AIREITERPika H3 Flex — один из самых практичных способов быстро перебирать короткие AI-видео со звуком. Но обещание «15 секунд за 7 секунд» относится только к вычислениям трансформера. Полный ролик на локальной видеокарте всё равно будет считаться несколько минут, а через облачный API — меньше минуты. Всё, что выше 768p, доступно только за отдельную плату.
Откуда взялись эти 7 секунд
Показатель в 7 секунд — это чистое время работы Diffusion Transformer на внутренних кластерах Pika, а не полный цикл генерации. Технический разбор Pika прямо разделяет эти показатели. В реальный процесс входят кодирование текста, декодирование VAE, добавление аудио, передача данных и ожидание в очереди. Через размещённый API полный ролик обычно готовится меньше минуты, а на обычной потребительской видеокарте локальная генерация занимает несколько минут.
Pika указывает 3.409 секунды серверных вычислений до оптимизации обслуживания и 2.129 секунды после неё — прирост скорости в 1.60x. Речь идёт о 5-секундном ролике в 768p со звуком, рассчитанном на восьми B300 (источник). В обзоре kie.ai отдельно отмечено: цифру в 7 секунд для 15-секундного ролика 768p нельзя воспринимать как гарантированную задержку API или показатель производительности потребительской видеокарты.
Пользовательские тесты подтверждают разницу. В подборке независимых замеров RTX 5090 рендерила 10-секундный ролик примерно за 4 минуты 55 секунд при 6 шагах против 20 минут 34 секунд в штатном режиме, почти без заметной потери качества картинки. RTX 4070 справлялась примерно за 7 минут 11 секунд с 5-секундным роликом, причём звук получался ощутимо лучше. Шесть шагов сокращают число проходов примерно в 8 раз по сравнению с учительским расписанием на 50 шагов, а в пользовательских тестах на одной и той же карте общее время уменьшается примерно в 3–4 раза. Это серьёзное ускорение итераций, но не генерация быстрее реального времени на домашнем ПК.
Что такое Pika H3 Flex
Pika H3 Flex — это дообученная MiniMax H3, выпущенная в виде двух LoRA-адаптеров, а не новая видеоархитектура. Pika обучила MiniMax H3 на собственной аудиовизуальной выборке по учительскому расписанию на 50 шагов, затем с помощью projected distribution matching (PDMD) сжала модель до 6 шагов после того, как стандартный DMD оказался нестабильным. После этого модель дополнительно выравнивали через ReFL для улучшения эстетики и DPO для следования инструкциям (разбор исследования Pika). В анонсе запуска результат описывается как более быстрый и управляемый вариант H3 для профессиональных итераций, а официальная публикация подтверждает доступность весов с первого дня.
Что понадобится для локального запуска:
| Категория | Локальные характеристики Pika H3 Flex |
|---|---|
| Базовая модель | MiniMax H3 (33B omni video-audio) |
| Формат | 2 LoRA: FL2VA + Ref2VA (по 2.77 GB FP32 каждая, по 1.96 GB в сборках BF16 для ComfyUI) |
| Сэмплирование | 6 шагов, lcm sampler, ручное расписание сигм |
| Разрешения | 480p или 768p, 11 соотношений сторон от 21:9 до 9:21 |
| Длительность | 5–15 с при 24 fps (5 с = 124 кадра, 15 с = 362 кадра) |
| Аудио | Стерео 32 kHz, сведённое в MP4 |
| Окно промпта | 1–8,000 символов |
| Дата запуска | October 29, 2026, открытые веса с первого дня |
Адаптеры Pika подключаются к стандартным файлам базовой MiniMax H3. Поэтому тем, у кого H3 уже настроена, достаточно скачать две LoRA. Новым пользователям стоит рассчитывать примерно на 210 GB базовых файлов и ещё 5.5 GB адаптеров (разбор занимаемого места). В репозитории модели на Hugging Face лежат веса, примеры и лицензия, а в документации Diffusers описаны оба адаптера и конвейер на 6 шагов.
