Una tarjeta de título que dice Pika Enact, con el subtítulo una vista previa de investigación que aún no puedes usar, con tres chips que dicen anunciado el 18 de noviembre de 2026, construido sobre Pika H3 Flex y 1,8 veces más rápido que la reproducción, además de dos tarjetas que contraponen Live Staging con una respuesta de menos de 0,4 segundos en una H100 frente a Live Camera Control a 640x480 en ocho B300.
Guides & Insights

Pika Enact genera más rápido de lo que se reproduce — y todavía no puedes usarlo

Autor

Elias Hawthorne

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

La frase que importa en el anuncio de Pika sobre Pika Enact no es la que habla de arrastrar actores con un ratón. Es esta: «Actualmente, Enact es una vista previa de investigación, no disponible para uso del consumidor». No hay lista de espera, ni registro, ni página de precios, ni versión de demostración. La única vía en la publicación es una dirección de correo electrónico para conversaciones empresariales. Todo lo demás —los tres modos de dirección, las cifras de latencia, el nodo de ocho B300— describe algo de lo que se puede leer el 19 de noviembre y no se puede tocar.

Aun así, merece la pena escribir sobre ello por la base sobre la que se construye Enact. El sistema funciona con Pika H3 Flex, la versión entrenada posteriormente por Pika de MiniMax H3, y H3 Flex tiene pesos abiertos en Hugging Face desde el 29 de octubre. Así que la familia que hay debajo de la demo se puede inspeccionar y, en el caso de H3, se puede invocar hoy mismo. Enact es la parte que no lo es. Esto es lo que Pika publicó realmente el 18 de noviembre, qué significan las cifras y cuáles de ellas deberías tratar como una afirmación de producto en lugar de una medición.

Lo que Pika publicó y lo que deliberadamente omitió

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.

Dos artefactos, ambos con marca temporal del 18 de noviembre de 2026. Una entrada de blog en pika.art titulada «Research Preview: Pika Enact», archivada en Research, y una publicación de la cuenta @pika_labs a las 18:53 UTC. Ambos dicen lo mismo en el mismo orden: esto es un experimento, imita la dirección en el set y no está disponible.

El artículo describe Enact como "un entorno experimental de transmisión en vivo" en lugar de un modelo. Esa distinción no es una evasiva de marketing: es la descripción exacta. Enact es un sistema de servicio y control envolviendo un generador destilado: una parte convierte lo que haces con el ratón o con la voz en señales de condicionamiento, otra parte emite video y audio en fragmentos de menos de un segundo mientras mantiene el estado de la escena. No existe un único "modelo Enact" con un número de versión y una ventana de contexto. Existe un modelo de video, un modelo de guion y mucha infraestructura entre ellos y tú.

Lo que no incluye la publicación, comprobado el 19 de noviembre:

• Ningún endpoint, ID de modelo ni referencia de API. La documentación de Pika está detrás de un inicio de sesión, y nada en el sitio público expone a Enact como un modelo invocable.

• Sin precio. Ni una tarifa por segundo, ni un costo en créditos, ni un nivel empresarial. El único detalle comercial es la dirección de contacto.

• No hay formulario de lista de espera ni de acceso anticipado. Compáralo con el guion habitual de las vistas previas de investigación, que casi siempre recopila correos electrónicos.

• No hay cifra de resolución para Live Staging ni Live Actor Direction. Solo el modo de cámara tiene una, y es el número que se analiza a continuación.

• Sin evaluación independiente. Cada cifra de la publicación es de Pika, medida en el hardware de Pika, y no se ha publicado ningún harness ni conjunto de prompts.

Considera la ausencia de una lista de espera como la señal más fuerte de todo el anuncio. Una empresa que tiene la intención de dejar entrar pronto a personas externas suele construir una puerta.

Tres modos, tres facturas de cómputo muy diferentes

El artículo separa Enact en tres interacciones, y no son tres vistas de la misma función. Cada una tiene su propio perfil de hardware, su propio multiplicador de velocidad y su propio flujo de entrenamiento, lo cual es una buena indicación de que las tres se construyeron de forma independiente y se unieron tarde.

Puesta en escena en vivo es el modo de arrastre con el ratón. Arrastras un actor o un objeto dentro de un vídeo en reproducción y lo mueves, y las poses, la iluminación y las sombras lo siguen. Pika informa de que genera "1,8× más rápido de lo que se reproduce" en un solo servidor, con la imagen respondiendo en "menos de 0,4 segundos en H100", incluida la decodificación. Inyecta tres señales alineadas con los fotogramas —estados del ratón a 24 fps, un mapa de calor espacial de agarre y el vídeo de origen sin modificar— mediante módulos inicializados a cero, que es el truco habitual para acoplar un nuevo canal de control a un generador congelado sin destrozar lo que ya hace.

