Eine Titelkarte mit der Aufschrift Pika Enact, untertitelt mit einer Forschungsvorschau, die Sie noch nicht nutzen können, mit drei Chips: angekündigt am 18. November 2026, basierend auf Pika H3 Flex und 1,8-mal schneller als die Wiedergabe, plus zwei Karten, die Live Staging mit unter 0,4 Sekunden Reaktionszeit auf einer H100 gegen Live Camera Control mit 640x480 auf acht B300s gegenüberstellen.
Guides & Insights

Pika Enact generiert schneller, als es abspielen kann – und du kannst es noch nicht nutzen

Autor

Elias Hawthorne

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Der entscheidende Satz in Pikas Ankündigung von Pika Enact ist nicht der über das Herumschieben von Darstellern mit einer Maus. Es ist dieser: „Derzeit ist Enact eine Forschungsvorschau, nicht für die Verwendung durch Verbraucher verfügbar.“ Es gibt keine Warteliste, keine Registrierung, keine Preisseite und keinen Demo-Build. Der einzige Weg im Beitrag ist eine E-Mail-Adresse für Unternehmensgespräche. Alles andere – die drei Regie-Modi, die Latenzwerte, der Acht-B300-Knoten – beschreibt etwas, worüber man am 19. November nachlesen kann und das man nicht anfassen kann.

Das ist trotzdem einen Artikel wert, wegen dessen, worauf Enact aufbaut. Das System läuft auf Pika H3 Flex, Pikas nachtrainierter Version von MiniMax H3, und H3 Flex hat seit dem 29. Oktober offene Gewichte auf Hugging Face. Die Familie unter der Demo ist also einsehbar und im Fall von H3 heute aufrufbar. Enact ist der Teil, der es nicht ist. Hier ist, was Pika am 18. November tatsächlich veröffentlicht hat, was die Zahlen bedeuten und welche davon Sie als Produktversprechen und nicht als Messwert behandeln sollten.

Was Pika veröffentlichte und was es bewusst wegließ

Pika's own blog post Research Preview: Pika Enact, dated 18 November 2026, showing the headline, the summary line about talking to your cast and shaping scenes as they unfold, and the three named interaction modes Live Staging, Live Actor Direction and Live Camera Control.

Zwei Artefakte, beide mit dem Zeitstempel 18. November 2026. Ein Blogbeitrag auf pika.art mit dem Titel „Research Preview: Pika Enact“, eingeordnet in die Kategorie Research, und ein Beitrag vom Konto @pika_labs um 18:53 UTC. Beide sagen dasselbe in derselben Reihenfolge: Dies ist ein Experiment, es ahmt die Regie am Set nach, und es ist nicht verfügbar.

Der Beitrag beschreibt Enact als „eine experimentelle Live-Streaming-Umgebung“ und nicht als Modell. Diese Unterscheidung ist keine Marketing-Absicherung – sie ist die zutreffende Beschreibung. Enact ist ein Serving- und Steuerungssystem, das um einen destillierten Generator herum gebaut ist: Ein Teil verwandelt das, was man mit einer Maus oder seiner Stimme tut, in Konditionierungssignale, ein anderer Teil gibt Video und Audio in Subsekunden-Blöcken aus und schreibt dabei den Szenenzustand fort. Es gibt kein einzelnes „Enact-Modell“ mit Versionsnummer und Kontextfenster. Es gibt ein Videomodell, ein Skriptmodell und eine Menge Verbindungslogik zwischen ihnen und dir.

Was der Beitrag nicht enthält, geprüft am 19. November:

• Kein Endpunkt, keine Modell-ID und keine API-Referenz. Pikas Dokumentation ist hinter einem Login verborgen, und nichts auf der öffentlichen Website weist Enact als aufrufbares Modell aus.

• Kein Preis. Kein Sekundentarif, keine Credit-Kosten, keine Enterprise-Stufe. Das einzige kommerzielle Detail ist die Kontaktadresse.

• Keine Warteliste und kein Early-Access-Formular. Vergleichen Sie das mit dem üblichen Playbook für Research-Previews, das fast immer E-Mail-Adressen sammelt.

• Kein Auflösungswert für Live Staging oder Live Actor Direction. Nur der Kameramodus bekommt einen, und das ist die unten besprochene Zahl.

