Pika H3 Flex : test du modèle vidéo ouvert en 6 étapes

Pika H3 Flex est aujourd’hui l’un des moyens les plus efficaces pour itérer sur de courtes vidéos IA avec du son. Mais la promesse de « 15 secondes en 7 secondes » ne concerne que le calcul du transformer. En pratique, un clip complet demande encore plusieurs minutes en local ou moins d’une minute via l’API hébergée, et tout ce qui dépasse 768p reste réservé à l’offre payante.

Les 7 secondes, oui… mais pas de bout en bout

Les 7 secondes annoncées correspondent au calcul brut du Diffusion Transformer sur les clusters internes de Pika, pas au temps nécessaire pour obtenir une vidéo exploitable. L’analyse technique de Pika précise d’ailleurs cette distinction lorsqu’elle présente les performances serveur. Il faut ensuite ajouter l’encodage du texte, le décodage VAE, l’intégration de l’audio, le transfert des données et l’attente en file. Comptez moins d’une minute de bout en bout via l’API hébergée, et plusieurs minutes sur un GPU grand public en local.

Pika indique 3.409 secondes de calcul serveur avant optimisation du service, puis 2.129 secondes après, soit un gain de 1.60x, pour un clip 768p de 5 secondes avec audio calculé sur huit GPU B300 (source). De son côté, l’analyse de kie.ai rappelle que les 7 secondes annoncées pour un clip 768p de 15 secondes ne doivent pas être prises comme une latence API garantie ni comme une indication des performances sur GPU grand public.

Les essais d’utilisateurs confirment l’écart. Une compilation de tests indépendants rapporte environ 4 minutes 55 secondes sur RTX 5090 pour un clip de 10 secondes à 6 étapes, contre 20 minutes 34 secondes avec la configuration standard, pour une qualité d’image presque inchangée. Une RTX 4070 a de son côté mis environ 7 minutes 11 secondes pour 5 secondes, avec un son nettement meilleur. Les 6 étapes réduisent le nombre de passes d’échantillonnage d’environ 8x par rapport aux 50 étapes du modèle enseignant, et le temps réel d’environ 3 à 4x sur une même carte d’après les tests de la communauté. C’est un vrai gain pour itérer, pas une génération plus rapide que le temps réel sur votre bureau.

Ce qu’est réellement Pika H3 Flex

Pika H3 Flex n’est pas une nouvelle architecture vidéo : c’est un MiniMax H3 post-entraîné, distribué sous la forme de deux adaptateurs LoRA. Pika a affiné MiniMax H3 sur un jeu de données audio-vidéo interne avec le calendrier de 50 étapes du modèle enseignant, puis l’a distillé jusqu’à 6 étapes avec la méthode projected distribution matching (PDMD), après avoir constaté que le DMD classique était instable. Le modèle a ensuite été aligné avec l’apprentissage par récompense ReFL pour l’esthétique et avec DPO pour le suivi des instructions (décryptage de la recherche Pika). L’annonce de lancement de Pika présente le résultat comme une version dérivée de H3, plus rapide et plus contrôlable pour l’itération professionnelle, tandis que le fil officiel confirme la disponibilité des poids ouverts dès le premier jour.

Voici ce qui est disponible en local :

Les adaptateurs de Pika se greffent sur les fichiers standards du modèle MiniMax H3. Une installation H3 existante ne nécessite donc que les deux téléchargements LoRA supplémentaires. Si vous partez de zéro, prévoyez environ 210 GB de fichiers de base et 5.5 GB d’adaptateurs (détail de l’empreinte). Le dépôt du modèle sur Hugging Face contient les poids, des exemples et la licence. La documentation d’intégration Diffusers explique l’utilisation des deux adaptateurs et du pipeline en 6 étapes.

FL2VA ou Ref2VA : quel adaptateur choisir ?

FL2VA et Ref2VA correspondent aux deux branches du transformer de MiniMax H3. Il faut donc choisir l’adaptateur en fonction du workflow, mais aussi du checkpoint de base utilisé. Associer le mauvais LoRA au mauvais modèle est l’erreur de configuration la plus fréquente dans les premiers guides, comme celui consacré à l’installation dans ComfyUI.

Ref2VA est le plus intéressant des deux : il accepte jusqu’à 12 références par génération, avec des plafonds de 9 images, 3 vidéos et 3 extraits audio, 15 secondes maximum cumulées pour chaque type de média, et au moins une image ou une vidéo. On peut ainsi contrôler séparément l’identité depuis une image, le mouvement depuis une vidéo et la voix depuis un échantillon audio.

Les prompts Ref2VA utilisent un format structuré avec subject_definitions, un summary et des balises comme <Subject 1>, <Picture 1>, <Video 1> et <Audio 1>. ComfyUI accepte aussi des instructions multi-plans : coupes franches, chorégraphie de caméra ou dialogues dans un seul prompt. Pour qui évalue les tarifs de l’API MiniMax H3 Max sur des projets riches en références, Ref2VA mérite donc d’être testé en premier : c’est l’option open source la plus proche de ce niveau de contrôle des plans.