FL2VA или Ref2VA: какой адаптер выбрать
FL2VA и Ref2VA соответствуют двум веткам трансформера MiniMax H3. Адаптер нужно подбирать одновременно под задачу и базовый чекпойнт. Несовместимая пара LoRA и основы — самая частая причина ошибок в первых инструкциях, включая руководство по настройке ComfyUI.
| Адаптер | Входные данные | Для чего нужен | Сочетать с базой |
|---|---|---|---|
| FL2VA | Текст, опционально первый и/или последний кадр | Text-to-video, image-to-video, первый кадр, последний кадр, первый и последний кадры | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | Текст и упорядоченные изображения, видео и аудиореференсы | Reference-to-video, перенос движения, замена персонажа, монтаж по референсу | minimax_h3_ref2va_pruned_int8_convrot |
Именно Ref2VA выделяет Flex среди похожих решений: за одну генерацию можно передать до 12 референсов. Для каждого типа действуют отдельные ограничения: до 9 изображений, 3 видео и 3 аудиоклипов, максимум 15 секунд суммарно для каждого типа медиа, причём хотя бы одно изображение или видео обязательно. Таким образом, изображение отвечает за личность, видео — за движение, а аудиосэмпл — за голос.
Промпт для Ref2VA использует структурированный формат с subject_definitions, полем summary и метками вроде <Subject 1>, <Picture 1>, <Video 1>, <Audio 1>. ComfyUI также понимает инструкции для нескольких планов: жёсткие склейки, хореографию камеры и диалоги в одном промпте. Тем, кто рассматривает тарифы MiniMax H3 Max API для работы с большим числом референсов, стоит сначала протестировать Ref2VA: среди открытых моделей это наиболее близкий вариант к такому уровню контроля над сценой.
Есть важное ограничение: не добавляйте поверх Flex ещё одну LoRA для ускорения. Модель уже дистиллирована под собственное латентное расписание на 6 шагов, и руководство по ComfyUI предупреждает, что Turbo, Lightning, PTD или ускорение на 8 шагов Acc «ломают результат». Стилевые или персонажные LoRA, обученные на недистиллированной H3, могут технически загрузиться, но перед использованием в продакшене их нужно отдельно проверить.
Что Pika оставила только в API
Локальная версия ограничена 768p и одной сведённой стереодорожкой. Более высокие разрешения, отдельные аудиостемы и улучшение промпта доступны через размещённый API Pika.
| Возможность | Локальные открытые веса | Размещённый API Pika |
|---|---|---|
| Разрешение | 480p, 768p | 480p, 768p, 1080p, 2K, 4K |
| Аудио | Сведённое стерео 32 kHz | Сведение плюс 5 отдельных WAV-стемов (диалоги, музыка, SFX, Foley, атмосфера) |
| Помощь с промптом | Вручную | Переписывание промпта ($0.02 за запрос) |
| Оплата референсного видео | N/A (только вычисления) | Оплачиваются секунды входного и выходного видео |
На старте действуют промо-тарифы — примерно вдвое ниже обычных цен Pika (цифры по тарифам через kie.ai):
| Разрешение | Промо за секунду результата | Стандартная цена за секунду результата | Стоимость 15-секундного ролика по промо |
|---|---|---|---|
| 480p | $0.01 | $0.02 | $0.15 |
| 768p | $0.02 | $0.04 | $0.30 |
| 1080p | $0.035 | $0.07 | $0.525 |
| 2K | $0.04 | $0.08 | $0.60 |
| 4K | $0.08 | $0.16 | $1.20 |
Аудиостемы стоят дополнительно $0.001 за секунду аудио. Референсное видео оплачивается по тарифу генерации и для входных, и для выходных секунд. За изображения и аудиореференсы плата за входные данные не взимается. Участники API Club получали 15 бесплатных генераций в день в период запуска с October 29-November 5 (условия акции).
В сценарии Pika draft-to-final (описанном здесь) сначала создаётся черновик в 480p или 768p. После выбора удачного дубля тот же latent seed доводится через API до 1080p–4K, при этом оплачивается только разница в цене. Например, десять черновиков в 480p по $0.15 каждый обойдутся в $1.50, а финальный апскейл одного варианта до 4K — ещё в $1.05. Итого $2.55 вместо $12.00, если сразу доводить все десять вариантов до 4K. Для рабочих процессов с видео MiniMax H3, где приходится перебирать множество seed, это заметно снижает цену экспериментов.
