AIREITERPika H3 Flex 是目前迭代短篇 AI 影音最有效率的選擇之一，但「7 秒生成 15 秒影片」只計算了 Transformer 的運算時間。真正產出一段影片，本機仍可能要花上數分鐘；透過託管 API 則通常不到一分鐘，而超過 768p 的解析度則必須付費使用。
先釐清「7 秒生成」到底代表什麼
7 秒這個數字，指的是 Pika 內部叢集上的 Diffusion Transformer 純運算時間，並不是從輸入提示詞到拿到成品的完整流程。Pika 的技術分析在公布伺服器數據時也特別區分了這一點。實際流程還包括文字編碼、VAE 解碼、音訊交錯處理、傳輸與排隊。透過託管 API，完整生成通常不到一分鐘；使用消費級 GPU 在本機執行，則要預留數分鐘。
Pika 表示，在尚未套用服務最佳化前，8 張 B300 GPU 生成一段含音訊的 5 秒 768p 影片，需要 3.409 秒伺服器運算時間；最佳化後縮短至 2.129 秒，服務效能提升 1.60 倍（來源）。kie.ai 的介紹也明確提醒，15 秒 768p 影片的 7 秒數字不能視為 API 延遲或消費級 GPU 效能的保證。
實際測試同樣顯示出明顯落差。社群測試彙整發現，RTX 5090 以 6 步生成 10 秒影片約需 4 分 55 秒，原始設定則要 20 分 34 秒，畫面品質幾乎沒有變化；RTX 4070 生成 5 秒影片約需 7 分 11 秒，但音訊明顯更好。相較教師模型的 50 步排程，6 步大約把採樣次數減少 8 倍；在社群測試中，同一張顯示卡的實際耗時約縮短 3 至 4 倍。這確實大幅改善了迭代效率，但別把它誤解成在桌機上也能超越即時速度。
Pika H3 Flex 到底是什麼
Pika H3 Flex 並不是全新的影片架構，而是經過後訓練的 MiniMax H3，並以兩個 LoRA 適配器形式發布。Pika 先用內部影音資料集、按照教師模型的 50 步排程微調 MiniMax H3；在發現標準 DMD 不穩定後，改用投影分佈匹配（PDMD）將模型蒸餾至 6 步，再以 ReFL 獎勵學習改善美感，並透過 DPO 強化指令遵循能力（Pika 研究解析）。Pika 的發布公告將它定位為更快、更容易控制、適合專業迭代的 H3 衍生版本，而官方發布串文則確認模型從第一天起就提供開放權重。
本機版本包含：
| 項目 | Pika H3 Flex 本機規格 |
|---|---|
| 基礎模型 | MiniMax H3（33B 全模態影音模型） |
| 格式 | 2 個 LoRA：FL2VA + Ref2VA（每個 FP32 版本 2.77 GB，BF16 ComfyUI 版本 1.96 GB） |
| 採樣 | 6 步、lcm sampler、手動 sigma 排程 |
| 解析度 | 480p 或 768p，11 種長寬比，範圍從 21:9 到 9:21 |
| 片長 | 24 fps 下 5 至 15 秒（5 秒 = 124 幀，15 秒 = 362 幀） |
| 音訊 | 32 kHz 立體聲，混入 MP4 |
| 提示詞長度 | 1 至 8,000 個字元 |
| 發布日期 | 2026 年 10 月 29 日，首日提供開放權重 |
Pika 的適配器會掛載在標準 MiniMax H3 基礎檔案上，因此已有 H3 環境的使用者只需再下載兩個 LoRA；如果你還沒接觸過 H3，則要為約 210 GB 的基礎檔案，以及 5.5 GB 的適配器預留空間（容量解析）。Hugging Face 模型儲存庫提供權重、範例與授權條款；Diffusers 整合文件則說明兩個適配器與 6 步流程的使用方式。
FL2VA 與 Ref2VA：你的鏡頭該用哪個適配器
FL2VA 與 Ref2VA 分別對應 MiniMax H3 的兩個 Transformer 分支，選擇時必須同時符合工作流程與基礎 checkpoint。LoRA 和基礎模型配錯，是早期教學（例如這篇 ComfyUI 設定指南）中最常見的問題。