Une règle est à retenir : n’ajoutez pas un autre LoRA d’accélération par-dessus. Flex est déjà distillé pour son propre calendrier latent en 6 étapes, et le guide ComfyUI avertit que l’ajout de Turbo, Lightning, PTD ou 8-step Acc « casse la sortie ». Les LoRA de style ou de personnage entraînés sur un H3 non distillé peuvent parfois se charger, mais testez-les à nouveau avant toute utilisation en production.

Ce que Pika réserve à son API

En local, la sortie s’arrête à 768p avec une piste stéréo mixée. Les résolutions supérieures, les pistes audio séparées et l’amélioration des prompts passent par l’API hébergée de Pika.

Au lancement, les tarifs hébergés sont promotionnels, environ deux fois moins élevés que les tarifs habituels de Pika (tarifs fournis par kie.ai) :

Les pistes audio ajoutent $0.001 par seconde audio, tandis que les vidéos de référence sont facturées au tarif de génération pour les secondes d’entrée comme de sortie. Les références image et audio ne génèrent aucun coût d’entrée. Les membres API Club bénéficiaient de 15 générations gratuites par jour pendant la période de lancement du 29 octobre au 5 novembre (conditions de la promotion).

Le workflow brouillon-vers-final de Pika (décrit ici) commence par un brouillon en 480p ou 768p. Une fois le plan validé, le même seed latent est finalisé en 1080p jusqu’à 4K, en ne payant que la différence de prix. Dix brouillons en 480p à $0.15 chacun, puis une finition en 4K, coûtent ainsi $1.50 pour les brouillons plus $1.05 de mise à niveau, soit $2.55 au total. Faire directement les dix versions en 4K coûterait $12.00. Pour les workflows vidéo MiniMax H3 qui explorent beaucoup de seeds, cette structure réduit nettement le coût de l’expérimentation.

La licence mérite toutefois autant d’attention que les performances. Les adaptateurs sont distribués sous le MiniMax H3 Community License Agreement, puisqu’ils dérivent de MiniMax H3, tandis que seul le code d’inférence est sous Apache 2.0 (détail de la licence). Des informations précédentes sur la licence de base mentionnaient des restrictions territoriales et commerciales, dont l’exclusion du déploiement local aux États-Unis, dans l’Union européenne, au Royaume-Uni et en Corée du Sud. Pika n’avait pas confirmé de conditions supplémentaires au lancement. Pour un usage client payant, lisez donc directement le fichier de licence du dépôt des adaptateurs et considérez l’API hébergée comme l’option potentiellement conforme dans les régions concernées, jusqu’à confirmation de Pika.

Le faire tourner en local sans H100

Les tests de référence de Pika ont été réalisés sur un seul H100 de 80 GB, sans répartition multi-GPU pour un clip (informations matérielles). Le téléchargement complet représente environ 215.5 GB. L’option de déport vers le CPU réduit la VRAM nécessaire, au prix d’une consommation accrue de RAM et de transferts plus longs. La règle donnée par les premiers guides reste valable : si H3 standard fonctionne déjà sur votre GPU, Flex y fonctionnera aussi, avec environ 2 GB supplémentaires pour le LoRA.

Un rapport matériel détaillé publié le jour du lancement fait état de 66 à 69 GiB de VRAM pour des clips 480p de 5 secondes. Les clips 768p de 15 secondes nécessitaient le déport CPU et environ 94 GiB de mémoire système. Un rendu ComfyUI de 5 secondes en 1344x768 arrivait quant à lui près d’une minute. La réalité côté grand public est donc claire : les brouillons 480p restent accessibles avec une carte de 24 GB et du déport, tandis que les longs clips 768p sollicitent fortement la RAM système.

« Le clip Flex bouge DAVANTAGE. Pas de H100. Une carte de 24 GB sur un bureau. » — @KuGeKinbaku, en comparant le même prompt et le même seed sur une RTX 3090 Ti : Turbo 8 étapes à 212.61 s contre le LoRA Pika H3 Flex à 6 étapes en 146.81 s, soit environ 31 % plus rapide de bout en bout

La recette ComfyUI qui fonctionne, selon les réglages par défaut du template (source des réglages), est assez stricte et mérite d’être suivie à la lettre :

Pour le template texte-vers-vidéo, ComfyUI doit être en version 0.43.2 ou plus récente ; la version 0.30.0 suffit pour les templates de référence et de première-dernière image. Trois templates sont disponibles dans Workflow > Browse Templates > Video. Aucun nœud personnalisé n’est requis. Avec une carte de 16 GB, commencez en 480p et 5 secondes, lancez ComfyUI avec --reserve-vram 1.5, prévoyez idéalement 64 GB de RAM système et fermez les autres applications gourmandes en GPU.

