Una card con il titolo Pika Enact, sottotitolo “un’anteprima di ricerca che non puoi ancora usare”, con tre chip che indicano “annunciato il 18 novembre 2026”, “basato su Pika H3 Flex” e “1,8x più veloce della riproduzione”, più due card che contrappongono Live Staging, con un tempo di risposta inferiore a 0,4 secondi su una H100, a Live Camera Control a 640x480 su otto B300.
Guides & Insights

Pika Enact genera più velocemente di quanto riesca a riprodurre — e non puoi ancora usarlo

Autore

Elias Hawthorne

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

La frase che conta nell'annuncio di Pika riguardante Pika Enact non è quella sul trascinare gli attori con il mouse. È questa: «Attualmente Enact è un'anteprima di ricerca, non disponibile per l'uso da parte dei consumatori». Non c'è nessuna lista d'attesa, nessuna registrazione, nessuna pagina dei prezzi e nessuna build demo. L'unica via indicata nel post è un indirizzo email per conversazioni enterprise. Tutto il resto — le tre modalità di regia, i dati sulla latenza, il nodo con otto B300 — descrive qualcosa di cui si può leggere il 19 novembre e che non si può toccare.

Vale comunque la pena scriverne, per via di ciò su cui è costruito Enact. Il sistema funziona su Pika H3 Flex, la versione post-addestrata di Pika di MiniMax H3, e H3 Flex ha pesi aperti su Hugging Face dal 29 ottobre. Quindi la famiglia alla base della demo è ispezionabile e, nel caso di H3, invocabile oggi. Enact è la parte che non lo è. Ecco cosa ha effettivamente pubblicato Pika il 18 novembre, cosa significano i numeri e quali di essi dovresti considerare un'affermazione di prodotto anziché una misurazione.

Che cosa ha pubblicato Pika, e che cosa ha deliberatamente omesso

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.

Due artefatti, entrambi con timestamp 18 novembre 2026. Un post sul blog su pika.art intitolato "Research Preview: Pika Enact", inserito nella categoria Research, e un post dall'account @pika_labs alle 18:53 UTC. Entrambi dicono la stessa cosa nello stesso ordine: questo è un esperimento, imita la regia sul set e non è disponibile.

Il post descrive Enact come "un ambiente sperimentale di live-streaming" anziché un modello. Questa distinzione non è una cautela di marketing: è la descrizione accurata. Enact è un sistema di serving e controllo avvolto attorno a un generatore distillato: una parte trasforma ciò che fai con un mouse o con la voce in segnali di condizionamento, un'altra emette video e audio in blocchi inferiori al secondo mentre porta avanti lo stato della scena. Non esiste un singolo "modello Enact" con un numero di versione e una finestra di contesto. Esistono un modello video, un modello di script e molta infrastruttura tra loro e te.

Cosa non include il post, verificato il 19 novembre:

• Nessun endpoint, ID modello o riferimento API. La documentazione di Pika è protetta da login e nulla sul sito pubblico espone Enact come modello richiamabile.

Nessun prezzo. Non una tariffa al secondo, non un costo in crediti, non un livello enterprise. L'unico dettaglio commerciale è l'indirizzo di contatto.

• Nessuna lista d'attesa né modulo di accesso anticipato. Confrontalo con il consueto copione delle anteprime di ricerca, che quasi sempre raccoglie indirizzi email.

• Nessun valore di risoluzione per Live Staging o Live Actor Direction. Solo la modalità camera ne ha uno, ed è il numero discusso di seguito.

• Nessuna valutazione indipendente. Ogni cifra nel post è di Pika stessa, misurata sull'hardware di Pika, senza che siano stati pubblicati harness o set di prompt.

Considera l'assenza di una lista d'attesa come il segnale più forte dell'intero annuncio. Un'azienda che intende lasciar entrare gli esterni a breve tende a costruire una porta.