| 適配器 | 輸入 | 適用情境 | 搭配基礎模型 |
|---|---|---|---|
| FL2VA | 文字，可選擇第一幀及／或最後一幀 | 文字生影片、圖片生影片、首幀、尾幀、首尾幀 | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | 文字，以及按照順序排列的圖片、影片、音訊參考 | 參考圖生影片、動作轉移、角色替換、參考導向編輯 | minimax_h3_ref2va_pruned_int8_convrot |
Ref2VA 是較有特色的版本：每次生成最多可加入 12 個參考素材，各類上限為 9 張圖片、3 段影片、3 段音訊；每種媒體的合計片長最多 15 秒，且至少要有一張圖片或一段影片。你可以分別用圖片控制身分、影片控制動作、音訊樣本控制聲音。
Ref2VA 採用結構化參考格式，包含 subject_definitions、summary，以及 <Subject 1>、<Picture 1>、<Video 1>、<Audio 1> 等標籤。ComfyUI 也支援在同一段提示詞中描述硬切、多鏡頭調度與對白。若你正在評估MiniMax H3 Max API 價格，又需要大量參考素材，應該優先測試 Ref2VA，因為它是目前最接近同等鏡頭控制能力的開放權重方案。
有一條規則務必記住：不要再疊加其他加速 LoRA。Flex 已經針對自己的 6 步 latent 排程完成蒸餾，而ComfyUI 指南提醒，加入 Turbo、Lightning、PTD 或 8-step Acc 加速會「破壞輸出」。針對未蒸餾 H3 訓練的風格或角色 LoRA，技術上或許能載入，但正式投入製作前仍應重新測試。
Pika 把哪些功能留給 API
本機輸出最高只有 768p，音訊也會混成一條立體聲軌。更高解析度、分離音軌與提示詞增強，則必須使用 Pika 的託管 API。
| 功能 | 本機開放權重 | Pika 託管 API |
|---|---|---|
| 解析度 | 480p、768p | 480p、768p、1080p、2K、4K |
| 音訊 | 混合 32 kHz 立體聲 | 混合音訊，另加 5 條分離 WAV 音軌（對白、配樂、音效、擬音、環境音） |
| 提示詞協助 | 手動 | 提示詞改寫器（每次請求 $0.02） |
| 參考影片計費 | 不適用（只計算運算量） | 輸入與輸出秒數都會計費 |
發布初期的託管服務採促銷價，約為 Pika 一般價格的一半（價格數據來自 kie.ai）：
| 解析度 | 促銷價／輸出秒 | 標準價／輸出秒 | 15 秒影片促銷價 |
|---|---|---|---|
| 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 |
音訊分離軌每秒另收 $0.001；參考影片輸入則按照生成價格，同時計算輸入與輸出秒數。圖片與音訊參考不收輸入費。API Club 會員在 10 月 29 日至 11 月 5 日的發布期間，每天可獲得 15 次免費生成（促銷條款）。
Pika 的草稿到成品流程（流程說明）是先以 480p 或 768p 生成低解析度草稿，確認鏡頭後，再用同一個 latent seed 以 1080p 至 4K 完成，只需支付差額。假設創作者以促銷價製作 10 個 480p 草稿（每個 $0.15），最後挑一個升級到 4K，草稿花費 $1.50，加上升級差額 $1.05，總計 $2.55；若 10 個版本全部直接以 4K 完成，則要 $12.00。對於MiniMax H3 影片工作流程中大量探索 seed 的情境，這種計價方式能降低反覆試錯的成本。
授權條款同樣值得注意。由於適配器是 MiniMax H3 的衍生物，因此採用 MiniMax H3 Community License Agreement；只有推論程式碼採用 Apache 2.0（授權拆分）。先前對基礎模型授權的報導指出，其中包含地域與商業使用限制，包括排除美國、歐盟、英國與南韓的本機部署。Pika 在發布時尚未確認是否存在額外條款，因此計畫承接付費客戶專案的人，應直接閱讀適配器儲存庫中的授權檔案；在相關地區獲得 Pika 確認前，託管 API 仍是較可能符合規範的選項。
