Análisis de Pika H3 Flex: la realidad del modelo de vídeo abierto en 6 pasos

Pika H3 Flex es una de las formas más rápidas de iterar de manera útil con vídeo corto generado por IA y sonido. Pero el reclamo de «15 segundos en 7 segundos» solo mide el cálculo del transformer. Un clip completo sigue tardando varios minutos en local o menos de un minuto mediante la API alojada, y todo lo que supere 768p queda reservado para el servicio de pago.

Qué significa realmente la cifra de 7 segundos

Los 7 segundos corresponden únicamente al cálculo del Diffusion Transformer en los clústeres internos de Pika, no al tiempo total de generación. La análisis técnico de Pika marca precisamente esa diferencia al presentar sus cifras de servidor. En un flujo real hay que sumar la codificación del texto, la decodificación VAE, la integración del audio, la transferencia de datos y la cola de procesamiento. En la API alojada, lo normal es esperar menos de un minuto de principio a fin; con una GPU de consumo en local, varios minutos.

Pika registra 3,409 segundos de cálculo en servidor antes de las optimizaciones de servicio y 2,129 segundos después, una mejora de 1,60x, para un clip de 5 segundos a 768p con audio generado en ocho GPU B300 (fuente). El análisis de kie.ai advierte expresamente que los 7 segundos anunciados para un clip de 15 segundos a 768p no deben interpretarse como una latencia garantizada de la API ni como una referencia para una GPU de consumo.

Las pruebas de usuarios confirman la diferencia. Una recopilación de pruebas independientes registró unos 4 minutos y 55 segundos en una RTX 5090 para un clip de 10 segundos a 6 pasos, frente a 20 minutos y 34 segundos con la configuración original, con una calidad de imagen prácticamente idéntica. En una RTX 4070, un clip de 5 segundos tardó unos 7 minutos y 11 segundos, aunque con un sonido claramente mejor. Los 6 pasos reducen aproximadamente 8 veces las pasadas de muestreo frente al programa de 50 pasos del modelo maestro y, según las pruebas de la comunidad, recortan el tiempo real unas 3-4 veces en la misma tarjeta. Es una mejora auténtica para iterar, pero no significa generación más rápida que el tiempo real en tu equipo.

Qué es Pika H3 Flex

Pika H3 Flex es una versión de MiniMax H3 sometida a entrenamiento posterior y distribuida como dos adaptadores LoRA, no una arquitectura de vídeo nueva. Pika ajustó MiniMax H3 con un conjunto interno de datos de audio y vídeo usando el programa del modelo maestro de 50 pasos. Después aplicó destilación mediante projected distribution matching (PDMD) hasta reducirlo a 6 pasos, tras comprobar que la DMD estándar era inestable, y finalmente lo alineó con aprendizaje de recompensa ReFL para la estética y DPO para seguir instrucciones (desglose de la investigación de Pika). El anuncio de lanzamiento de Pika presenta el resultado como una variante de H3 más rápida y controlable para iteración profesional, mientras que el hilo oficial del lanzamiento confirma que los pesos se publicaron desde el primer día.

Esto es lo que incluye la versión local:

Los adaptadores de Pika se acoplan a los archivos estándar del modelo base MiniMax H3. Por tanto, quienes ya tengan una instalación de H3 solo necesitan descargar los dos LoRA; si es tu primer contacto con H3, reserva aproximadamente 210 GB para los archivos base y 5,5 GB para los adaptadores (desglose del espacio ocupado). El repositorio del modelo en Hugging Face incluye los pesos, ejemplos y licencia, mientras que la documentación de integración con Diffusers explica cómo usar los dos adaptadores y el flujo de 6 pasos.

FL2VA frente a Ref2VA: el adaptador adecuado para cada plano

FL2VA y Ref2VA corresponden a las dos ramas transformer de MiniMax H3. El adaptador debe coincidir tanto con el flujo de trabajo como con el checkpoint base. Combinar un LoRA con una base incorrecta es el fallo de configuración más habitual en las primeras guías, como este tutorial de instalación en ComfyUI.

Ref2VA es la opción más singular. Permite hasta 12 referencias por generación, con límites por tipo de 9 imágenes, 3 vídeos y 3 clips de audio, un máximo combinado de 15 segundos por tipo de contenido y al menos una imagen o un vídeo. Así puedes controlar por separado la identidad mediante una imagen, el movimiento mediante un vídeo y la voz mediante una muestra de audio.

Las instrucciones de Ref2VA usan un formato estructurado con subject_definitions, un summary y etiquetas como <Subject 1>, <Picture 1>, <Video 1> y <Audio 1>. ComfyUI también admite instrucciones multisecuencia con cortes directos, coreografías de cámara y diálogos dentro del mismo prompt. Si estás valorando los precios de la API de MiniMax H3 Max para trabajos con muchas referencias, conviene probar primero Ref2VA: es la vía de pesos abiertos más cercana a ese nivel de control del plano.

