Pika近日发布基于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和声音，支持文本、首尾帧及多模态参考输入，可输出480P、768P、约5至15秒的视频与同步立体声音频。
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，并提供ComfyUI工作流与Hugging Face Diffusers接入方式。本地生成之外，Pika API可提供1080P、2K、4K视频增强及音频分轨，将声音拆分为对白、配乐、音效、拟音和环境声五类独立音轨。
技术上，团队先在内部音视频数据集上对MiniMax H3进行监督微调，再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，并通过奖励反馈学习与直接偏好优化训练LoRA适配器。托管推理服务也做了加速，8张NVIDIA B300 GPU生成5秒768P音视频的合计耗时从3.409秒降至2.129秒，约为原来的1.6倍。
评测显示，H3 Flex在五项视觉和音频质量指标上均取得最高分，并在DesignArena文生视频榜单排名第八，是榜单中排名最高的开源视频模型。自今年8月H3开源以来，社区已衍生出多款模型与创新玩法，一个月内下载量超过2400万次，产生超300个公开衍生模型。