• Keine unabhängige Bewertung. Jede Zahl im Beitrag stammt von Pika selbst, gemessen auf Pikas Hardware, ohne dass eine Testumgebung oder ein Prompt-Set veröffentlicht wurde.

Betrachte das Fehlen einer Warteliste als das stärkste Signal in der gesamten Ankündigung. Ein Unternehmen, das bald Außenstehende hereinlassen will, neigt dazu, eine Tür zu bauen.

Drei Modi, drei sehr unterschiedliche Abrechnungen für Rechenleistung

Der Beitrag teilt Enact in drei Interaktionen auf, und diese sind nicht drei Ansichten derselben Funktion. Jede hat ihr eigenes Hardwareprofil, ihren eigenen Geschwindigkeitsmultiplikator und ihre eigene Trainingspipeline, was ein guter Hinweis darauf ist, dass die drei unabhängig voneinander entwickelt und erst spät zusammengefügt wurden.

Live Staging ist der Maus-Zieh-Modus. Du packst einen Akteur oder ein Objekt in einem laufenden Video und bewegst es, und Posen, Beleuchtung und Schatten folgen mit. Pika gibt an, dass es auf einem einzelnen Server „1,8× schneller als die Wiedergabe" generiert, wobei das Bild „in unter 0,4 Sekunden auf H100" reagiert – inklusive Dekodierung. Es speist drei frame-ausgerichtete Signale – 24-fps-Mauszustände, eine räumliche Greif-Heatmap und das unveränderte Quellvideo – über null-initialisierte Module ein, was der Standardtrick ist, um einen neuen Steuerkanal an einen eingefrorenen Generator anzuschrauben, ohne kaputtzumachen, was er bereits tut.

Live-Actor-Regie ist die, mit der die Ankündigung beginnt, und sie ist die komplexeste der drei. Du tippst oder sprichst eine Notiz ein, der Schauspieler nimmt sie in seiner Rolle zur Kenntnis und spielt damit, und Zeilen werden „wörtlich protokolliert“, sodass spätere Notizen auf frühere verweisen können. Dann sagst du Action, und die Probe fällt in „einen sauberen Take zusammen, frisch ab dem ersten Frame gedreht“. Unter der Haube sind das zwei Modelle in einer Schleife: ein Skriptmodell, das deine gesprochene Notiz über Tool-Aufrufe in strukturierte Beats verwandelt, und ein Echtzeit-Videomodell, das sie spielt. Pika gibt die Generierung mit „1,75× schneller als sie abgespielt werden“ an.

Live Camera Control ist der Modus mit den am wenigsten schmeichelhaften und daher nützlichsten Werten. Während der Generierung orbiten, schwenken oder fahren Sie eine virtuelle Kamera, und Pika zufolge braucht es nur ein Appearance-Image plus einen leichtgewichtigen 3D-Motion-Proxy – ein untexturiertes Blender-Viewport reicht. Es läuft auf einem „8×NVIDIA B300 node“ mit „640×480 @ 24 fps“, rendert erste Frames in 0,51 s und dann „0,473 s pro 0,708-s-Chunk, oder 1,50 × Echtzeit“.

Lesen Sie diese drei Multiplikatoren der Reihe nach: 1,8×, 1,75×, 1,50×. Das sind keine Reservewerte, die aus Effektgründen gewählt wurden. Es sind die Spielräume, mit denen ein Streaming-System dem Takt vorausbleibt, und der Kameramodus hat den kleinsten, weil er zugleich derjenige ist, der einen Acht-GPU-Knoten bei einem Viertel der Bildgröße hält, die ein Endkunde erwarten würde.

Warum „schneller als es spielt“ der ganze Trick ist

Videomodelle streamen normalerweise nicht. Sie entrauschen einen ganzen Clip und liefern ihn dann fertig aus. Interaktive Regie ist unter diesem Modell unmöglich, weil die Szene bereits entschieden wurde, bevor du sie siehst. Pikas Lösung ist architektonisch statt inkrementell, und der Beitrag ist ungewöhnlich konkret dazu:

• Chunking — die Ausgabe erfolgt in kausalen Chunks von „0,7 s Standard, 0,17 s Low-Latency“. Der Wert von 0,17 s ermöglicht im Staging die Antwort unter 0,4 Sekunden; ein größerer Chunk bedeutet eine längere Wartezeit, bevor dein Drag sichtbar wird.