Hay una regla importante: no apiles otro LoRA de aceleración. Flex ya está destilado para su propio programa latente de 6 pasos, y la guía de ComfyUI advierte que añadir Turbo, Lightning, PTD o la aceleración Acc de 8 pasos «rompe el resultado». Los LoRA de estilo o personaje entrenados sobre H3 sin destilar pueden llegar a cargarse, pero es imprescindible probarlos de nuevo antes de usarlos en producción.

Lo que Pika ha reservado para la API

La generación local se queda en 768p y ofrece una pista estéreo mezclada. Las resoluciones superiores, las pistas separadas y la mejora automática de prompts pasan por la API alojada de Pika.

El precio de la API durante el lanzamiento es promocional, aproximadamente la mitad de las tarifas habituales de Pika (precios publicados por kie.ai):

Las pistas de audio añaden $0.001 por segundo de audio, y los vídeos usados como referencia se facturan a la tarifa de generación tanto por los segundos de entrada como por los de salida. Las referencias de imagen y audio no tienen coste de entrada. Los miembros de API Club recibieron 15 generaciones diarias gratuitas durante la ventana de lanzamiento del 29 de octubre al 5 de noviembre (condiciones de la promoción).

El flujo de trabajo de borrador a versión final de Pika (descrito aquí) genera primero un borrador a 480p o 768p, permite aprobar la toma y después termina la misma semilla latente a 1080p, 2K o 4K pagando solo la diferencia. Un creador que pruebe diez borradores a 480p ($0.15 cada uno con la tarifa promocional) y finalice uno en 4K pagará $1.50 por los borradores más $1.05 por la ampliación: $2.55 en total, frente a $12.00 si terminara los diez en 4K. En flujos de trabajo de vídeo con MiniMax H3 que exigen explorar muchas semillas, esta estructura reduce notablemente el coste de experimentar.

La licencia merece la misma atención que el precio. Los adaptadores se distribuyen bajo el MiniMax H3 Community License Agreement porque son derivados de MiniMax H3; solo el código de inferencia está bajo Apache 2.0 (diferencias entre licencias). Un análisis anterior de la licencia base identificó condiciones territoriales y de uso comercial, incluida la exclusión del despliegue local en Estados Unidos, la UE, Reino Unido y Corea del Sur. Pika no había confirmado condiciones adicionales en el lanzamiento. Por eso, quienes planeen trabajos para clientes deberían leer directamente el archivo de licencia del repositorio de los adaptadores y considerar la API alojada como la vía potencialmente compatible en las regiones excluidas hasta recibir confirmación de Pika.

Cómo ejecutarlo en local sin una H100

Las pruebas representativas de Pika se realizaron con una sola H100 de 80 GB, sin dividir un clip entre varias GPU (notas sobre el hardware). La descarga completa ocupa alrededor de 215,5 GB. La opción de descarga a CPU reduce el uso de VRAM, pero a cambio consume más RAM del sistema y aumenta el tiempo de transferencia. La regla práctica de las primeras guías sigue siendo válida: si una GPU ya puede ejecutar H3 sin modificaciones, también podrá ejecutar Flex, con unos 2 GB adicionales para el LoRA.

Un informe detallado del hardware durante el lanzamiento registró entre 66 y 69 GiB de VRAM para ejecuciones de 5 segundos a 480p. Las ejecuciones de 15 segundos a 768p necesitaron descarga a CPU y alrededor de 94 GiB de memoria del sistema. Un render de 5 segundos a 1344x768 en ComfyUI rondó un minuto. La realidad para equipos de consumo queda bastante clara: los borradores a 480p son alcanzables con tarjetas de 24 GB usando descarga a CPU, mientras que los clips largos a 768p se convierten en un ejercicio de memoria RAM.

«el clip de Flex se mueve MÁS. Sin H100. Una tarjeta de 24 GB sobre el escritorio». — @KuGeKinbaku, comparando el mismo prompt y la misma semilla en una RTX 3090 Ti: Turbo de 8 pasos en 212,61 s frente a Pika H3 Flex LoRA de 6 pasos en 146,81 s, aproximadamente un 31% más rápido de principio a fin

La receta funcional de ComfyUI, según los valores predeterminados de la plantilla (fuente de los ajustes), es bastante específica y conviene respetarla:

ComfyUI necesita la versión 0.43.2 o posterior para la plantilla de texto a vídeo; la 0.30.0 es suficiente para las plantillas de referencias y de primer-último fotograma. Hay tres plantillas en Workflow > Browse Templates > Video y no hacen falta nodos personalizados. Con tarjetas de 16 GB, empieza por 480p y 5 segundos, ejecuta el programa con --reserve-vram 1.5, procura disponer de 64 GB de RAM del sistema y cierra el resto de aplicaciones que consuman GPU.

