Análise do Pika H3 Flex: a realidade do modelo de vídeo aberto em 6 passos

O Pika H3 Flex é hoje uma das formas mais rápidas de iterar de maneira útil em vídeos curtos gerados por IA com som. Mas a promessa de “15 segundos em 7 segundos” mede apenas o processamento do transformer. Na prática, um clipe ainda leva minutos para ficar pronto localmente — ou menos de um minuto pela API hospedada — e qualquer resolução acima de 768p fica restrita ao serviço pago.

A promessa dos 7 segundos, colocada em perspectiva

Os 7 segundos correspondem exclusivamente ao processamento do Diffusion Transformer nos clusters internos da Pika, não ao tempo total de geração. A análise técnica da Pika deixa essa diferença clara ao apresentar os números dos servidores. O fluxo real ainda envolve codificação do texto, decodificação pelo VAE, combinação do áudio, transferência dos dados e fila de processamento. Pela API hospedada, espere menos de um minuto do início ao fim; em uma GPU de consumo local, serão vários minutos.

A Pika registra 3,409 segundos de processamento no servidor antes das otimizações de serving e 2,129 segundos depois delas — um ganho de 1,60x — para um clipe de 5 segundos em 768p com áudio, gerado em oito GPUs B300 (fonte). O panorama da kie.ai alerta explicitamente que os 7 segundos anunciados para um clipe de 15 segundos em 768p não devem ser interpretados como latência garantida da API ou desempenho em uma GPU de consumidor.

Os testes de usuários confirmam essa diferença. Uma compilação de testes independentes registrou cerca de 4 minutos e 55 segundos em uma RTX 5090 para um clipe de 10 segundos com 6 passos, contra 20 minutos e 34 segundos no modelo original, com qualidade de imagem quase inalterada. Já uma RTX 4070 levou aproximadamente 7 minutos e 11 segundos para produzir 5 segundos, mas entregou um áudio visivelmente melhor. Os 6 passos reduzem em cerca de 8 vezes as passagens de amostragem em relação ao cronograma de 50 passos do modelo professor. Nos testes da comunidade, o tempo total caiu aproximadamente 3 a 4 vezes na mesma placa: é uma vitória real para a iteração, mas não significa geração em tempo real no seu computador.

O que é o Pika H3 Flex

O Pika H3 Flex é uma versão pós-treinada do MiniMax H3 distribuída como dois adaptadores LoRA, e não uma nova arquitetura de vídeo. A Pika ajustou o MiniMax H3 com um conjunto interno de dados de áudio e vídeo usando o cronograma de 50 passos do modelo professor. Depois, aplicou destilação por projected distribution matching (PDMD) para chegar a 6 passos, após constatar que o DMD tradicional era instável, e fez o alinhamento com aprendizado de recompensa ReFL para estética e DPO para seguir instruções (detalhamento da pesquisa da Pika). O anúncio de lançamento da Pika apresenta o resultado como uma derivação mais rápida e controlável do H3 para iteração profissional, enquanto a publicação oficial de lançamento confirma que os pesos abertos estavam disponíveis desde o primeiro dia.

O que você recebe para rodar localmente:

Os adaptadores da Pika são conectados aos arquivos padrão do modelo-base MiniMax H3. Portanto, quem já tem uma instalação do H3 precisa baixar apenas os dois LoRAs. Se o H3 for novidade para você, reserve cerca de 210 GB para os arquivos-base e mais 5,5 GB para os adaptadores (detalhes do espaço ocupado). O repositório do modelo no Hugging Face reúne os pesos, exemplos e a licença; a documentação de integração com o Diffusers explica o uso dos dois adaptadores e do pipeline de 6 passos.

FL2VA ou Ref2VA: qual adaptador usar

FL2VA e Ref2VA correspondem aos dois ramos do transformer do MiniMax H3, e o adaptador precisa ser compatível tanto com o fluxo de trabalho quanto com o checkpoint-base. Usar o LoRA errado com a base errada é o problema mais comum nas primeiras instruções, como o tutorial de configuração no ComfyUI.

O Ref2VA é o recurso mais diferente: permite até 12 referências por geração — com limites de 9 imagens, 3 vídeos e 3 clipes de áudio por tipo, no máximo 15 segundos combinados por tipo de mídia e pelo menos uma imagem ou vídeo. Assim, identidade pode vir de uma imagem, movimento de um vídeo e voz de uma amostra de áudio.

Os prompts do Ref2VA usam uma estrutura específica, com subject_definitions, um summary e rótulos como <Subject 1>, <Picture 1>, <Video 1> e <Audio 1>. O ComfyUI também aceita instruções para múltiplos planos, como cortes secos, coreografia de câmera e diálogos no mesmo prompt. Quem estiver avaliando o preço da API do MiniMax H3 Max para trabalhos com muitas referências deveria começar pelo Ref2VA: entre os pesos abertos, ele é o caminho mais próximo desse nível de controle de plano.

