Pika Labs выпустила Pika H3 Flex — открытую модель генерации видео со встроенным синхронизированным аудио. Модель дообучена с помощью LoRA-адаптеров на базе MiniMax H3 на 33 млрд параметров и создаёт ролики за 6 шагов сэмплирования вместо 50: на 15-секундный фрагмент в 768p уходит около 7 секунд DiT-вычислений. Компания заявляет 1,8-кратное ускорение и снижение стоимости на 80% по сравнению с H3 Max. Веса уже выложены на Hugging Face, код инференса — на GitHub, а API с ценой от одного цента за секунду видео работает на dev.pika.art.

image
image

Что произошло

Pika Labs представила Pika H3 Flex — дообученную версию открытой модели MiniMax H3 на 33 млрд параметров. Базу доработали двумя LoRA-адаптерами, FL2VA и Ref2VA, и сократили цепочку сэмплирования с 50 шагов до 6: DiT-вычисления для 15-секундного ролика в разрешении 768p занимают около 7 секунд. По заявлениям компании, по сравнению с H3 Max скорость выросла в 1,8 раза, а стоимость генерации упала на 80%. Модель принимает до 12 референсов — до 9 изображений, 3 видео и 3 аудиофайла, включая скетчи и мудборды, — и через API отдаёт пять раздельных аудиодорожек: диалог, музыку, SFX, foley и эмбиент; готовый ролик можно апскейлить до 4K. API на dev.pika.art тарифицируется от $0.01 за секунду для text-to-video и от $0.03 за секунду для reference-to-video. На рейтинге DesignArena модель занимает 7-е место в общем видеозачёте с win rate 60% и Elo 1288 и первое место среди open-weights моделей. Веса опубликованы в репозитории Pika-Labs/Pika-H3-Flex на Hugging Face, код инференса — на GitHub.

Контекст

MiniMax H3 — открытая базовая модель видео-генерации на 33 млрд параметров; Pika не разрабатывала новую архитектуру, а параметрически эффективно дообучила готовую базу, обновив через LoRA лишь малую долю весов. Сокращение числа шагов сэмплирования достигнуто методом обучения на человеческих предпочтениях, поэтому главное в релизе — training-методы, а не устройство модели. Релиз сделан в формате open-weights: веса скачиваются и запускаются локально, адаптеры распространяются по лицензии MiniMax H3 Community License, а код инференса — по Apache-2.0. Показатель DesignArena построен на агрегированных человеческих предпочтениях, где позиции моделей выражены в Elo и доле побед: он показывает, какие генерации выбирают зрители, но не является техническим измерением. Фоном релиза идёт сдвиг продуктового паттерна: дешёвая черновая видео-генерация становится отдельным итеративным слоем продакшена, а не только финальным рендером.

Почему это важно для индустрии

Для отрасли меняется экономика итеративного видео-продакшена. При посекундной тарификации API черновики сцен, точечная правка персонажей и камеры превращаются в дешёвые итерации, доступные студиям и небольшим командам, а не только крупным платформам. Мультиреференсное управление даёт готовый механизм удержания одного персонажа между кадрами через image-референсы, а раздельные аудиодорожки идут прямо в постпродакшен вместо сведения из сплошного микса. Открытые веса и код позволяют встроить модель в собственный пайплайн и воспроизводить заявленный быстрый режим локально, не завися от чужого API, а открытые лицензии освобождают путь к собственным LoRA-вариантам под нишевые стили на этой же базе — путь FL2VA и Ref2VA такой сценарий прямо демонстрирует. Если независимые проверки подтвердят, что качество быстрого режима сопоставимо с полной генерацией, сокращение шагов сэмплирования через обучение на предпочтениях станет стандартным приёмом open-weights-сегмента, а сам релиз окажет давление на цены всего рынка видео-генерации.

Почему это важно для пользователей

Попробовать модель можно прямо сейчас, у релиза три точки входа. Первая — API на dev.pika.art с посекундной тарификацией, где простой режим text-to-video дешевле, чем режим работы с референсами. Вторая — веса Pika-Labs/Pika-H3-Flex на Hugging Face для локального запуска: инференс тестировался на NVIDIA H100 с 80 ГБ памяти, требуются Python 3.12 и GPU NVIDIA. Третья — код инференса на GitHub для самостоятельной сборки окружения. На практике это значит, что черновик сцены можно получить за несколько секунд вместо минут ожидания, держать одного и того же персонажа между кадрами через image-референсы и получать звук отдельными дорожками под собственное сведение. Тем, кто не хочет работать с API и собственным железом, останется дождаться 2 ноября 2026 года: в этот день модель появится в consumer-приложении Pika.

Что пока неизвестно / ограничения

Ключевые цифры релиза пока не подтверждены независимо: ускорение и экономия против предыдущей версии H3 Max — это заявления самой Pika, сторонних замеров в доступных материалах нет. Методология дообучения на предпочтениях не раскрыта: нет технического отчёта, описания reward-модели и информации о том, как собирались предпочтения. DesignArena измеряет агрегированные предпочтения зрителей и не проверяет консистентность персонажей между кадрами, физику движения, временную когерентность и возможные артефакты мало-шагового сэмплирования, а позицию модели стоит читать с учётом зачёта: место в общем рейтинге и место среди открытых весов являются разными утверждениями. Заявки о мультиреференсе и production-готовности раздельного звука подкреплены демонстрациями, но не метриками. Наконец, воспроизводимость заявленной скорости на оборудовании слабее контрольной конфигурации в материалах не описана.

Источники

Автор

Look at AI, редакция