AIREITERPika H3 Flex 是目前快速反复尝试短视频和音频组合的高效方案之一，但“15 秒视频 7 秒生成”这个说法，只计算了 Transformer 的推理时间。真正生成一个视频，本地通常仍要几分钟；调用托管 API 也要不到 1 分钟，而 768p 以上的分辨率则必须付费使用。
“7 秒生成”到底意味着什么
7 秒这个数字，指的是 Pika 内部集群上的 Diffusion Transformer 纯计算时间，并不等于从输入提示词到拿到成片的完整耗时。Pika 的技术分析在公布服务器数据时也特别区分了这两者。实际流程还包括文本编码、VAE 解码、音频交织、数据传输和排队。因此，通过托管 API 从开始到结束预计需要不到 1 分钟；在本地消费级显卡上，则要准备好几分钟。
Pika 的数据表明，在未做服务优化时，8 张 B300 GPU 为一段带音频的 5 秒 768p 视频需要 3.409 秒服务器计算时间；优化后降至 2.129 秒，服务端加速幅度为 1.60 倍（来源）。而 kie.ai 的介绍明确提醒，15 秒 768p 视频的 7 秒说法，不能视为 API 延迟或消费级显卡性能的保证。
真实用户的测试也印证了这一差距。一份社区测试汇总显示，RTX 5090 用 6 步生成 10 秒视频大约需要 4 分 55 秒，而原版模型需要 20 分 34 秒，画质几乎没有变化；RTX 4070 生成 5 秒视频则大约需要 7 分 11 秒，但声音明显更好。与教师模型的 50 步调度相比，6 步采样将采样轮数削减了约 8 倍；社区测试中，同一张显卡的实际耗时大约缩短 3-4 倍。这确实大幅提升了迭代效率，但并不代表你在桌面电脑上就能实时生成视频。
Pika H3 Flex 是什么
Pika H3 Flex 并不是一套全新的视频架构，而是经过后训练的 MiniMax H3，以两个 LoRA 适配器的形式发布。Pika 先用内部音视频数据集按照教师模型的 50 步调度进行微调；在发现标准 DMD 不稳定后，改用投影分布匹配（PDMD）将模型蒸馏到 6 步，随后又通过 ReFL 奖励学习优化审美表现，并用 DPO 改善指令遵循能力（Pika 研究拆解）。Pika 的发布公告将它定位为更快、更易控制、面向专业迭代的 H3 衍生版本；官方发布帖也确认模型从第一天起就开放权重。
本地部署时，你拿到的是：
| 类别 | Pika H3 Flex 本地规格 |
|---|---|
| 基础模型 | MiniMax H3（33B 全模态视频-音频模型） |
| 格式 | 2 个 LoRA：FL2VA + Ref2VA（每个 FP32 版本 2.77 GB，BF16 ComfyUI 版本 1.96 GB） |
| 采样 | 6 步、lcm sampler、手动 sigma 调度 |
| 分辨率 | 480p 或 768p，支持从 21:9 到 9:21 的 11 种画幅 |
| 时长 | 24 fps 下 5-15 秒（5 秒 = 124 帧，15 秒 = 362 帧） |
| 音频 | 32 kHz 立体声，混入 MP4 |
| 提示词窗口 | 1-8,000 个字符 |
| 发布日期 | 2026 年 10 月 29 日，首日开放权重 |
Pika 的适配器直接挂载在标准 MiniMax H3 基础文件上，因此已经部署 H3 的用户只需额外下载两个 LoRA；如果你还没有 H3，则要为大约 210 GB 的基础文件和 5.5 GB 的适配器预留空间（占用空间拆解）。Hugging Face 模型仓库提供权重、示例和许可证；Diffusers 集成文档则介绍了两个适配器以及 6 步推理流程。
FL2VA 还是 Ref2VA：你的镜头该用哪个适配器
FL2VA 和 Ref2VA 分别对应 MiniMax H3 的两条 Transformer 分支，选择时既要看工作流，也要匹配正确的基础检查点。LoRA 和基础模型搭配错误，是早期教程中最常见的部署问题之一，例如这份 ComfyUI 设置指南就专门提醒了这一点。