Há uma regra importante: não empilhe outro LoRA de aceleração por cima. O Flex já foi destilado para seu próprio cronograma latente de 6 passos, e o guia do ComfyUI alerta que adicionar Turbo, Lightning, PTD ou 8-step Acc “quebra a saída”. LoRAs de estilo ou personagem treinados com o H3 não destilado podem até carregar, mas devem ser testados novamente antes de qualquer uso em produção.

O que ficou exclusivo da API da Pika

Localmente, a saída fica limitada a 768p e uma faixa estéreo mixada. Resoluções maiores, stems separados e aprimoramento de prompts passam pela API hospedada da Pika.

O preço promocional da API no lançamento é aproximadamente metade das tarifas normais da Pika (valores de preço via kie.ai):

Os stems de áudio acrescentam $0,001 por segundo de áudio, e vídeos usados como referência são cobrados pela tarifa de geração tanto pelos segundos de entrada quanto pelos de saída. Imagens e referências de áudio não têm cobrança de entrada. Durante a janela de lançamento, de 29 de outubro a 5 de novembro, membros do API Club receberam 15 gerações gratuitas por dia (termos da promoção).

O fluxo de rascunho para final da Pika (descrito aqui) gera primeiro um rascunho em baixa resolução, a 480p ou 768p. Depois que o take é aprovado, o mesmo seed latente é finalizado de 1080p a 4K, pagando apenas a diferença de preço. Um criador que faça dez rascunhos em 480p ($0,15 cada na promoção) e finalize um deles em 4K paga $1,50 pelos rascunhos mais $1,05 pelo upgrade, totalizando $2,55. Se todos os dez fossem finalizados em 4K, o custo seria $12,00. Em fluxos de vídeo com o MiniMax H3 que exigem muita exploração de seeds, essa estrutura reduz bastante o custo da experimentação.

A questão da licença é igualmente importante. Os adaptadores são distribuídos sob o MiniMax H3 Community License Agreement, como derivados do MiniMax H3, enquanto apenas o código de inferência usa Apache 2.0 (diferença entre as licenças). Uma análise anterior da licença da base encontrou condições territoriais e de uso comercial, incluindo a exclusão da implantação local nos EUA, na União Europeia, no Reino Unido e na Coreia do Sul. No lançamento, a Pika ainda não havia confirmado termos adicionais. Por isso, quem planeja trabalhos pagos para clientes deve ler diretamente o arquivo de licença do repositório dos adaptadores e considerar a API hospedada como o caminho potencialmente compatível nas regiões excluídas, até obter uma confirmação da Pika.

Como rodar localmente sem uma H100

Os testes representativos da Pika foram feitos em uma única H100 de 80 GB, sem divisão entre várias GPUs para gerar um único clipe (observações sobre hardware). O download completo ocupa cerca de 215,5 GB. A opção de descarregar parte do processamento para a CPU reduz o uso de VRAM, mas aumenta a exigência de RAM e o tempo de transferência. A regra prática dos primeiros guias continua válida: se o H3 original já roda em determinada GPU, o Flex também deve rodar nela, com cerca de 2 GB adicionais para o LoRA.

Um relato detalhado de hardware no dia do lançamento registrou execuções em 480p de 5 segundos usando 66 a 69 GiB de VRAM. Já execuções em 768p de 15 segundos exigiram offload para a CPU e cerca de 94 GiB de memória do sistema. Um render de 5 segundos em 1344x768 no ComfyUI levou aproximadamente um minuto. O cenário para consumidores fica claro: rascunhos em 480p são viáveis em placas de 24 GB com offload, enquanto clipes longos em 768p se transformam em um exercício de memória RAM.

“o clipe do Flex se move MAIS. Sem H100. Uma placa de 24 GB em cima da mesa.” — @KuGeKinbaku, comparando o mesmo prompt e seed em uma RTX 3090 Ti: Turbo de 8 passos em 212,61 s contra o LoRA do Pika H3 Flex em 6 passos e 146,81 s, cerca de 31% mais rápido do início ao fim

A receita funcional do ComfyUI, de acordo com os padrões do template (fonte das configurações), é relativamente específica e vale a pena seguir à risca:

O ComfyUI precisa da versão 0.43.2 ou mais recente para o template de texto para vídeo. Para os templates de referência e de primeiro-último frame, a versão 0.30.0 é suficiente. Há três templates em Workflow > Browse Templates > Video, e nenhum nó personalizado é necessário. Em placas de 16 GB, comece com 480p e 5 segundos, inicialize com --reserve-vram 1.5, mantenha confortáveis 64 GB de RAM do sistema e feche outros aplicativos que usem intensivamente a GPU.

