Partnerskap

Baseten lägger till Gen-4.5 och Aleph 2.0 från Runway i Dedicated Inference

mm
Lägg till Unite.AI bland dina föredragna källor på Google

Företag kan nu, enligt Basetens tillkännagivande den 14 oktober 2026, driftsätta Runways modeller för videogenerering och videoredigering, Gen-4.5 och Aleph 2.0, inklusive finjusterade versioner, i säkra miljöer avsedda för en enda kund hos Baseten. Modellerna är tillgängliga via Baseten Dedicated Inference, och modellvikterna licensieras direkt från Runway.

Enligt Baseten bygger Runway modeller som genererar och redigerar filmiskt videomaterial med hjälp av text, bilder, ljud och befintligt filmmaterial. Runway erbjuder redan Gen-4.5 och Aleph 2.0 via Runway Creative, sin plattform för att skapa och redigera video, bilder och ljud, samt via Runway Dev, sin API-plattform för utvecklare. Baseten uppger att samarbetet öppnar en ny väg: Runway gör sina egna videomodeller tillgängliga för dedikerad driftsättning hos Baseten.

Generering med Gen-4.5 och redigering med Aleph 2.0

Gen-4.5 omvandlar text och bilder till video och har stöd för detaljerade scenbeskrivningar, kamerarörelser och en mängd olika visuella stilar. Baseten nämner bland annat att modellen kan användas för att visualisera ett storyboard, animera en produktbild, skapa filmiska kompletterande sekvenser och omvandla ett kampanjkoncept till flera varianter.

I Basetens modellbibliotek beskrivs Gen-4.5 som en videogenereringsmodell utvecklad av Runway, med filmisk rörelse, exakt följsamhet till instruktioner, realistisk fysik och jämn visuell kvalitet. Modellen har god tidsmässig konsekvens i både fotorealistiska och stiliserade uttryck. Biblioteksposten anger text och bilder som indata, video som utdata och en egen licens från Runway.

Aleph 2.0 kan redigera både genererat och verkligt filmmaterial. Användaren kan utgå från en instruktion eller en redigerad nyckelbild och ändra ett visst element eller ge scenen en ny stil. Ändringen kan sedan tillämpas på relevanta tagningar, samtidigt som detaljerna i omgivningen bevaras. Modellen stöder videor med flera scener på upp till 30 sekunder i 1080p.

I Basetens bibliotek beskrivs Aleph 2.0 som en kontextbaserad videoredigeringsmodell som omvandlar befintligt filmmaterial till nya varianter utan omtagningar eller omfattande efterbearbetning. Enligt biblioteksposten kan modellen ändra produkter, kläder, frisyrer, bakgrunder, årstider, bildutsnitt och visuella stilar i flera tagningar. Där anges också text, bilder och video som indata, video som utdata och en egen licens från Runway.

Licensiering, isolering och säkerhet

Kunder licensierar modellvikterna från Runway direkt och driftsätter dem i en säker miljö avsedd för en enda kund hos Baseten. Varje driftsättning körs i en isolerad miljö för arbetslaster med dedikerade GPU-resurser, medan Baseten hanterar kontrollplanet och den underliggande infrastrukturen. Runway och Baseten ger gemensamt stöd för varje driftsättning, från anpassning av modellen till driftsättning i produktion.

Enligt upplägget isoleras beräkningsresurser och schemaläggning för varje kundorganisation. Basetens åtkomst till Runways modellvikter regleras av ett distributionsavtal, och driftsättningarna körs på infrastruktur som omfattas av Basetens efterlevnadsprogram för SOC 2 Type II och HIPAA.

Basetens dokumentation om miljöer för en enda kund innehåller ytterligare arkitekturdetaljer. Där anges att inferensarbetslaster i en sådan miljö körs i ett isolerat VPC i Baseten Cloud, med beräkningsresurser och nätverk som tillhandahålls och drivs för en enda organisation, och att inga andra kunders arbetslaster körs på infrastrukturen. Enligt dokumentationen lagrar Baseten inte indata eller utdata från synkron inferens, modeller kan hämta modellvikter från en privat källa och vikter kan cachas i klustret för att förkorta kallstarter. På begäran kan modellkopior och stödtjänster köras utan direkt internetåtkomst, med utgående trafik begränsad till en godkänd tillåtelselista. Slutpunkter kan göras tillgängliga via privata nätverkstjänster som AWS PrivateLink eller Google Cloud Private Service Connect, så att trafiken inte går via det offentliga internet. Dokumentationen anger att lösningen för en enda kund stöder samma efterlevnadsprogram som Baseten Cloud, som omfattar SOC 2 Type II, HIPAA och GDPR, och att den erbjuds med individuell prissättning i Enterprise-planen.

På Basetens produktsida för Dedicated Inference anges att dedikerade driftsättningar är avsedda för en enda kund, kan begränsas till en viss region och är HIPAA-kompatibla samt SOC 2 Type II-certifierade på Baseten Cloud. Kunder kan driftsätta på Baseten Cloud, vara värd för lösningen själva eller använda Baseten Hybrid, med automatisk skalning mellan noder, kluster, moln och regioner.

Finjustering, reserverad kapacitet och drifttid

Kunder kan finjustera Runways modeller med egna data, så att resultaten återspeglar deras varumärke, kanon och innehållsriktlinjer. Arbetet regleras av den direkta licensen från Runway, medan Baseten tillhandahåller infrastrukturen för finjusteringen och driftsättningen av den resulterande modellen i en dedikerad miljö.

Driftsättningarna omfattar reserverad GPU-kapacitet för videogenerering, med automatisk skalning för att hantera efterfrågetoppar. I modellen för en enda kund anskaffar och driver Baseten kapaciteten för varje dedikerad miljö för arbetslaster. Kunderna samarbetar med Basetens team för att välja regioner, GPU-typer och kapacitetsåtaganden som motsvarar arbetslastens krav.

Baseten uppgav att Amazon, Robinhood, Dolce & Gabbana och Microsoft är några av de kreativa företagsgrupper som redan använder Runway i produktion. Företaget uppgav att dedikerade driftsättningar omfattas av ett SLA med 99,99 % upptid och att båda Runway-modellerna finns i Basetens modellbibliotek för förfrågningar om driftsättning.

Theo Nash är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker AI‑infrastruktur, beräkning och hårdvarusystemen som driver modern artificiell intelligens. Hans arbete fokuserar på de tekniska grunderna bakom storskaliga AI‑arbetsbelastningar, inklusive datacenter, acceleratorer, nätverk och mjukvarustacken som binder dem samman.

Med ett analytiskt och ingenjörsdrivet perspektiv granskar Theo hur framsteg inom GPU:er, skräddarsytt kisel, minnesarkitekturer och distribuerade system möjliggör nya generationer av AI‑modeller. Han ägnar särskild uppmärksamhet åt prestandakompromisser, energieffektivitet, skalbarhet och de praktiska begränsningarna som formar verklig implementering av AI‑infrastruktur.

Artiklar skrivna av Theo Nash är AI‑genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa teknisk noggrannhet, tydlighet och ansvarsfull täckning av det snabbt föränderliga AI‑beräkningslandskapet.