Pika выпустила H3 Flex на базе MiniMax H3: шесть шагов генерации вместо 50 и открытые веса

Pika 29 октября представила H3 Flex - собственную версию видеомодели MiniMax H3, которую компания дообучила под быструю итерацию. Модель делает 15-секундный ролик с синхронным звуком в 768p примерно за 7 секунд вычислений трансформера, принимает до 12 референсов и отдает пять отдельных аудиодорожек. Еще Pika пишет, что модель завершает работу в разрешении до 4K, но не поясняет, как оно получается. Веса Pika выложила в открытый доступ.
Как получили скорость
Основной прием - дистилляция по числу шагов. Pika дообучила MiniMax H3 так, чтобы она генерировала за шесть шагов вместо 50, то есть примерно в восемь раз короче цикл. Затем ускоренную версию отдельно подтянули по качеству и управляемости.
К цифре "7 секунд" есть оговорка. В источнике она помечена звездочкой, а текст сноски в доступном фрагменте обрезан. Из формулировки видно только, что речь о времени работы трансформера, а не обо всем пути от запроса до готового файла. Что входит в остальное время, источник не говорит, так что реальное ожидание в сервисе может отличаться.
Отдельно про 4K. Pika пишет, что модель "finishes at up to 4K", то есть завершает работу в разрешении до 4K. Время в 7 секунд при этом указано для 768p. Нативная ли это генерация в 4K или другой этап обработки, в тексте Pika не сказано, поэтому разрешение лучше проверить на своих роликах.
Референсы вместо длинных промптов
Главная пользовательская функция - до 12 файлов в одной генерации. Это могут быть изображения, видео и аудио: скетч, лист персонажа, фото товара, мудборд, образец голоса или ролик с нужным движением. Для каждого референса можно указать, что именно он дает: героя из одной картинки, мир из другой, динамику из видео.
Pika показывает несколько сценариев:
- пять нарисованных ключевых кадров и два фотореференса по стилю дают игровое кино в угольной графике; - одно фото помады превращается в многокадровую рекламу; - видео с хореографией переносится на нового персонажа в другой декорации, звук генерируется заново; - редактирование по референсу позволяет заменить одежду, реквизит или окружение и сохранить игру актера и тайминг.
Отдельно заявлено управление камерой внутри одного клипа: верхний план, спуск крана к уровню стола, резкая панорама, облет, жесткие склейки, диалоги и звук.
Место в рейтинге и открытые веса
По данным Pika, на момент публикации H3 Flex занимает первое место среди моделей с открытыми весами и седьмое в общем зачете текстовых видеомоделей на DesignArena. Положение в рейтинге меняется, так что цифру стоит считать снимком на день анонса. Независимых замеров в источнике нет.
Открытые веса - пожалуй, самая интересная часть, это мое мнение. Модель можно дообучать под свой стиль, разворачивать у себя и встраивать в пайплайны. Условия лицензии и требования к железу в доступном тексте не указаны, их нужно смотреть в репозитории перед использованием в коммерческих проектах.
Что это меняет
Pika делает ставку на скорость итераций и контроль, а не на одну генерацию. Для рекламщиков и аниматоров это разумная логика: у них редко получается нужный кадр с первой попытки, и разница между секундами и минутами ожидания копится за день работы. Раздельные аудиостемы тоже удобны для монтажа - реплики, музыку и шумы можно сводить отдельно.
Pika строит продукт на чужой базовой модели MiniMax и опирается на постобучение и интерфейс работы с референсами. Насколько этот подход выдержит выход новых версий базовых моделей, станет ясно позже. Пока проверить заявления можно только самим: сравнить скорость, разрешение и качество на своих задачах.
Источники
Похожие новости
Runway открыла веса Praxis-1: модель для роботов обошла FLUX 3 Action в RoboLab-120
Runway выложила веса и код Praxis-1 под Apache 2.0. Модель опирается на видеомодель и дала 46,2% в симуляторе RoboLab-120 против 42,9% у FLUX 3 Action, но тесты компания провела сама.
NVIDIA Cosmos 3: открытые чекпоинты генерируют видео и LiDAR для роботов
NVIDIA опубликовала рецепты Cosmos Framework для модели Cosmos 3 Nano: синхронное видео и LiDAR для беспилотников, роботов и хирургии. Через NIM инференс на H200 быстрее примерно в 2-3 раза.
Google выпустила Gemini Omni 1.2 Flash: видео до 15 секунд и цена на 30% ниже
Google открыла общий доступ к Gemini Omni 1.2 Flash: клипы до 15 секунд вместо 10, правки репликами без перегенерации и $0.07 за секунду видео в 720p.