Qué tal queda frente a la competencia

Pika H3 Flex debutó con 1293 Elo en la clasificación de texto a vídeo de DesignArena: 7.º en la general y el modelo de pesos abiertos mejor situado en el anuncio, por delante de MiniMax H3, que obtuvo 1277 (captura de la clasificación). Para ponerlo en contexto, Gemini Omni 1.1 Flash logró 1360, Wan 3.0 1324, FLUX 3 Max 1297, FLUX 3 Video 1286 y Seedance 2.5 1256. La ventaja de 16 puntos sobre su modelo maestro parece indicar que la optimización de preferencias compensa la destilación agresiva, más que una revolución visual.

En la comparativa propia de Pika a 768p, Flex sale favorecido en la mayoría de los ejes medidos (tabla de pruebas de Pika):

Son mediciones de Pika, no una verificación independiente, y Fal H3 Max supera a Flex en alineación con 0.216. La propia Pika reconoce carencias en física, narración con varias escenas, iluminación, materiales y tareas de referencia con mucha acción (limitaciones indicadas por Pika). La regla práctica de los primeros probadores, como la comparativa de djbfilmz entre 6 y 20 pasos, es sencilla: Flex para explorar prompts y semillas en muchos clips; H3 sin destilar a 20 pasos para el render final cuando la física o los materiales sean decisivos.

Algunas recomendaciones de prompting, todas extraídas de la sección de prompts de ComfyUI:

• Describe el movimiento de cámara indicando también dónde termina: «la cámara se acerca lentamente y se detiene en su rostro». El momento de los cortes puede desviarse 0,2-0,3 s.
• Construye el encuadre mediante el contenido de la escena, por ejemplo «una figura pequeña sola en un enorme salón vacío», en lugar de limitarte a términos de objetivo.
• Las interacciones de contacto muy precisas siguen siendo poco fiables; según los informes, las etiquetas de texto cortas sobre objetos pueden sobrevivir a los movimientos de cámara.
• El límite de 15 segundos se mantiene en cualquier caso, así que las historias con varias escenas deben planificarse como generaciones separadas.

¿Conviene descargarlo o usar directamente la API?

Empieza con un lote de borradores a 480p en local y termina la semilla aprobada mediante la API.

Preguntas frecuentes sobre Pika H3 Flex

¿Qué es Pika H3 Flex?

Pika H3 Flex es una versión de MiniMax H3 sometida a entrenamiento posterior por Pika y publicada el 29 de octubre de 2026 como dos adaptadores LoRA de pesos abiertos. Genera vídeo de 5-15 segundos con audio estéreo sincronizado en 6 pasos de muestreo.

¿En qué se diferencia Pika H3 Flex de MiniMax H3?

Mantiene la arquitectura y los archivos base de MiniMax H3, pero añade ajuste supervisado, destilación PDMD a 6 pasos y alineación ReFL más DPO. El resultado reduce el muestreo de 20-50 pasos a 6 y obtiene puntuaciones de preferencia ligeramente superiores en las pruebas de Pika.

¿Pika H3 Flex puede generar vídeo 4K en local?

No. La salida local se limita a 480p y 768p. El vídeo a 1080p, 2K y 4K, junto con las cinco pistas de audio separadas, solo está disponible mediante la API alojada de Pika, con tarifas promocionales de $0.035-$0.08 por segundo.

¿Qué GPU necesito para ejecutar Pika H3 Flex en local?

Pika realizó sus pruebas con una H100 de 80 GB y una descarga de unos 215 GB. Las pruebas de la comunidad muestran ejecuciones funcionales a 480p en tarjetas de 24 GB con descarga a CPU, mientras que los renders de 15 segundos a 768p necesitan una cantidad considerable de RAM del sistema. En la mayoría de los equipos de consumo, lo razonable es planificar borradores a 480p.

¿Debo usar el adaptador FL2VA o Ref2VA?

FL2VA gestiona texto a vídeo, imagen a vídeo y el condicionamiento mediante el primer o último fotograma. Ref2VA está pensado para tareas de referencia a vídeo, como transferencia de movimiento y cambios de personaje, con hasta 12 referencias combinadas de imagen, vídeo y audio.

¿Pika H3 Flex es gratuito para uso comercial?

Los pesos se pueden descargar gratis, pero heredan la licencia comunitaria de MiniMax H3, que incluye condiciones territoriales y de uso comercial. Los equipos que trabajen para clientes deberían revisar el archivo de licencia del repositorio y valorar la API alojada en las regiones restringidas hasta que Pika confirme lo contrario.