• Gleitender KV-Cache — der Kontext behält den Prompt, das Quellvideo, den ersten Chunk und die vier neuesten Chunks. Ältere Chunks fallen heraus, sodass die Kosten pro Chunk konstant bleiben, anstatt mit der Sitzungslänge zu wachsen.

• Neu basierte Positions-Embeddings — Pikas Formulierung lautet „unendliche Sessions zu konstanten Kosten“. Gleiche Idee, anderer Mechanismus: Dem Modell gehen die Positionsindizes nie aus, weil sich der Referenzrahmen ständig weiterbewegt.

• Destillation — der Sampler reduziert „von zwanzig Schritten auf nur wenige“ und nutzt „self-forcing distribution matching distillation (DMD)“ mit einem trainierbaren Critic und einem Full-Clip-Lehrer. Ein Modell mit zwanzig Schritten erreicht keine 24 fps; eines mit drei oder vier Schritten schon.

• Ein Drift-Schutz – das anfängliche Ankerbild kann eine ruhende Szene zurück zu ihrem Ausgangspunkt ziehen, und ein „Real-Time Director“ fügt stillschweigend regelmäßige Halte-Takte ein. Das gibt es, weil ein System, das so autoregressiv ist, abdriften wird, wenn man es sich selbst überlässt, und die Lösung besteht darin, es sanft anzustoßen, statt es neu zu trainieren.

Nichts davon ist für sich genommen exotisch. Ungewöhnlich ist, dass all das auf dieselbe Einschränkung zielt – dafür zu sorgen, dass die Generierung der Wiedergabe vorausbleibt – und nicht auf die Ausgabequalität. Genau deshalb sind die Beispielclips, so gut sie auch sein mögen, nicht der interessante Teil dieser Ankündigung.

Die Zahl, die Pika nicht in die Schlagzeile gesetzt hat

A scoreboard for Pika Enact listing six rows: what it is, an experimental live-streaming environment; base model, Pika H3 Flex; live staging, 1.8x real time with sub-0.4-second response on H100; actor direction, 1.75x real time with a script model and a video model in a loop; camera control, 640x480 at 24 fps on eight B300s at 1.50x real time; available today, no, research preview with an enterprise contact only.

Die Kamera-Modus-Zeile lautet 640×480 bei 24 fps auf acht B300-GPUs. Wäre Enact ein Produktlaunch, würde diese Zahl untergehen. Sie ist die mit Abstand aussagekräftigste Zahl im Beitrag, denn sie ist der ehrliche Wechselkurs zwischen Interaktivität und Auflösung: Um beim Steuern einer Kamera 1,5× vor der Wiedergabe zu bleiben, rendert das System einen Quarter-VGA-Stream auf einem Knoten, der mehr kostet als das gesamte Renderbudget der meisten Studios.

Macht das die Demo unecht? Nein. Es macht sie zu einer Demonstration von Headroom, und Headroom auf Frontier-Hardware ist, wie jedes interaktive Mediensystem seine erste Version ausgeliefert hat. Die relevante Frage für Leser ist nicht, ob 640×480 gut genug ist. Sie lautet, wie das Verhältnis auf Hardware aussieht, die man mieten kann, und Pika sagt dazu nichts. Die H100-Zahl des Staging-Modus kommt einer Antwort am nächsten – eine GPU, unter 0,4 Sekunden – und Staging ist ein weit einfacheres Steuerungsproblem als Kameraarbeit.

Die andere nicht berichtete Dimension ist, wie lange eine Sitzung tatsächlich zusammenhält. Ein gleitender Cache mit vier aktuellen Chunks plus einem Anker-Frame ist darauf ausgelegt, kohärent zu bleiben, keine Garantie dafür. Nichts in dem Beitrag nennt eine Sitzungslänge, eine Driftmessung über die Zeit oder ein Beispiel für eine zehnminütige Aufnahme. Bis jemand außerhalb von Pika eine solche Sitzung durchführt, sind „unendliche Sitzungen“ eine Architektur, kein Ergebnis.

Was Sie diese Woche ausführen können

Enact: nichts. H3 Flex: ja — die Gewichte wurden am 29. Oktober als Pika-Labs/Pika-H3-Flex zusammen mit einem Turbo-LoRA veröffentlicht, und das Hauptrepository hat laut Hugging Face API mit Stand 19. November mehr als 166.000 Downloads verzeichnet. Das ist eine wirklich ungewöhnliche Situation: Der Basisgenerator für eine unveröffentlichte interaktive Demo ist herunterladbar, und die Teile, die Pika zurückgehalten hat, sind die Audio-Stem-Trennung und der beschleunigte Serving-Stack.