О лицензии забывать нельзя. Адаптеры распространяются по MiniMax H3 Community License Agreement как производные от MiniMax H3, тогда как лицензия Apache 2.0 относится только к коду инференса (разделение лицензий). В предыдущем разборе базовой лицензии упоминались территориальные ограничения и условия коммерческого использования, включая запрет локального запуска в US, EU, UK и South Korea. На момент запуска Pika не подтвердила дополнительные условия, поэтому для платных проектов нужно самостоятельно изучить файл лицензии в репозитории адаптеров. В регионах с ограничениями размещённый API пока выглядит более вероятным вариантом соблюдения условий, но это следует подтвердить у Pika.
Локальный запуск без H100
Показательные тесты Pika проводились на одной H100 с 80 GB без распределения одного ролика между несколькими GPU (данные о железе), а полный объём загрузки составляет около 215.5 GB. Флаг CPU-offload позволяет снизить требования к VRAM, но увеличивает нагрузку на оперативную память и время передачи данных. Общее правило из первых руководств остаётся актуальным: если конкретная видеокарта уже запускает штатную H3, она справится и с Flex, но потребуется примерно 2 GB дополнительно под LoRA.
В подробном отчёте о железе в день запуска указано, что 5-секундные ролики в 480p занимали 66–69 GiB VRAM. Для 15 секунд в 768p требовались CPU-offload и около 94 GiB системной памяти, а 5-секундный рендер 1344x768 в ComfyUI занимал примерно минуту. Практический вывод для домашних систем такой: черновики 480p можно запускать на картах с 24 GB с выгрузкой на CPU, а длинные ролики 768p быстро превращаются в задачу для системы с большим объёмом RAM.
«Ролик на Flex двигается БОЛЬШЕ. Никакой H100. Одна карта на 24 GB на столе». — @KuGeKinbaku, сравнение одного промпта и seed на RTX 3090 Ti: Turbo на 8 шагах — 212.61 s против 146.81 s у Pika H3 Flex LoRA на 6 шагах, то есть примерно на 31% быстрее от начала до конца
Рабочая схема ComfyUI согласно настройкам шаблона (источник параметров) довольно узкая, поэтому лучше не отклоняться от неё без необходимости:
| Параметр | Значение | Зачем |
|---|---|---|
| Шаги | 6 | Дистиллированное расписание; на 4 шагах появляются артефакты в мелких деталях |
| Сэмплер | lcm | Соответствует конфигурации обучения |
| Sigmas | Вручную, узлы 1000/750/500/250/100/40/0 | Обычный Euler на 6 шагах не даёт эквивалентного результата |
| Guider / CFG | BasicGuider, CFG 1.0 | Пропускает проход с негативным промптом |
| Сила LoRA | 1.0 | Меньшие значения оставляют модель частично недистиллированной |
| Shifts | Video 12, audio 3 | Референсные значения Pika |
Для шаблона text-to-video в ComfyUI нужна версия 0.43.2 или новее; для шаблонов reference и first-last-frame достаточно 0.30.0. Три шаблона находятся в Workflow > Browse Templates > Video. Пользовательские ноды не требуются. Для карт на 16 GB начните с 480p и 5 секунд, запускайте с --reserve-vram 1.5, обеспечьте хотя бы 64 GB системной RAM и закройте другие приложения, активно использующие GPU.
Что с качеством
На старте Pika H3 Flex получила 1293 Elo в рейтинге text-to-video DesignArena — 7-е место в общем зачёте и первое среди открытых моделей на момент анонса. MiniMax H3 набрала 1277 (снимок рейтинга). Для контекста из того же рейтинга: Gemini Omni 1.1 Flash — 1360, Wan 3.0 — 1324, FLUX 3 Max — 1297, FLUX 3 Video — 1286, Seedance 2.5 — 1256. Отрыв в 16 баллов от учительской модели больше похож на результат оптимизации пользовательских предпочтений, компенсирующей агрессивную дистилляцию, чем на визуальную революцию.
В собственном сопоставимом тесте Pika на 768p Flex опережает конкурентов по большинству измеренных показателей (таблица тестов Pika):
| Метрика | Pika H3 Flex, 6 шагов | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| Техническое качество видео | 12.3 | 11.7 | 10.6 |
| Эстетика видео | 5.41 | 5.28 | 5.00 |
| Эстетика аудио | 7.02 | 6.85 | 6.89 |
| Согласованность аудио и видео | 0.212 | 0.208 | 0.216 |
Это собственные измерения Pika, а не независимая проверка. По согласованности аудио и видео Fal H3 Max немного впереди — 0.216. Сама Pika признаёт слабые места Flex: физика, повествование из нескольких сцен, освещение, материалы и задачи с большим количеством действий по референсу (список ограничений Pika). Практическое правило, которое подтверждают ранние тестеры, включая сравнение djbfilmz на 6 и 20 шагах: Flex лучше использовать для перебора промптов и seed в серии роликов, а финальный кадр с важной физикой или материалами рендерить на штатной H3 с 20 шагами.
