Pika 开源 H3 Flex：把视频生成从 50 步压到 6 步，画面和声音一次生成

做 AI 视频的人最怕的不是模型不会生成，而是"改一版等半天"。10 月 29 日，最早做 AI 视频的 Pika Labs 出手了：他们在 MiniMax H3 基座之上后训练出 Pika H3 Flex，发布即冲上 GitHub 热榜，7 天揽下 1200+ Star，并同步开放了适配器权重与推理代码。它最抓人的一句话是——把原本 50 步的去噪采样压缩到 6 步，让视频生成的迭代从"提交渲染农场任务"变成"像调照片参数一样即时反馈"。

它到底是什么：不是新底座，而是两个 LoRA 适配器

H3 Flex 不是一个从零训练的模型，而是在 MiniMax H3 之上做后训练得到的加速版。MiniMax H3 是 2026 年 7 月底发布、8 月开源的 33B 视频+音频模型，开放权重一个月下载量就超过 2400 万次，衍生出 300 多个公开模型，是当年全球下载量最高的模型之一。Pika 这次做的事情，是给这个已经被社区验证过的底座再"拧"一次螺丝。

发布包含两个 LoRA 适配器，都挂载在 H3 基座之上：

  • FL2VA：支持纯文生视频，以及首尾帧插值，同时生成视频+音频；
  • Ref2VA：多模态参考生成，最多可喂入 12 个参考素材——9 张图 + 3 段运动参考视频 + 3 段音频，用来锁定角色、场景和动作。

本地原生支持 480P / 768P，时长 5~15 秒、24fps，11 种宽高比，原生 32kHz 立体声，提示词最长 8000 字符（由 Qwen3-VL 32B 编码）。也就是说，声音不是后期配的，而是和画面在同一次推理里"想"出来的，口型、撞击声、环境音能对得上。

凭什么快：50 步压到 6 步的秘密

H3 Flex 的提速不是"偷工减料"，而是一条三段式训练流水线：

  1. 美学 SFT：在多任务语料上微调，包含视频-音频配对、复杂运镜、多参考提示；
  2. 六步蒸馏：用一致性蒸馏和 flow-matching 蒸馏（PDMD，投影分布匹配蒸馏），让模型 6 步走完原本 50 步的去噪轨迹；
  3. 蒸馏后对齐：用 ReFL + DPO 强化学习修正画面伪影、人体解剖缺陷和音频漂移。

结果是采样步数减少约 8.3 倍，而且画质不降反升。官方对齐对比显示，它比 MiniMax H3 Max 快约 1.8 倍。社区实测更有说服力：有开发者在 RTX 4080 上同提示词、同种子对比（1280×736，5 秒视频），原版 H3 用 20 步耗时 475 秒，H3 Flex 用 6 步只要 162 秒，快了约 3 倍，且实测者反馈 Flex 的画质和剧情表现甚至更好。

Pika 还对托管推理服务做了加速：用 8 张 NVIDIA B300 生成一段 5 秒、768P 音视频，条件编码、去噪、解码合计耗时从 3.409 秒缩到 2.129 秒，约为原来的 1.6 倍。不过 Pika 自己也注明，7 秒、1.8 倍这类数字大多是"Transformer 纯计算时间"或"受控集群基准"，端到端还要算上文本编码、VAE 解码、音频合成，实际通常在一分钟以内。

榜单与生态：开放权重模型里排第一

画质也有硬指标背书。在 DesignArena 文生视频榜单上，H3 Flex 拿到约 1293 Elo（第八/第七名），比它的"老师"MiniMax H3（约 1277 Elo）还高 16 分，是榜上排名最高的开放权重模型。Pika 公布的对比评测中，H3 Flex 在五项视觉和音频质量指标上均在参评模型中取得最高分。

在本地生成之外，Pika 通过 API 提供 1080P、2K、4K 视频增强以及音频分轨（对白、配乐、音效、拟音、环境声五类独立音轨）。创作者可以先以低分辨率快速试方向、满意后再升分辨率，真正把"生成-筛选-重生成"的循环成本压下来。接入方式也很友好：官方提供 ComfyUI 工作流和 Hugging Face Diffusers 两种路径，已经在用 ComfyUI 的团队不用重搭环境。

一个绕不开的现实：License 地域限制

H3 Flex 开放的是生成器适配器和推理代码，覆盖文生视频、首尾帧生成和多模态参考生成，同步音频支持 480P 和 768P；而 1080P/2K/4K 上采样、音轨分离、提示词增强和加速服务栈仍是官方托管功能。更关键的是，适配器继承了 MiniMax H3 Community License，该许可不覆盖欧盟、英国、美国和韩国的权重使用及生成内容。对欧洲团队来说，"day one 开放"意味着你能读代码、能欣赏权重，但唯一合规的路径是用 Pika 的托管 API——也就是只能"租"，不能"拿"。

意义：开源视频社区正在围绕一个底座内卷

H3 Flex 的价值不只是"快"。它代表开源视频社区正在围绕 MiniMax H3 这一个底座，在蒸馏、调度、可控性上疯狂内卷——同场竞技的还有 8 步的 FastH3 Omni 等。对创作者来说，最实际的变化是视频生成的迭代逻辑变了：过去每次改 prompt 都像在提交渲染农场任务，现在可以像调照片参数一样即时反馈。当然，License 的地域限制和约 80GB 的显存门槛仍是绕不开的现实。如果你手上有卡、且在许可地区内，现在就可以去 GitHub 的 Pika-Labs/Pika-H3-Flex 仓库把权重拉下来本地跑。