| 适配器 | 输入 | 适用场景 | 匹配的基础模型 |
|---|---|---|---|
| FL2VA | 文本，可选首帧和/或尾帧 | 文生视频、图生视频、首帧、尾帧、首尾帧 | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | 文本，以及按顺序排列的图片、视频和音频参考素材 | 参考图生视频、动作迁移、角色替换、参考驱动编辑 | minimax_h3_ref2va_pruned_int8_convrot |
Ref2VA 是其中更有特色的一个：每次生成最多支持 12 个参考素材，其中图片最多 9 张、视频最多 3 段、音频最多 3 段；每种媒体类型合计最长 15 秒，并且至少要包含一张图片或一段视频。这样可以分别用图片控制角色身份、用视频控制动作、用音频样本控制声音。
Ref2VA 的提示词采用结构化参考格式，包括 subject_definitions、summary，以及 <Subject 1>、<Picture 1>、<Video 1>、<Audio 1> 等标签。ComfyUI 还支持在一条提示词中描述硬切、镜头编排和对白等多镜头指令。对于正在评估 MiniMax H3 Max API 定价、又需要大量参考素材的用户，建议优先测试 Ref2VA，因为它是目前最接近同类镜头控制能力的开放权重方案。
有一条硬规则：不要在它上面叠加其他加速 LoRA。Flex 本身已经针对专属的 6 步潜空间调度完成蒸馏，而 ComfyUI 指南警告，再加入 Turbo、Lightning、PTD 或 8-step Acc 会“破坏输出”。针对未蒸馏 H3 训练的风格或角色 LoRA，技术上可能可以加载，但在投入生产前必须重新测试。
Pika 为 API 保留了哪些能力
本地版本最高只能输出 768p，并生成一条混合立体声音轨。更高分辨率、独立音轨和提示词增强，则需要通过 Pika 的托管 API 使用。
| 能力 | 本地开放权重 | Pika 托管 API |
|---|---|---|
| 分辨率 | 480p、768p | 480p、768p、1080p、2K、4K |
| 音频 | 混合 32 kHz 立体声 | 混合音轨，另加 5 条独立 WAV 音轨（对白、配乐、音效、拟音、环境声） |
| 提示词辅助 | 手动完成 | 提示词改写器（每次请求 $0.02） |
| 参考视频计费 | 不适用（只计算算力） | 输入和输出秒数都计费 |
发布时的托管价格属于促销价，约为 Pika 常规价格的一半（价格数据来自 kie.ai）：
| 分辨率 | 促销价/输出秒 | 标准价/输出秒 | 15 秒视频促销价 |
|---|---|---|---|
| 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 |
音频音轨每秒额外收取 $0.001；参考视频输入则按照生成价格同时计算输入和输出秒数。图片和音频参考素材不收取输入费用。在 10 月 29 日至 11 月 5 日的发布窗口内，API Club 会员每天可获得 15 次免费生成（促销条款）。
Pika 的草稿到成片工作流（介绍见此）会先以 480p 或 768p 生成低分辨率草稿，确认满意后，再沿用同一个潜变量种子，通过 1080p 到 4K 完成最终输出，只需支付差价。比如，先以促销价生成 10 个 480p 草稿，每个 $0.15，再将其中一个升级到 4K，费用为 $1.50 加 $1.05，总计 $2.55；如果 10 个版本全部直接输出 4K，则要花 $12.00。对于包含大量种子探索的 MiniMax H3 视频工作流来说，这种设计能明显降低试错成本。
