Pika 发布开放权重视频模型 Pika H3 Flex：基于 MiniMax H3 后训练，6 步出片、5 轨音频分轨，API 起价 0.01 美元/秒

核心背景与行业痛点

AI 视频生成在 2026 年已进入「能用」阶段，但专业创作者的瓶颈变成了迭代速度和成本：一条 15 秒带声音的镜头，用主流闭源模型往往要等比片长更久，且按秒计费不低。开放权重的高质量音视频模型也很少，团队很难把生成环节放进自己的管线里做定制。Pika 这次的思路不是从头训练基座，而是在 MiniMax H3 上做后训练，把重点放在「快」和「可控」。

架构亮点与底层机制

据 Pika 技术博客，训练分三步：先在内部精选的音视频数据上做监督微调，再用分布匹配蒸馏把采样从 50 步压到 6 步，最后用强化学习和偏好优化修画面美感与指令遵循。托管 API 额外挂了一个 10 亿参数、像素空间单步运行的超分模型（1080p/2K/4K），以及一个按提示分离音轨的模块，可导出对白、配乐、音效、拟音、环境声 5 条音轨。模型最多接受 12 个参考输入。

权威 Benchmark 与实测跑分对比

目前只有厂商口径数据：官方自动评测中，它在 5 项画面与音频质量指标上对 MiniMax H3、Fal H3 Max、HeyGen Video 的多数提示占优，视频美感一项有 91% 的提示高于 H3 Max；盲测人类偏好中在人体结构、复杂构图、音画同步上领先。产品页称其在 DesignArena 文生视频榜得分 1293、排第 7，是最高的开放权重模型，但仍低于 Gemini Omni 1.1 Flash（1360）等闭源模型。暂无第三方独立复测。

开发者实战落地与开箱指南

本地可从 Hugging Face 拉权重，按 GitHub README 用 Diffusers 或 ComfyUI 跑 480p/768p；注意 HF 把它标为 MiniMax-H3 的 adapter，许可证是 other，商用前要读清条款并确认基座获取方式。需要 4K 或分轨音频就走 Pika API（dev.pika.art），起价 0.01 美元/秒。建议先用 768p 草稿快速试镜头，再在定稿时超分，这也是官方推荐的工作流。