沒有 H100，也能在本機執行嗎？
Pika 的代表性測試是在單張 80 GB H100 上進行，單段影片沒有使用多 GPU 分片（硬體說明），完整下載容量約 215.5 GB。啟用 CPU offload 可以降低 VRAM 需求，但會增加系統記憶體與資料傳輸時間。早期指南提供的經驗法則仍然成立：如果某張 GPU 已經能執行原版 H3，Flex 通常也能在上面執行，只是還要額外為 LoRA 預留約 2 GB。
一份發布日硬體實測報告記錄了 480p、5 秒影片需要 66 至 69 GiB VRAM；768p、15 秒影片則需要啟用 CPU offload，並使用約 94 GiB 系統記憶體。另一項 5 秒、1344x768 的 ComfyUI 渲染則接近一分鐘。這大致反映了消費級硬體的現實：24 GB 顯示卡搭配 offload 可以處理 480p 草稿，但 768p 長片段會變成系統記憶體的考驗。
「Flex 影片的動作更多。沒有 H100，就在桌上用一張 24GB 顯示卡。」— @KuGeKinbaku，在 RTX 3090 Ti 上使用相同提示詞與 seed 比較：Turbo 8 步需時 212.61 秒，Pika H3 Flex LoRA 以 6 步完成需時 146.81 秒，端到端速度約快 31%
依照範本預設值（設定來源），ComfyUI 的有效設定範圍相當明確，最好不要隨意更改：
| 設定 | 數值 | 原因 |
|---|---|---|
| Steps | 6 | 蒸餾排程；4 步在細節處會出現跳動 |
| Sampler | lcm | 符合訓練設定 |
| Sigmas | 手動，節點為 1000/750/500/250/100/40/0 | 一般的 6 步 Euler 並不等效 |
| Guider / CFG | BasicGuider、CFG 1.0 | 略過負面提示詞流程 |
| LoRA strength | 1.0 | 較低數值會讓模型只完成部分蒸餾 |
| Shifts | 影片 12、音訊 3 | Pika 的參考值 |
使用文字生影片範本時，ComfyUI 需要 0.43.2 或更新版本；參考圖與首尾幀範本則使用 0.30.0 即可。三個範本位於 Workflow > Browse Templates > Video，不需要安裝自訂節點。若你的顯示卡只有 16 GB，建議從 480p、5 秒開始，啟動時加入 --reserve-vram 1.5，系統記憶體最好有 64 GB，並關閉其他吃 GPU 的應用程式。
畫質表現：速度提升，並非全面改朝換代
Pika H3 Flex 在 DesignArena 的文字生影片排行榜初登場時拿下 1293 Elo，總排名第 7，也是發布當時排名最高的開放權重模型，領先 MiniMax H3 的 1277 分（排行榜快照）。同一份資料中，Gemini Omni 1.1 Flash 為 1360、Wan 3.0 為 1324、FLUX 3 Max 為 1297、FLUX 3 Video 為 1286，Seedance 2.5 則為 1256。它比教師模型高出 16 分，更像是偏好最佳化抵銷了激進蒸餾的損失，而不是畫質出現革命性突破。
Pika 自行進行的 768p 對照測試，Flex 在大多數測量項目都佔優（Pika 基準測試表）：
| 指標 | Pika H3 Flex，6 步 | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| 影片技術品質 | 12.3 | 11.7 | 10.6 |
| 影片美感 | 5.41 | 5.28 | 5.00 |
| 音訊美感 | 7.02 | 6.85 | 6.89 |
