Pika 基于 MiniMax H3 推 H3 Flex：六步去噪同步出画面与声音
近日，Pika 发布 MiniMax H3 衍生模型 Pika H3 Flex，并开放适配器权重与推理代码。该模型通过六步去噪联合生成画面和声音，支持文本、首尾帧和多模态参考输入，供创作者进行镜头设计、参考生成和视频编辑。 本次发布包含两套 LoRA 适配器，分别用于文本及首尾帧条件生成、多模态参考生成，同时提供 Mi
Pika 近日推出 MiniMax H3 的衍生模型 Pika H3 Flex，同时把适配器权重和推理代码对外开放。画面与声音在六步去噪中一起生成，文本、首尾帧以及多模态参考都能作为输入，创作者可用它做镜头设计、参考生成和视频编辑。
这次放出的有两套 LoRA 适配器：一套对应文本与首尾帧条件生成，另一套用于多模态参考生成；
MiniMax H3 的基础组件和本地推理工具也一并提供。模型原生支持 480P、768P 输出，能生成约 5 至 15 秒的视频，并带同步立体声音频。Pika 还给出 ComfyUI 工作流和 Hugging Face Diffusers 接入方式，开发者可把它接进现有创作工具。本地生成之外，Pika 通过 API 提供 1080P、2K、4K 视频增强和音频分轨。创作者先用低分辨率出草稿、挑版本，再对选中的那版做高分辨率处理；同步生成的声音能拆成对白、配乐、音效、拟音和环境声五类独立音轨，后期可分别调整。高分辨率增强视频与音频分轨由 Pika API 服务提供。
Pika 在技术博客里说明了训练路径：团队先在内部音视频数据集上对 MiniMax H3 做监督微调，再用投影分布匹配蒸馏（PDMD）把教师模型的 50 步去噪压到 6 步。之后通过奖励反馈学习和直接偏好优化训练 LoRA 适配器，提升美学质量、清晰度和指令遵循能力。适配器合并后用于推理，生成步数不用增加。
托管推理服务也做了加速。测试保持模型权重和六步采样方案不变，用 8 张 NVIDIA B300 GPU 生成一段 5 秒、768P 音视频，条件编码、去噪、解码合计耗时由 3.409 秒降到 2.129 秒，处理速度约为原来的 1.6 倍。
按 Pika 公布的对比评测，H3 Flex 在五项视觉和音频质量指标上都拿到参评模型中的最高分；DesignArena 文生视频榜单上它排第八，是该榜单里名次最靠前的开源视频模型。
今年 8 月 MiniMax H3 开源之后，MiniMax 与合作企业按不同使用场景继续训练、优化模型并在社区开放：和 Running Hub 做了 MiniMax H3 480P；与 fal 针对实时生成做后训练和推理优化，推出 H3 Max 768P、H3 Max 480P；FastVideo 通过稀疏化和硬件适配推出 FastH3；英伟达与 MIT 联合围绕 H3 开发了 StreamRender-H3、Open-H3-Regenerate-2K 等多款模型。海外开发者则拿 H3 衍生模型搭出 Twitch 直播、24 小时“AI 电视台”和 AI 短视频直播软件等玩法。
H3 开源一个月内下载量已超过 2400 万次，公开衍生模型超过 300 个，成为 2026 年全球下载量最高的模型之一。