许可证问题同样不能忽略。适配器作为 MiniMax H3 的衍生物，采用 MiniMax H3 Community License Agreement；只有推理代码采用 Apache 2.0（许可证拆分）。此前关于基础模型许可证的报道指出，其中包含地域和商业使用限制，包括排除美国、欧盟、英国和韩国的本地部署。发布时 Pika 尚未确认是否存在额外条款，因此计划承接付费客户项目的团队，应直接阅读适配器仓库中的许可证文件；在排除地区得到 Pika 明确确认前，托管 API 是更值得优先考虑的合规路径。
没有 H100，也能在本地运行吗
Pika 的代表性测试使用单张 80 GB H100，生成单个视频时没有采用多 GPU 分片（硬件说明）；完整下载体积约为 215.5 GB。开启 CPU offload 可以降低显存占用，但会增加系统内存需求和数据传输时间。早期指南给出的经验法则仍然适用：如果某张 GPU 已经能运行原版 H3，那么它也能运行 Flex，只需再为 LoRA 预留约 2 GB 空间。
一份发布当天的详细硬件报告记录了 480p、5 秒视频的运行情况：显存占用为 66-69 GiB；768p、15 秒视频则需要 CPU offload，并占用约 94 GiB 系统内存。一段 5 秒、1344x768 的 ComfyUI 视频渲染耗时接近 1 分钟。这基本勾勒出了消费级设备的现实情况：配合 offload，24 GB 显存的显卡可以处理 480p 草稿；而 768p 长视频则会变成一项对系统内存要求很高的任务。
“Flex 生成的视频动作更多。没有 H100，就在桌面上用一张 24GB 显卡。” —— @KuGeKinbaku。在 RTX 3090 Ti 上使用相同提示词和种子进行对比：Turbo 8 步耗时 212.61 秒，Pika H3 Flex LoRA 6 步耗时 146.81 秒，端到端速度约快 31%
根据模板默认值（设置来源），ComfyUI 的可用配置比较明确，最好不要随意偏离：
| 设置 | 数值 | 原因 |
|---|---|---|
| 步数 | 6 | 这是蒸馏后的调度；4 步会在细节处出现跳变 |
| 采样器 | lcm | 与训练配置一致 |
| Sigmas | 手动，节点为 1000/750/500/250/100/40/0 | 通用的 6 步 Euler 并不等价 |
| Guider / CFG | BasicGuider，CFG 1.0 | 跳过负面提示词采样过程 |
| LoRA 强度 | 1.0 | 较低数值会让模型处于未完全蒸馏的状态 |
| Shifts | 视频 12，音频 3 | Pika 的参考值 |
使用文生视频模板时，ComfyUI 需要 0.43.2 或更高版本；参考图和首尾帧模板则使用 0.30.0 即可。三个模板位于 Workflow > Browse Templates > Video 下，不需要安装自定义节点。对于 16 GB 显卡，建议从 480p、5 秒开始，启动时加入 --reserve-vram 1.5，系统内存最好保持 64 GB，并关闭其他占用 GPU 的应用。
画质表现处于什么水平
Pika H3 Flex 在 DesignArena 文生视频榜单上以 1293 Elo 分 debut，发布时总榜排名第 7，也是排名最高的开放权重模型，领先于 1277 分的 MiniMax H3（榜单快照）。同一份榜单中，Gemini Omni 1.1 Flash 为 1360 分，Wan 3.0 为 1324 分，FLUX 3 Max 为 1297 分，FLUX 3 Video 为 1286 分，Seedance 2.5 为 1256 分。它比教师模型高出的 16 分，更像是偏好优化弥补了激进蒸馏带来的损失，而不是一次视觉质量上的飞跃。
Pika 自己在 768p 条件下进行的对照测试中，Flex 在大多数指标上都占优（Pika 的基准测试表）：
| 指标 | Pika H3 Flex，6 步 | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| 视频技术指标 | 12.3 | 11.7 | 10.6 |
| 视频审美 | 5.41 | 5.28 | 5.00 |
