Am 29. Oktober 2026 veröffentlichte Pika Pika H3 Flex, ein auf MiniMax H3 nachtrainiertes Videogenerierungsmodell, das auf die Arbeitsweise professioneller Kreativer zugeschnitten ist: erst schnell entwerfen, dann in Ruhe zu der Version verfeinern, die man behalten will. Pika reduzierte das Sampling von 50 auf 6 Schritte und erklärt, das schnellere Modell erreiche seinen 50-Schritte-Lehrer bei mehreren gemessenen Qualitätsdimensionen oder übertreffe ihn.
Sieben Sekunden sind Transformer-Rechenzeit, nicht die gesamte Dauer
Laut Pika kann Flex einen 15-sekündigen Clip in 768p mit synchronisiertem Ton in nur sieben Sekunden Transformer-Rechenzeit erzeugen. Eine offizielle Fußnote ergänzt, dass es sich um Rechenzeit in einem kontrollierten Benchmark handelt, nicht um die Ende-zu-Ende-Latenz der API, und dass Referenzeingaben, hochauflösende Fertigstellung, die Trennung von Audiostems und die Hardware die tatsächliche Fertigstellungszeit beeinflussen. Zum Start belegte Flex den ersten Platz unter den Open-Weights-Modellen und den siebten Platz insgesamt in der Text-zu-Video-Rangliste von DesignArena – eine Momentaufnahme zum Start, nicht unbedingt eine dauerhafte Position.
Bis zu 12 Referenzdateien und fünf Audiostems, getrennt übergeben
Flex nimmt bis zu 12 Referenzdateien in einer Generierung an und mischt Skizzen, Charakterbögen, Produktfotos, Moodboards, Stimmproben und Bewegungsvideos; Kreative können festlegen, wofür jede Referenz stehen soll: eine für die Figur, eine für die Welt, eine für die Bewegung. Referenzgeführtes Bearbeiten kann ein Outfit, ein Requisit oder die gesamte Szene austauschen und dabei die ursprüngliche Darbietung und das Timing bewahren. Beim Ton erzeugt Flex Video mit synchronisiertem Stereo-Ton und kann über die Pika-API außerdem fünf separate Stems exportieren – Dialog, Musik, Soundeffekte, Foley und Ambience –, sodass jeder Teil der Mischung einzeln bearbeitet werden kann.
Offene Gewichte haben Grenzen, die hochauflösende Fertigstellung bleibt gehostet
Pika veröffentlichte auch die offenen Gewichte von Flex: Die Generator-Adapter und der Inferenzcode liegen auf Hugging Face und GitHub und decken Text-zu-Video, die Generierung aus erstem und letztem Frame sowie multimodale Referenzgenerierung ab, lokal mit synchronisiertem Ton in 480p und 768p. Der Upsampler für 1080p, 2K und 4K, die Trennung der Audiostems, die optionale Prompt-Verbesserung und der beschleunigte Serving-Stack bleiben von Pika gehostete Funktionen, und die lokale Leistung hängt von der Hardware ab. Flex kommt außerdem am 2. November in das Pika-Erstellungsprodukt, sodass Kreative nicht allein auf die API angewiesen sind.