Dirección de actores en vivo es la que abre el anuncio y la más compleja de las tres. Escribes o dices una nota, el actor la reconoce en personaje y juega con ella, y las líneas se "registran textualmente", de modo que las notas posteriores puedan hacer referencia a las anteriores. Luego dices Acción y el ensayo se convierte en "una toma limpia, rodada desde el primer fotograma". Bajo el capó, se trata de dos modelos en bucle: un modelo de guion que convierte tu nota hablada en beats estructurados mediante llamadas a herramientas, y un modelo de vídeo en tiempo real que los interpreta. Pika sitúa la generación en "1,75× más rápido de lo que interpretan".

Control de cámara en vivo es el modo con las cifras menos favorecedoras y, por ello, más útiles. Durante la generación, orbitas, haces paneo o dolly con una cámara virtual, y Pika dice que solo necesita una imagen de apariencia más un proxy de movimiento 3D ligero; basta con un viewport de Blender sin texturas. Se ejecuta en un «nodo 8×NVIDIA B300» a «640×480 @ 24 fps», renderizando los fotogramas iniciales en 0,51 s y luego «0,473 s por fragmento de 0,708 s, o 1,50× en tiempo real».

Lee esos tres multiplicadores en secuencia: 1,8×, 1,75× y 1,50×. No son cifras de holgura elegidas para causar efecto. Son los márgenes con los que un sistema de streaming se mantiene por delante del reloj, y el modo de cámara tiene el más estrecho porque también es el que sostiene un nodo de ocho GPU a un cuarto del tamaño de fotograma que un consumidor esperaría.

Por qué «más rápido de lo que se reproduce» es todo el truco

Los modelos de vídeo no suelen emitir en streaming. Aplican denoising a un clip completo y luego lo entregan terminado. La dirección interactiva es imposible con ese modelo, porque la escena ya se ha decidido antes de que la veas. La solución de Pika es arquitectónica, no incremental, y la publicación es inusualmente específica al respecto:

• Fragmentación — la salida se emite en fragmentos causales de «0,7 s estándar, 0,17 s de baja latencia». La cifra de 0,17 s es lo que permite la respuesta de menos de 0,4 segundos en staging; un fragmento más grande implica una espera más larga antes de que tu arrastre sea visible.

• Caché KV deslizante — el contexto conserva el prompt, el vídeo de origen, el primer fragmento y los cuatro fragmentos más recientes. Los fragmentos más antiguos quedan fuera, por lo que el coste por fragmento se mantiene constante en lugar de crecer con la duración de la sesión.

• Embeddings posicionales rebasados — la formulación de Pika es «sesiones infinitas a costo constante». Misma idea, mecanismo distinto: el modelo nunca se queda sin índices de posición porque el marco de referencia sigue moviéndose.

• Destilación — el muestreador reduce «de veinte pasos a solo unos pocos», usando «destilación por coincidencia de distribuciones con auto-forzamiento (DMD)» con un crítico entrenable y un profesor de clip completo. Un modelo de veinte pasos no puede alcanzar 24 fps; uno de tres o cuatro pasos, sí.

• Una salvaguarda contra la deriva: el fotograma de anclaje inicial puede atraer una escena inactiva de vuelta hacia su comienzo, y un «Real-Time Director» inyecta silenciosamente pulsos de pausa periódicos. Esto existe porque un sistema tan autorregresivo se desviará si se deja solo, y la solución es permitir que se le dé un empujón suave en lugar de reentrenarlo.

Nada de eso resulta exótico por sí solo. Lo inusual es que todo ello esté orientado a la misma restricción —mantener la generación por delante de la reproducción— y no a la calidad de salida. Que es exactamente por lo que los clips de muestra, por buenos que sean, no son la parte interesante de este anuncio.

El número que Pika no puso en el titular

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.

La línea del modo cámara es de 640×480 a 24 fps en ocho GPU B300. Si Enact fuera el lanzamiento de un producto, esa cifra quedaría enterrada. Es el dato más informativo de todo el artículo, porque representa el tipo de cambio honesto entre interactividad y resolución: para mantenerse 1,5× por delante de la reproducción mientras se orienta una cámara, el sistema renderiza un flujo de un cuarto de VGA en un nodo que cuesta más que el presupuesto completo de render de la mayoría de los estudios.

