近日，Pika发布基于MiniMax H3的衍生模型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与声音，支持文本、首尾帧及多模态参考输入，面向创作者的镜头设计、参考生成和视频编辑场景。
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MiniMax H3基础组件与本地推理工具。模型原生支持480P、768P输出，可生成约5至15秒的视频及同步立体声音频。Pika提供ComfyUI工作流和Hugging Face Diffusers两种接入方式，便于开发者将其集成至现有创作工具链。
在本地生成之外，Pika通过API提供1080P、2K和4K视频增强以及音频分轨功能。创作者可先以较低分辨率生成并筛选草稿，再对选定版本进行高分辨率处理；同步生成的声音可拆分为对白、配乐、音效、拟音和环境声五类独立音轨，便于后期分别调整。高分辨率增强视频与音频分轨由Pika API服务提供。
据Pika技术博客介绍，团队先在内部音视频数据集上对MiniMax H3进行监督微调，再采用投影分布匹配蒸馏（PDMD），将教师模型的50步去噪压缩至6步。随后通过奖励反馈学习和直接偏好优化训练LoRA适配器，改善美学质量、清晰度和指令遵循能力。适配器合并用于推理后，无须增加生成步数。
Pika还对托管推理服务进行了加速。在保持模型权重和六步采样方案不变的测试中，使用8张NVIDIA B300 GPU生成一段5秒、768P音视频，条件编码、去噪和解码的合计耗时从3.409秒缩短至2.129秒，处理速度约为原来的1.6倍。
在视觉与音频表现方面，Pika公布的对比评测结果显示，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得分，并在DesignArena文生视频榜单上位列第八，是该榜单中排名最高的开源视频模型。
今年8月MiniMax H3开源后，MiniMax与合作企业围绕不同使用场景继续训练和优化模型，并在社区中开放。其中包括与Running Hub打造MiniMax H3 480P；与fal选择面向实时生成做后训练和推理优化，推出H3 Max 768P、H3 Max 480P；以及FastVideo通过稀疏化和硬件适配推出的FastH3、英伟达与MIT联合围绕H3开发的StreamRender-H3、Open-H3-Regenerate-2K等多款模型。海外开发者围绕H3衍生模型搭建了Twitch直播、24小时“AI电视台”和AI短视频直播软件等应用。
H3开源一个月内下载量已超过2400万次，产生超过300个公开衍生模型，成为2026年全球下载量最高的模型之一。从基础模型开源到衍生模型密集涌现，音视频联合生成领域的社区协作正在加速，Pika此次开放适配器权重与推理代码，进一步降低了开发者在本地部署和二次开发的门槛。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