| 音频审美 | 7.02 | 6.85 | 6.89 |
| 音画一致性 | 0.212 | 0.208 | 0.216 |
这些数据来自 Pika 的测试，并未经过独立验证；在音画一致性指标上，Fal H3 Max 以 0.216 略胜一筹。Pika 也承认，模型在物理表现、多场景叙事、光照、材质和动作密集型参考任务上仍有不足（Pika 列出的限制）。结合 djbfilmz 的 6 步与 20 步对比等早期测试，可以采用一个简单策略：需要批量探索提示词和种子时使用 Flex；最终成片如果依赖物理效果或材质表现，则切回 20 步的原版 H3。
以下提示词建议均来自 ComfyUI 提示词章节：
- 描述镜头运动时要写清楚终点，例如“镜头缓慢推进，最后停在她的脸上”；剪辑时间可能会漂移 0.2-0.3 秒。
- 通过场景内容安排构图，比如“一个小人物独自站在巨大的空旷大厅里”，不要只写抽象的镜头术语。
- 细微的接触互动仍不太可靠；不过，画面中的短文字标签据称可以在镜头移动时保持稳定。
- 无论采用哪种方案，视频时长上限都是 15 秒，因此多镜头故事应拆分成多次生成。
应该下载模型，还是直接调用 API
| 你的情况 | 推荐路径 | 原因 |
|---|---|---|
| 每周要迭代几十个种子或镜头 | 下载 LoRA，先以 480p 生成草稿 | 6 步草稿可将探索时间缩短约 3-4 倍，且不按秒计费 |
| 需要 4K、独立音轨或提示词改写 | 托管 API | 本地权重不提供这些能力 |
| 消费级显卡（24 GB 或更低） | API，或本地生成 480p 草稿 | 本地生成 768p、15 秒视频需要 offload 和大量系统内存 |
| 在美国、欧盟、英国或韩国交付商业项目 | 许可证确认前使用 API | 基础社区许可证可能排除这些地区的本地部署 |
| 制作角色一致的系列内容或动作迁移 | 专门下载 Ref2VA | 最多 12 个参考素材是它在本地部署中的差异化能力 |
比较稳妥的做法是：先在本地批量生成 480p 草稿，确认种子后，再通过托管服务完成最终输出。
Pika H3 Flex 常见问题
Pika H3 Flex 是什么？
Pika H3 Flex 是 Pika 对 MiniMax H3 进行后训练后推出的版本，于 2026 年 10 月 29 日发布。它以两个开放权重 LoRA 适配器的形式提供，可在 6 步采样内生成 5-15 秒、带同步立体声音频的视频。
Pika H3 Flex 与 MiniMax H3 有什么区别？
它保留了 MiniMax H3 的架构和基础文件，但加入了监督式微调、6 步 PDMD 蒸馏，以及 ReFL 和 DPO 对齐，将采样过程从 20-50 步减少到 6 步；在 Pika 自己的测试中，偏好评分也略有提升。
Pika H3 Flex 能在本地生成 4K 视频吗？
不能。本地输出仅支持 480p 和 768p。1080p、2K、4K 输出，以及 5 条独立音频音轨，只能通过 Pika 托管 API 使用，促销价格为每秒 $0.035-$0.08。
本地运行 Pika H3 Flex 需要什么显卡？
Pika 使用 80 GB H100 进行测试，下载文件约 215 GB。社区测试显示，配合 CPU offload，24 GB 显存的显卡可以运行 480p；而 768p、15 秒视频需要大量系统内存。因此，大多数消费级设备都应优先规划 480p 草稿工作流。
应该使用 FL2VA 还是 Ref2VA 适配器？
FL2VA 适合文生视频、图生视频，以及首帧或尾帧条件控制。Ref2VA 适合参考图生视频、动作迁移和角色替换等任务，最多支持 12 个图片、视频和音频参考素材。
Pika H3 Flex 可以免费用于商业项目吗？
权重可以免费下载，但继承了 MiniMax H3 Community License，其中包含地域和商业使用限制。商业团队应查看仓库中的许可证文件；在受限地区得到 Pika 的进一步确认前，可以考虑使用托管 API。