| 影音一致性 | 0.212 | 0.208 | 0.216 |
這些數據來自 Pika 自行測量，並非獨立驗證；而且在影音一致性方面，Fal H3 Max 以 0.216 略勝一籌。Pika 也承認模型在物理效果、多場景敘事、光線、材質，以及動作密集的參考任務上仍有不足（Pika 列出的限制）。早期測試者的實際建議，例如 djbfilmz 的 6 步與 20 步比較，是用 Flex 快速探索大量提示詞與 seed；如果鏡頭的重點在物理效果或材質，最後渲染則改用 20 步的原版 H3。
以下提示詞建議皆整理自 ComfyUI 提示詞章節：
- 描述鏡頭運動時，也要寫出結束位置，例如「鏡頭慢慢推近，最後停在她的臉上」；剪接時間可能偏移 0.2 至 0.3 秒。
- 透過場景內容安排構圖，例如「一個小小的人影獨自站在巨大的空曠大廳」，不要只寫抽象的鏡頭術語。
- 細微的接觸互動仍不可靠；不過，短小的物件文字標籤據報能在鏡頭移動後維持存在。
- 無論採用哪種方式，片長上限都是 15 秒，因此多鏡頭故事應拆成多次生成。
該下載模型，還是直接呼叫 API？
| 你的情境 | 建議方案 | 原因 |
|---|---|---|
| 每週要迭代數十個 seed 或鏡頭 | 下載 LoRA，以 480p 製作草稿 | 6 步草稿能把探索時間縮短約 3 至 4 倍，而且不按秒計費 |
| 需要 4K、分離音軌或提示詞改寫 | 託管 API | 本機權重不提供這些功能 |
| 消費級 GPU（24 GB 或更少） | API，或本機製作 480p 草稿 | 本機生成 768p、15 秒影片需要 offload 與大量系統記憶體 |
| 在美國、歐盟、英國或南韓交付商業作品 | 在釐清授權前使用 API | 基礎社群授權可能排除當地部署 |
| 角色一致的系列影片或動作轉移 | 專門下載 Ref2VA | 最多 12 個參考素材是本機版本的差異化優勢 |
實際操作上，可以先在本機批次生成 480p 草稿，確認 seed 後，再把選中的版本交給託管服務完成。
Pika H3 Flex 常見問題
什麼是 Pika H3 Flex？
Pika H3 Flex 是 Pika 對 MiniMax H3 進行後訓練的版本，於 2026 年 10 月 29 日發布。它以兩個開放權重 LoRA 適配器形式提供，能以 6 步採樣生成 5 至 15 秒、具同步立體聲音訊的影片。
Pika H3 Flex 和 MiniMax H3 有什麼不同？
它保留 MiniMax H3 的架構與基礎檔案，但加入監督式微調、6 步 PDMD 蒸餾，以及 ReFL 與 DPO 對齊，將採樣次數從 20 至 50 步降低至 6 步；在 Pika 自行進行的測試中，偏好分數也略有提升。
Pika H3 Flex 能在本機生成 4K 影片嗎？
不能。本機輸出上限為 480p 與 768p。1080p、2K、4K 輸出，以及 5 條分離音訊軌，只能透過 Pika 託管 API 使用；促銷價格為每秒 $0.035 至 $0.08。
本機執行 Pika H3 Flex 需要哪張 GPU？
Pika 使用 80 GB H100 進行測試，完整下載容量約 215 GB。社群測試顯示，24 GB 顯示卡搭配 CPU offload 可以執行 480p；768p、15 秒影片則需要大量系統記憶體，因此多數消費級環境應以 480p 草稿為主。
我該使用 FL2VA 還是 Ref2VA 適配器？
FL2VA 適合文字生影片、圖片生影片，以及首幀或尾幀條件控制。Ref2VA 則用於參考圖生影片、動作轉移與角色替換等任務，最多可搭配 12 個圖片、影片與音訊參考素材。
Pika H3 Flex 可以免費商業使用嗎？
模型權重可以免費下載，但受到 MiniMax H3 Community License 的地域與商業使用條款限制。商業團隊應先檢查儲存庫中的授權檔案；在 Pika 另行確認前，受限制地區則應考慮使用託管 API。