Рекомендации по промптам из раздела о промптинге в ComfyUI:
- Описывайте движение камеры вместе с конечной точкой: «камера медленно приближается и останавливается на её лице». Момент склейки может смещаться на 0.2–0.3 с.
- Задавайте композицию через содержание сцены — например, «маленькая фигура одна в огромном пустом зале», — а не только через сухие параметры объектива.
- Точные взаимодействия объектов по-прежнему ненадёжны; короткие надписи на предметах, по сообщениям пользователей, лучше переживают движение камеры.
- Предел в 15 секунд никуда не делся, поэтому истории из нескольких планов лучше разбивать на отдельные генерации.
Скачать модель или пользоваться API?
| Ситуация | Что выбрать | Почему |
|---|---|---|
| Каждую неделю перебираете десятки seed или сцен | Скачать LoRA и делать черновики в 480p | 6 шагов сокращают время перебора примерно в 3–4 раза; поминутной оплаты нет |
| Нужны 4K, отдельные стемы или переписывание промптов | Размещённый API | В локальных весах этих функций нет |
| Потребительская видеокарта на 24 GB или меньше | API или локальные черновики в 480p | Для локальных роликов 768p на 15 секунд нужны offload и большой объём RAM |
| Коммерческий выпуск в US, EU, UK или KR | API, пока лицензия не прояснена | Базовая community-лицензия может запрещать локальный запуск в этих регионах |
| Серии с постоянным персонажем или перенос движения | Скачать именно Ref2VA | Контроль до 12 референсов — главное преимущество локальной версии |
Оптимальный сценарий прост: локально сделать пачку черновиков в 480p, а утверждённый seed довести через API.
Частые вопросы о Pika H3 Flex
Что такое Pika H3 Flex?
Pika H3 Flex — это дообученная Pika модель MiniMax H3, выпущенная October 29, 2026 в виде двух адаптеров LoRA с открытыми весами. Она создаёт видео длительностью 5–15 секунд с синхронизированным стереозвуком всего за 6 шагов сэмплирования.
Чем Pika H3 Flex отличается от MiniMax H3?
Архитектура и базовые файлы MiniMax H3 сохранены, но добавлены supervised fine-tuning, дистилляция PDMD до 6 шагов, а также выравнивание ReFL и DPO. Число шагов сэмплирования сокращено с 20–50 до 6, а в собственных тестах Pika показатели предпочтений немного выросли.
Может ли Pika H3 Flex локально генерировать видео в 4K?
Нет. Локальная версия ограничена 480p и 768p. Разрешения 1080p, 2K и 4K, а также пять отдельных аудиостемов доступны только через размещённый API Pika по промо-тарифам $0.035–$0.08 за секунду.
Какая видеокарта нужна для локального запуска Pika H3 Flex?
Pika тестировала модель на H100 с 80 GB, а общий объём загрузки составляет около 215 GB. Пользовательские тесты показывают, что 480p можно запускать на картах с 24 GB при CPU-offload. Для роликов 768p длительностью 15 секунд требуется значительный объём системной RAM, поэтому большинству домашних систем стоит ориентироваться на черновики в 480p.
Какой адаптер выбрать — FL2VA или Ref2VA?
FL2VA подходит для text-to-video, image-to-video и управления первым или последним кадром. Ref2VA предназначен для reference-to-video, переноса движения и замены персонажей, поддерживая до 12 совмещённых изображений, видео и аудиореференсов.
Можно ли бесплатно использовать Pika H3 Flex в коммерческих проектах?
Веса можно скачать бесплатно, но на них распространяется MiniMax H3 Community License с территориальными ограничениями и условиями коммерческого использования. Коммерческим командам следует изучить файл лицензии в репозитории и в ограниченных регионах рассмотреть размещённый API, пока Pika не даст дополнительные разъяснения.