The OrcaRouter model page for MiniMax H3, showing the identifier minimax/minimax-h3, unified text, image, video and audio inputs feeding video output, a video-generation endpoint, and per-second pricing of 0.08 dollars per second at 768P.

Wenn du den nicht destillierten Vorläufer statt des Pika post-train willst, MiniMax H3 ist das Modell, von dem Enacts gesamter Stack abstammt — ein omnimodaler Generator mit nativem Stereo-Audio, der Text-, Bild-, Video- und Audio-Referenzen als einen einzigen Kontext verarbeitet. Er wird über OrcaRouter sekundengenau angeboten, 0,08 $ pro Sekunde bei 768P und 0,13 $ bei 2K, abgerechnet zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preisänderung des Anbieters hier am selben Tag live ist, an dem sie angekündigt wird. Das ist ein anderes Produkt als Enact und ein anderer Checkpoint als H3 Flex; es ist einfach der günstigste Weg herauszufinden, ob die Ausgabe der H3-Familie zu deinem Filmmaterial passt, bevor du dir ein gedankliches Acht-GPU-Modell davon machst, was „Echtzeit“ kostet.

Die Routing-Schicht verdient in dieser speziellen Geschichte aus einem langweiligen Grund ihren Platz: Eine unerprobte, an einen einzigen Anbieter gebundene Fähigkeit auf Forschungsniveau ist genau das, worauf Sie keinen Produktionspfad aufbauen möchten. Anbieterübergreifendes Failoverbedeutet, dass ein Testlauf von H3 nicht zum Ausfall wird, wenn ein Endpunkt ausgelastet ist, und dass sämtliche anderen Modelle hinter demselben Schlüssel sowie über 200 Modelle an einem einzigen Endpunktverfügbar sind, was bedeutet, dass der Vergleich, den Sie unweigerlich anstellen möchten — H3 gegen Kling, gegen Seedance, gegen was auch immer diese Woche auf den Markt gekommen ist — keinen zweiten Vertrag erfordert. Nichts davon verschafft Ihnen Enact. Es verschafft Ihnen die ehrliche Vergleichsbasis, an der Sie es messen können.

Was würde daraus statt einer Demo eine Entscheidung machen?

Vier Dinge, in der Reihenfolge, in der sie die Möglichkeiten eines Lesers verändern würden:

• Eine Tür – eine Warteliste, ein Beta-Schlüssel, ein Credit-Preis. Jedes Einzelne davon verwandelt Enact von etwas, über das man liest, in etwas, mit dem sich planen lässt.

• Eine Auflösung über 640×480 für die Kamerasteuerung oder eine angegebene Hardwareanforderung für das Staging bei einer nutzbaren Bildgröße. Der Spielraum von 1,8× auf einer einzelnen H100 lässt auf einen Weg dorthin schließen; Pika hat nur noch nicht veröffentlicht, wo es letztlich landet.

• Ein Ergebnis über eine ganze Sitzung, idealerweise von jemandem, der nicht Pika ist. Die Drift über Minuten ist bei einem Regie-Tool das Entscheidende, und genau das kann dir ein Highlight-Reel nicht zeigen.

• Ein öffentliches Prompt-Set oder ein unabhängiger Latenz-Harness. Pikas Zahlen sind intern konsistent und ungewöhnlich detailliert, was ein gutes Zeichen ist, aber „1,8× Echtzeit“ – gemessen von dem Team, das die Destillation entwickelt hat – ist eine Behauptung, kein Benchmark.

Bis mindestens eines davon Wirklichkeit wird, ist die zutreffende Beschreibung von Pika Enact eng und wenig glamourös: ein funktionierendes Forschungssystem, mit konkreten technischen Details veröffentlicht, von dem sein eigener Hersteller sagt, dass man es nicht nutzen kann. Die Technik lohnt die Lektüre – das kausale Chunking, der gleitende Cache und das Destillationsrezept sind eine plausible Blaupause dafür, wie interaktives Video im kommenden Jahr von allen anderen gebaut wird. Das Produkt existiert noch nicht, und daran ändert auch 1.8× nichts.