¿Eso hace que la demo sea falsa? No. Hace que sea una demostración de holgura, y la holgura en hardware de vanguardia es la forma en que todos los sistemas de medios interactivos han lanzado su primera versión. Para el lector, la pregunta relevante no es si 640×480 es suficientemente bueno. Es cómo se ve la ratio en hardware que se puede alquilar, y Pika no lo dice. La cifra de H100 del modo de staging es lo más parecido a una respuesta —una GPU, menos de 0,4 segundos—, y el staging es un problema de control mucho más sencillo que el trabajo de cámara.

La otra dimensión no reportada es cuánto tiempo se mantiene realmente cohesionada una sesión. Una caché deslizante con cuatro fragmentos recientes más un fotograma de anclaje es un diseño para mantener la coherencia, no una garantía de ella. Nada en la publicación ofrece una duración de sesión, una medición de la deriva a lo largo del tiempo ni un ejemplo de una toma de diez minutos. Hasta que alguien fuera de Pika ejecute una, «sesiones infinitas» es una arquitectura, no un resultado.

Qué puedes correr esta semana

Enact, nada. H3 Flex, sí: los pesos se publicaron el 29 de octubre como Pika-Labs/Pika-H3-Flex junto con un Turbo LoRA, y el repositorio principal ha registrado más de 166.000 descargas según la API de Hugging Face a fecha de 19 de noviembre. Es una situación verdaderamente insólita: el generador base de una demo interactiva aún no publicada es descargable, y las partes que Pika se reservó son la separación de pistas de audio y la pila de servicio acelerado.

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.

Si quieres el ancestro sin destilar en lugar del post-entrenamiento de Pika, MiniMax H3 es el modelo del que desciende todo el stack de Enact: un generador omni-modal con audio estéreo nativo que lee referencias de texto, imagen, video y audio como un único contexto. Se sirve a través de OrcaRouter por segundo, $0.08 por segundo en 768P y $0.13 en 2K, facturado al precio de lista del proveedor sin recargo adicional, así que un cambio de precio del proveedor se refleja aquí el mismo día en que se anuncia. Es un producto distinto de Enact y un checkpoint distinto de H3 Flex; es simplemente la forma más económica de averiguar si la salida de la familia H3 se adapta a tu metraje antes de comprometerte con un modelo mental de ocho GPU sobre lo que cuesta el "tiempo real".

La capa de enrutamiento se gana su lugar en esta historia concreta por una razón aburrida: una capacidad no probada, de un solo proveedor y de nivel de investigación es exactamente aquello sobre lo que no quieres construir una ruta de producción. Conmutación por error entre proveedores significa que una ejecución de prueba de H3 no se convierte en una interrupción del servicio cuando un endpoint está ocupado, y tener todos los demás modelos detrás de la misma clave y más de 200 modelos en un único endpoint significa que la comparación que inevitablemente querrás hacer —H3 contra Kling, contra Seedance, contra lo que se haya lanzado esta semana— no requiere un segundo contrato. Nada de eso te da Enact. Te da la base honesta para juzgarlo.

¿Qué haría que esto pasara de ser una demo a una decisión?

Cuatro cosas, en el orden en que cambiarían las opciones de un lector:

• Una puerta — una lista de espera, una clave de beta, un precio en créditos. Cualquiera de estas convierte Enact de algo sobre lo que leer en algo en torno a lo cual planificar.

• Una resolución superior a 640×480 para el control de cámara, o un requisito de hardware declarado para el staging a un tamaño de fotograma utilizable. El margen de 1,8× en una sola H100 implica que existe un camino para lograrlo; Pika simplemente no ha publicado en qué punto queda.

• Un resultado que abarque toda una sesión, idealmente de alguien que no sea Pika. La deriva con el paso de los minutos lo es todo para una herramienta de dirección, y es lo único que un reel de momentos destacados no puede mostrarte.

• Un conjunto público de prompts o un banco de pruebas de latencia independiente. Los números de Pika son coherentes entre sí e inusualmente detallados, lo que es una buena señal, pero «1.8× tiempo real» medido por el equipo que construyó la destilación es una afirmación, no un benchmark.

Hasta que al menos uno de esos se materialice, la descripción exacta de Pika Enact es limitada y poco glamorosa: un sistema de investigación funcional, publicado con verdaderos detalles de ingeniería, que su propio creador dice que no se puede usar. La ingeniería merece leerse —el chunking causal, la caché deslizante y la receta de destilación son un plano plausible de cómo todos los demás construirán video interactivo durante el próximo año. El producto aún no existe, y ninguna cantidad de 1,8× cambia eso.