Runway потратила недели, пытаясь починить顽固ный баг: AI-аватары в реальном времени постоянно смещались от центра кадра. В итоге инженеры сдались и сделали из бага фичу. Их опыт - наглядный урок того, как продуктовое мышление побеждает технический перфекционизм.

Райан Филлипс, глава корпоративных продуктов Runway ML, рассказал эту историю на конференции VB Transform 2026. По его словам, подход Runway к созданию AI-продуктов полезно знать любому бизнесу, даже если вы не строите фундаментальные модели.

«Даже если вы сами не собираете модели, полезно понять, как мы это делаем. Почти все уроки применимы к вашей повседневной работе».

Оценка качества: Excel и человеческий глаз

Филлипс начал с самого скучного и самого важного - оценки качества. Runway использует для этого... обычный Excel. Команда ежедневно логирует тесты, классифицируя результаты как «мелкие» или «крупные» сбои, и сравнивает с заранее заданным процентом прохождения.

«Мы ставим планку до того, как начали, - какой процент нужно пройти. Когда достигаем - выпускаем модель. Никакой магии».

Ключевой элемент - кросс-функциональные воркшопы, где команда вместе просматривает сгенерированные примеры. Цель - выработать единое определение успеха и неудачи. Филлипс показал, что для проверки границ модели Runway использует персонажа Tooth - нечеловеческое существо без носа с очень странными зубами. Если модель справляется с Tooth, она справится с чем угодно.

Как Runway оценивает AI-модели:

  • Ежедневные логи тестов в Excel - low-tech, но работает
  • Кросс-функциональные воркшопы для единого понимания качества
  • LLM автоматизирует визуальную оценку контента
  • Дистилляция сокращает время генерации на 80-90%

Как баг стал фичей

Runway строит модели для генерации видео в реальном времени. Процесс начинается с массивной фундаментальной модели, затем идёт дистилляция - обучение маленькой «студентской» модели повторять «учителя». Это сокращает время генерации на 80-90%.

Потом применяется adversarial post-training (APT) - модель заставляют улучшаться, тестируя её против системы, которая ищет её слабые места. Именно APT и дистилляция породили тот самый баг: персонажи начинали раскачиваться и смещаться от центра кадра.

Недели попыток исправить модель не дали результата. Тогда команда заметила: если начальное изображение пользователя идеально отцентрировано, видео остаётся стабильным. Решение оказалось не backend-патчем, а frontend-фичей.

«Мы поняли: если пользователь даёт нам персонажа, повёрнутого влево, видео начнёт искажаться. Давайте просто починим это для них».

Так появилась функция Optimize for Image Quality. Она автоматически центрирует изображение перед генерацией. То, что внутри компании выглядело ограничением модели, пользователи восприняли как полезную возможность.

«Превращайте ограничения моделей в продуктовые функции, - посоветовал Филлипс. - Внутри это может казаться недостатком, но клиенты увидят это иначе, если вы упакуете это как продукт».

Что это значит для бизнеса

История Runway - не про видео. Она про то, как работать с AI-продуктами. Вы не обязаны чинить каждое ограничение модели. Иногда достаточно обернуть его в user experience так, чтобы пользователь сказал «спасибо».

Нейросети для бизнеса редко работают идеально с первого раза. Но при правильной упаковке их ограничения становятся не проблемой, а преимуществом. Во Владивостоке, как и везде, внедрение искусственного интеллекта в бизнес-процессы требует не столько технического совершенства, сколько продуктового мышления и понимания, что нужно клиенту.

Ещё один урок - инвестиции в observability. Когда Runway заметила, что 8% API-запросов падают до 16 кадров в секунду, выяснилось, что проблема в одном дата-центре в us-east-1. Решение? Физическая замена GPU. Иногда AI-проблемы решаются не кодом, а новой видеокартой.