10月29日，Pika发布了一个新的视频模型，名字叫H3 Flex。它的技术底座不是从零训练，而是在MiniMax的H3上做后训练。Pika给出的核心指标有两个：采样步数从50步压到6步；一段15秒、768p、带同步音频的片段，最快7秒完成扩散计算。官方同时把生成器适配器与推理代码的权重开源了。
扩散模型的生成质量与采样步数高度相关，步数越多越接近教师模型的效果，代价是时间。Pika的做法是先训一个50步的完整版本作为教师，再用奖励反馈与人工偏好判断去校准一个6步的学生版本。官方称这个快模型在若干测量维度上匹配甚至超过了它的50步老师。
这套蒸馏路线在图像领域已经跑通很久，视频上更难，因为时间维度让误差会沿帧累积。Pika研究负责人Cade Li的说法是把生成从50步降到6步，然后把更快的模型在视觉质量与创作控制上再精调一遍。真正的工作量不在蒸馏本身，而在蒸馏之后如何把掉下去的质量补回来。
需要区分的是"快"的定义。7秒指的是扩散变换器的计算时间，官方在脚注里明确写了这不是端到端API延迟，参考图输入、高分辨率精修、音轨分离和硬件都会影响实际完成时间。这类口径在视频模型发布里很常见，读数字时要先确认它量的是哪一段。
少步推理正在成为这一代视频模型的共同选择。过去一年里，把采样从几十步压到个位数、再用精修模式补回分辨率，已经取代"堆更大的模型"成为主流工程路线。原因很直接：视频的每一帧都是成本，帧数乘以步数，账算下来只有降步数才能把单价压到可商用的区间。
把7秒放回真实工作流里看：用户上传参考图、写提示词、排队、生成、再决定要不要精修到1080p或4K。7秒只覆盖中间那段最耗算力的部分。即便这样，15秒片段与7秒计算的组合仍然意味着生成速度快于播放速度，这是"边想边试"能不能成立的分水岭。
Pika为此设计了草稿模式：先在768p出片，确认构图与运镜之后，再用精修模式放大到1080p、2K或4K。这个分层定价的逻辑很清楚，低分辨率不是低质量选项，而是把试错成本降下来的工具。对靠改稿吃饭的人来说，一天能试二十版和一天能试三版，创作方式完全不同。
在DesignArena的文生视频榜上，H3 Flex发布时排在整体第七、开源权重模型第一，位于基础版H3、H3 Max与Seedance 2.5之前。这个名次是发布当天的快照，官方也承认它是启动时刻的排名，不代表能长期稳定。第三方比对方面，Pika称在匹配的文生、图生、参考生三类任务上平均比H3 Max快1.8倍，价格最多便宜80%。
参数上最有意思的不是分辨率，而是参考文件数量：一次生成最多接受12个参考，可以是草图、角色设定、产品照片、情绪板、声音样本、运动视频，并且可以指定每个参考负责什么，一个管角色，一个管世界，一个管动作。这种分工式参考把"提示词说不清"的问题转成了"给素材"。
参考引导的编辑能力也随之而来：换一套服装、换一个道具、换整个场景，同时保留原来的表演与节奏。这是短剧、广告、电商素材最常做的修改类型，过去要么重生成、要么进后期，现在可以在模型层完成。
举个具体场景：一支15秒的耳机广告已经拍完，客户临时要求把桌面换成木纹、把模特外套换成深色。旧流程是重新拍或找素材合成，新流程是把原片当运动参考、把新道具当外观参考，生成一版保持原有手部动作与镜头运动的替换结果。这类需求的频率远高于从零创作，也正是"参考文件分工"这种设计真正瞄准的地方。
音频侧支持导出五条独立音轨，分别是对白、配乐、音效、拟音与环境声。Pika首席科学家Chenlin Meng的说法是，多数视频模型默认用户会一次生成就定稿，但专业创作者一定会反复调。把音轨拆开，等于承认了后期一定会接手这件事，而混在一起的音轨到了后期就是一团无法分离的糊。
开源的部分包括生成器适配器与推理代码，覆盖文生视频、首尾帧生成、多模态参考生成，本地可以在480p和768p下带同步音频出片。1080p、2K、4K的放大器，音轨分离，可选的提示词增强，以及加速推理的服务栈，都保留在Pika托管侧。这是一个边界画得很清楚的开源：模型给出去，把高分辨率与工程优化留在自己手里。
这种做法在视频模型里越来越常见。权重开源能带来社区微调与生态扩散，高分辨率放大与音轨分离这类"最后一公里"的能力则是最难复制的部分，需要大量真实素材与工程调优。对使用者来说，要判断的是自己属于哪一类：做研究、做本地实验、做小批量定制，开源够用；做商业交付、要求4K与分轨，还是得付云端费用。
从竞争格局看，Pika这一手把自己从"又一个视频生成工具"挪到了"可被集成的基础设施"位置。过去三个月它连续推出了隐藏模型的创作产品、去中间加价的API平台、以及把聊天框变成创作台的插件，这次再补上模型层，链条才算闭合。视频生成的下半场，比的不是单次生成的惊艳程度，而是能不能嵌进别人已经跑起来的工作流里。