原帖:细节出错后寻找编辑 ↗
02 / 参考难以还原

有参考,做不出想要的效果

一位广告制作用户希望给出参考广告、自有品牌和文案,直接得到可用创意;其原帖及后续反馈提到排版、裁切与字体难以匹配,反复提示反而比手工制作耗时。这是具体用户反馈,不能推断所有参考生成工具都存在同样问题。

广告用户原帖与后续反馈 ↗
03 / 成片制作负担

有了镜头,还得自己做成片

一份付费招募要求把商品图与 brief 做成 15–30 秒竖版广告,明确要求商品准确、开场与节奏、配音字幕和声音,并要求在剪辑工具里完成成片。这证明完整制作任务存在,不能推断全部平台都做不到。

付费任务原帖:AI 商品广告编辑 ↗
04 / 修改反复

改个细节,还要反复试

Photoroom 已提供保真检查与局部修复,其批量修复文档仍包含逐张处理、必要时重复修复及细化提示。Google 图像模型卡列出小字、局部编辑指令遵循及一致性等限制。需要验证的是修改成功率、已确认内容的保留程度与返工时间。

06 / 整套风格不统一

单张能用,整套不统一

Photoroom 文档说明,部分 AI 编辑需要逐张操作;对所有图片复用背景提示,生成的是相似而非完全相同的背景。其已提供批量一致性控制与静态背景方案,因此应验证整批风格的稳定程度,不能声称平台没有一致性功能。

07 / 批量操作负担

做一批,还是逐个搬运

2026 年 8 月,一位床品商家描述了 30 款商品逐张生图,再逐项生成描述、改格式、重命名、上传的流程,整批耗时数小时。其负担横跨多个工具及商品发布环节,不能将这些步骤一概归因于生成能力不足。

Shopify 商家原帖:完整工作流程 ↗
08 / 学习与试错成本

还没稳定产出,先付出学习成本

一位 Shopify 商家评价称,初期试验消耗了 200 多额度,需要开发者协助调整预设和提示,之后才获得稳定效果,并批量处理了数千张图。它说明上手与调试的负担,也说明问题可能在调整后得到解决。Botika 的少量评论亦出现重试与等待;部分评论带激励,不作发生率依据。

当前功能与下一阶段目标

编辑工具与 Agent 的依据

官方产品的公开界面文案列有 Agent 自动规划、技能和生成前确认设置;工具说明列有局部重绘、擦除、扩图、视频合成与剪辑。已核对产品文案与教程截图,尚未登录进行本轮生成实测。

官方产品入口 ↗

当前功能不能替代交付质量验证

共用参考与流程复用有助于组织制作,但不等于商品完全不失真、精准还原参考、各版本自动一致或一次成片。官方包装教程也说明,配料表、条形码等精确文字仍建议进一步专业处理。

官方包装案例及精确文字边界 ↗

38 页提出基于现有能力打磨的场景方案与验收要求,39 页官方示例说明制作链路;它们不构成方案效果已达标的证明。第一波推广需要用真实商品验证准确性、修改落实与最终采用。40 页的自动质量闭环和整组验收属于后续迭代方向。

官方商品广告画布

放大查看官方案例的商品图片、分镜文本与视频生成节点连接

商品图与分镜文本共同连接到视频生成节点。来源:RunningHub 官方商品广告教程。

附件

独立打开 ↗下载附件