Como fica a qualidade

O Pika H3 Flex estreou com 1293 Elo no ranking de texto para vídeo da DesignArena: ficou em 7º lugar geral e foi o modelo de pesos abertos mais bem colocado no anúncio, à frente do MiniMax H3, com 1277 (retrato do ranking). Para contextualizar, o mesmo levantamento colocou Gemini Omni 1.1 Flash em 1360, Wan 3.0 em 1324, FLUX 3 Max em 1297, FLUX 3 Video em 1286 e Seedance 2.5 em 1256. A vantagem de 16 pontos sobre o modelo professor parece mais resultado da otimização de preferência compensando a destilação agressiva do que de uma revolução visual.

Nos testes comparativos da própria Pika em 768p, o Flex leva vantagem na maioria dos critérios avaliados (tabela de benchmarks da Pika):

Esses números vêm das medições da Pika e não foram verificados de forma independente. Além disso, o Fal H3 Max fica à frente no alinhamento, com 0.216. A Pika reconhece limitações em física, narrativas com várias cenas, iluminação, materiais e tarefas de referência com muita ação (limitações listadas pela Pika). A regra prática observada por primeiros testadores, como na comparação de 6 contra 20 passos do djbfilmz, é usar o Flex para explorar prompts e seeds em muitos clipes e recorrer ao H3 original em 20 passos para o render final quando física ou materiais forem essenciais para o plano.

Algumas orientações de prompt, todas retiradas da seção de prompting do ComfyUI:

• Descreva o movimento da câmera também com o ponto de chegada (“a câmera se aproxima lentamente e para no rosto dela”); o tempo dos cortes pode variar de 0,2 a 0,3 s.
• Construa o enquadramento por meio do conteúdo da cena (“uma figura pequena sozinha em um salão enorme e vazio”), em vez de depender apenas de termos de lente.
• Interações delicadas de contato continuam pouco confiáveis; segundo relatos, pequenos textos aplicados a objetos podem sobreviver aos movimentos da câmera.
• O limite de 15 segundos permanece de qualquer forma, então planeje histórias com vários planos como gerações separadas.

Vale baixar o modelo ou usar apenas a API?

Comece gerando localmente um lote de rascunhos em 480p e finalize pela API o seed aprovado.

Perguntas frequentes sobre o Pika H3 Flex

O que é o Pika H3 Flex?

O Pika H3 Flex é uma versão pós-treinada do MiniMax H3 pela Pika, lançada em 29 de outubro de 2026 como dois adaptadores LoRA de pesos abertos. Ele gera vídeos de 5 a 15 segundos com áudio estéreo sincronizado em 6 passos de amostragem.

Qual é a diferença entre o Pika H3 Flex e o MiniMax H3?

Ele mantém a arquitetura e os arquivos-base do MiniMax H3, mas acrescenta ajuste fino supervisionado, destilação PDMD em 6 passos e alinhamento com ReFL e DPO. Com isso, reduz a amostragem de 20 a 50 passos para 6, apresentando pontuações de preferência ligeiramente maiores nos testes da própria Pika.

O Pika H3 Flex gera vídeos em 4K localmente?

Não. A saída local fica limitada a 480p e 768p. Vídeos em 1080p, 2K e 4K, além de cinco stems de áudio separados, estão disponíveis apenas pela API hospedada da Pika, com tarifas promocionais de $0,035 a $0,08 por segundo.

Qual GPU é necessária para rodar o Pika H3 Flex localmente?

A Pika testou o modelo em uma H100 de 80 GB e com cerca de 215 GB de downloads. Testes da comunidade mostram execuções funcionais em 480p em placas de 24 GB com offload para a CPU. Já renders de 15 segundos em 768p exigem bastante RAM do sistema, então a maioria das configurações de consumo deve planejar rascunhos em 480p.

Devo usar o adaptador FL2VA ou o Ref2VA?

O FL2VA atende a texto para vídeo, imagem para vídeo e condicionamento pelo primeiro ou último frame. O Ref2VA é voltado a tarefas de referência para vídeo, como transferência de movimento e troca de personagem, com até 12 referências combinadas de imagem, vídeo e áudio.

O Pika H3 Flex é gratuito para uso comercial?

Os pesos podem ser baixados gratuitamente, mas herdam a licença comunitária do MiniMax H3, que impõe condições territoriais e de uso comercial. Equipes comerciais devem consultar o arquivo de licença do repositório e considerar a API hospedada nas regiões restritas até que a Pika confirme o contrário.