Quel niveau de qualité attendre ?

Pika H3 Flex a débuté à 1293 Elo sur le classement texte-vers-vidéo de DesignArena, à la 7e place générale et en tête des modèles open source au moment de l’annonce, devant MiniMax H3 à 1277 (instantané du classement). Pour situer ces résultats : Gemini Omni 1.1 Flash affichait 1360, Wan 3.0 1324, FLUX 3 Max 1297, FLUX 3 Video 1286 et Seedance 2.5 1256. L’avance de 16 points sur son modèle enseignant ressemble davantage à l’effet de l’optimisation des préférences, qui compense une distillation agressive, qu’à une révolution visuelle.

Dans le benchmark comparatif de Pika en 768p, Flex prend l’avantage sur la plupart des critères mesurés (tableau de benchmark Pika) :

Ces chiffres viennent des mesures de Pika et n’ont pas fait l’objet d’une vérification indépendante. Fal H3 Max conserve d’ailleurs l’avantage sur l’alignement, avec 0.216. Pika reconnaît des faiblesses persistantes en physique, narration multi-scène, éclairage, matériaux et tâches de référence riches en action (limites listées par Pika). La règle pratique qui ressort des premiers tests, notamment la comparaison de djbfilmz entre 6 et 20 étapes, est simple : utilisez Flex pour explorer prompts et seeds sur de nombreux clips, puis revenez à H3 standard en 20 étapes pour le rendu final lorsque la physique ou les matériaux sont essentiels au plan.

Quelques conseils de prompting, tirés de la section prompting de ComfyUI :

• Décrivez le mouvement de caméra avec sa destination (« la caméra avance lentement et s’arrête sur son visage ») ; le timing des coupes peut dériver de 0.2 à 0.3 s.
• Construisez le cadrage à partir du contenu de la scène (« une petite silhouette seule dans un immense hall vide ») plutôt qu’avec de simples termes d’objectif.
• Les interactions de contact fines restent peu fiables ; les courtes inscriptions posées sur un objet survivraient toutefois aux mouvements de caméra.
• La limite de 15 secondes reste valable dans tous les cas : prévoyez les histoires multi-plans sous forme de générations séparées.

Faut-il le télécharger ou utiliser directement l’API ?

Commencez par générer une série de brouillons en 480p localement, puis finalisez le seed retenu via l’API.

FAQ sur Pika H3 Flex

Qu’est-ce que Pika H3 Flex ?

Pika H3 Flex est la version post-entraînée de MiniMax H3 par Pika, publiée le 29 octobre 2026 sous la forme de deux adaptateurs LoRA open source. Elle génère des vidéos de 5 à 15 secondes avec une piste stéréo synchronisée en 6 étapes d’échantillonnage.

Quelle différence entre Pika H3 Flex et MiniMax H3 ?

Flex conserve l’architecture et les fichiers de base de MiniMax H3, mais ajoute un fine-tuning supervisé, une distillation PDMD en 6 étapes, ainsi qu’un alignement ReFL et DPO. Le nombre d’étapes passe ainsi de 20 à 50 selon la configuration à seulement 6, avec des scores de préférence légèrement supérieurs dans les propres tests de Pika.

Pika H3 Flex peut-il générer de la 4K en local ?

Non. La sortie locale s’arrête à 480p et 768p. Les résolutions 1080p, 2K et 4K, ainsi que les cinq pistes audio séparées, sont uniquement accessibles via l’API hébergée de Pika, aux tarifs promotionnels de $0.035 à $0.08 par seconde.

Quel GPU faut-il pour exécuter Pika H3 Flex en local ?

Pika a effectué ses tests sur un H100 de 80 GB, avec environ 215 GB de téléchargements. Les essais de la communauté montrent que le 480p fonctionne sur des cartes de 24 GB avec déport CPU, tandis que les rendus 768p de 15 secondes nécessitent une quantité importante de RAM système. La plupart des configurations grand public devraient donc viser des brouillons en 480p.

Faut-il utiliser l’adaptateur FL2VA ou Ref2VA ?

FL2VA prend en charge le texte vers vidéo, l’image vers vidéo et le conditionnement par première ou dernière image. Ref2VA est destiné aux tâches vidéo guidées par références, comme le transfert de mouvement ou le remplacement de personnage, avec jusqu’à 12 références image, vidéo et audio combinées.

Pika H3 Flex est-il gratuit pour un usage commercial ?

Les poids peuvent être téléchargés gratuitement, mais ils héritent de la licence communautaire MiniMax H3, qui impose des conditions d’utilisation commerciales et territoriales. Les équipes professionnelles doivent consulter le fichier de licence du dépôt et envisager l’API hébergée dans les régions restreintes jusqu’à ce que Pika confirme les modalités applicables.