Pika H3 Flex：把 50 步蒸餾成 6 步，權重也一起放出來

五十步去噪，是這個產業以外的人不該需要關心的數字。它同時也悄悄決定了，一個影片模型是 demo 還是工具。

Pika 的新版本就建立在那個數字上。Pika H3 Flex 拿 MiniMax 的 H3 模型微調，用 projection distribution matching distillation 把老師的 50 步蒸餾成 6 步，然後把 adapter 權重和推論程式碼一起放出來。六步，畫面和聲音一起出來。

最後那句值得強調。大多數「影音」模型是先產一段影片，再配一條大致對得上的配樂。聯合生成的意思是音訊跟影格在同一個迴圈裡去噪，所以甩門和縮一下是同一個事件，而不是兩件剛好對上的事。

實際開放的是什麼

兩個 LoRA adapter。一個處理文字與首尾影格條件，另一個處理多模態參考輸入。旁邊還有 Pika 發佈的 MiniMax H3 基礎元件與本機推論工具，外加一個 ComfyUI workflow 和一條 Hugging Face Diffusers 路徑。

原生輸出是 480P 或 768P、五到十五秒、帶同步立體聲。聽起來普通，直到你看到 API 額外加了什麼：1080P、2K 和 4K 增強，還有可以把生成的配樂拆成五軌的音軌分離——對白、音樂、音效、擬音和環境音。

音軌分離是我真的願意付錢的功能。任何試過把生成影片放進真實剪輯的人都知道問題在哪：音訊是一整塊不可分的東西。你不能在旁白底下把音樂壓低，不能把對白換成另一種語言，不能把環境音拿掉，因為它跟下一個鏡頭的空間感打架。五條軌把一段生成影片變成素材。

後續的工作流由此而來：低解析度生成、挑你喜歡的那條、再增強。草稿便宜，成品才貴。電影製作的其他每個環節本來就是這樣運作，而看到模型廠商願意承認、而不是假裝每次生成都該是最終渲染，是件好事。

速度數字，放回脈絡裡看

Pika 也公佈了託管推論的優化結果。在 8 張 NVIDIA B300 上，權重和六步取樣器不變，生成一段五秒 768P 帶音訊的影片，從 3.409 秒降到 2.129 秒，涵蓋條件處理、去噪和解碼。大約 1.6 倍。

1.6 倍的工程勝利不是頭條。但它正是那種在你跑幾百萬份草稿時決定單位經濟的數字，而且他們公佈的是前後對照，不是對一個沒說清楚的基準算出來的百分比，這點讓人耳目一新。

品質方面的主張比較難驗。Pika 說 H3 Flex 在它比較的模型中，於五項視覺與音訊品質指標上得分最高，並在 DesignArena 的文字生影片榜上排第八——是那裡排名最高的開放影片模型。廠商自己做的比較就是廠商自己做的比較。DesignArena 的名次是比較有用的訊號，因為那是陌生人盲投的，他們不在乎你的架構。

怎麼下 prompt 給一個聽得見自己的模型

聯合影音會改變 prompt 策略，這點不試不會明顯。如果你只描述畫面，模型會自己發明一套對得上的聲音，而它通常會挑很一般的東西：空間噪音、遠處的警笛、不明所以的嗡鳴。

所以把聲音明確寫出來。點名每一個你要的聲源，更重要的是，點名什麼該安靜。「一扇門在第兩秒關上，沒有音樂，沒有鳥」會產出可用的東西。「門口一場緊張的戲」會產出庫存音效式的緊張感，那比安靜更糟。

對白要短，而且要放前面。模型只有五到十五秒，一句話吃掉九秒，就沒空間給你真正想要的反應鏡頭。如果某句台詞比畫面重要，單獨生成一條再剪進去。

還有，把第一次生成當成音訊測試，不是視覺測試。一段光線平庸但擬音完美的影片，比一個漂亮但腳步聲晚了半秒的鏡頭更有用。

為什麼 H3 正在變成一個基礎層

Pika 發布前兩天，NVIDIA 和 MIT 的團隊發表了 Open-H3-Regenerate-2K，一個把低解析度草稿重生成到 2K 的開放實作，具備 4K 原生重生成，並回報在單張 B200 上暖機後有 3.9 倍加速。

兩個獨立團隊、一週之內、都建立在同一個中國基礎模型上，方向相反：一個壓縮取樣迴圈，一個加解析度。基礎層就是長這樣。沒人在吵誰的基礎模型會贏；他們在吵誰擁有上面那一層。

對創作者來說，實際後果是「該用哪個模型」這個問題越來越無聊。如果強的開放基礎是共享的，差異化就移到 adapter、workflow，以及 API 在上面加了什麼——在這個案例裡是解析度和音軌。

還難的地方

五到十五秒很短。夠一個鏡頭，不夠一場戲。這個級別的每個模型都還在同樣三件事上掙扎：手做細活、平面上的文字、以及跨剪接點的連續性。這次 release 沒有任何一句話宣稱不是這樣，這點我很感謝。

768P 原生也是實實在在的限制，如果你要交付給比手機螢幕更大的東西。2K 和 4K 的路徑存在，但要經過 Pika 的 API，意思是開放的權重給你草稿，付費服務給你成品。那是一個商業模式，不是背叛，但它確實意味著這裡的「開放」是「開放到你足以評估、足以據以開發」。

還有六步蒸餾有一個容易漏掉的代價。步數少，取樣器探索的空間就少。蒸餾過的模型往往在它被蒸餾的那個分布上表現極好，離開那個分布就略顯脆弱——不尋常的長寬比、密集的 prompt 約束、不太在分布內的參考輸入。如果你的工作是常規的，你永遠不會注意到。如果你的工作很怪，你會。

怎麼試

如果你有在跑 ComfyUI，workflow 檔是最快的路徑：載入、指向 adapter、用 768P 生成、聽聲音。先判斷同步，不要先判斷畫面。嘴型對不對、撞擊聲對不對，是聯合生成成不成立的所在。

如果你用 Diffusers，pipeline 是常規的，adapter 會併進基礎模型，所以推論時不用多付步數。預期參考圖會大致拉長你的生成時間，因為它的 token 會跟文字和目標進入同一個序列。

然後拿一段你真的喜歡的影片，丟進 API 跑音軌分離。那一刻，工具就不再是玩具。能靜音音樂、保留擬音、換上另一條人聲軌，就是「AI 生成這個」和「我可以用這個」之間的差別。

這個 release 安靜地提出的論點

兩年來，說法都是更大的模型。Pika 在這裡的說法是更小的取樣迴圈、開放的 adapter，還有一個尊重剪輯實際運作方式的後製介面。

那是比較不刺激的故事，也是比較可能活過截止日期的故事。六步不是行銷數字。它是一個宣告：瓶頸從「它生不生得出來」移到「我能不能負擔反覆迭代」，而終於有人把答案標了價。