Tre modalità, tre bollette di calcolo molto diverse

Il post separa Enact in tre interazioni, e non sono tre viste della stessa funzionalità. Ognuna ha il proprio profilo hardware, il proprio moltiplicatore di velocità e la propria pipeline di addestramento, il che è un buon indizio del fatto che le tre siano state costruite indipendentemente e assemblate insieme in un secondo momento.

Live Staging è la modalità di trascinamento con il mouse. Prendi un attore o un oggetto all'interno di un video in riproduzione e lo sposti, e pose, illuminazione e ombre seguono. Pika riferisce che genera "1,8× più velocemente di quanto venga riprodotto" su un singolo server, con l'immagine che risponde in "meno di 0,4 secondi su H100", decodifica inclusa. Inietta tre segnali allineati ai fotogrammi — stati del mouse a 24 fps, una mappa di calore spaziale della presa e il video sorgente non toccato — tramite moduli inizializzati a zero, che è il trucco standard per aggiungere un nuovo canale di controllo a un generatore congelato senza rovinare ciò che già fa.

Regia dell'attore dal vivo è quella con cui si apre l'annuncio, ed è la più complessa delle tre. Si digita o si pronuncia un'indicazione, l'attore la recepisce restando nel personaggio e ci gioca, e le battute vengono "registrate alla lettera" così le indicazioni successive possono fare riferimento a quelle precedenti. Poi dici Azione e la prova si trasforma in "una ripresa pulita, girata da capo dal primo fotogramma". Dietro le quinte ci sono due modelli in un ciclo: un modello di script che trasforma l'indicazione pronunciata in beat strutturati tramite chiamate agli strumenti, e un modello video in tempo reale che li recita. Pika colloca la generazione a "1,75× più veloce di quanto recitino".

Live Camera Control è la modalità con i numeri meno lusinghieri e quindi più utili. Si orbita, si esegue pan o dolly di una fotocamera virtuale durante la generazione, e Pika afferma che servono solo un'immagine di aspetto più un leggero proxy di movimento 3D — basta un viewport Blender non texturizzato. Gira su un "nodo 8×NVIDIA B300" a "640×480 @ 24 fps", renderizzando i frame iniziali in 0,51 s e poi "0,473 s per chunk da 0,708 s, ovvero 1,50x in tempo reale".

Leggi quei tre moltiplicatori in sequenza: 1,8×, 1,75×, 1,50×. Non sono cifre di margine scelte per fare effetto. Sono i margini con cui un sistema di streaming resta in vantaggio sul clock, e la modalità camera ha il più esiguo perché è anche quella che mantiene un nodo a otto GPU a un quarto della dimensione del fotogramma che un consumatore si aspetterebbe.

Perché «più veloce di come viene giocato» è tutto il trucco

I modelli video normalmente non eseguono lo streaming. Effettuano il denoising di un intero clip, poi lo consegnano finito. La regia interattiva è impossibile con quel modello, perché la scena è già stata decisa prima che tu la veda. La soluzione di Pika è architetturale anziché incrementale, e il post è insolitamente specifico al riguardo:

• Chunking — l'output viene emesso come chunk causali da "0,7 s standard, 0,17 s a bassa latenza". Il valore di 0,17 s è ciò che garantisce la risposta sotto i 0,4 secondi in staging; un chunk più grande significa un'attesa più lunga prima che il trascinamento sia visibile.

• Cache KV scorrevole: il contesto conserva il prompt, il video sorgente, il primo chunk e i quattro chunk più recenti. I chunk più vecchi vengono eliminati, quindi il costo per chunk rimane costante invece di crescere con la durata della sessione.

• Embedding posizionali ri-basati — la formulazione di Pika è "sessioni infinite a costo costante". Stessa idea, meccanismo diverso: il modello non esaurisce mai gli indici di posizione perché il sistema di riferimento continua a spostarsi.

• Distillazione — il sampler passa "da venti passi a solo pochi", usando "self-forcing distribution matching distillation (DMD)" con un critic addestrabile e un teacher full-clip. Un modello a venti passi non può raggiungere i 24 fps; uno a tre o quattro passi sì.

• Una protezione contro la deriva — il fotogramma di ancoraggio iniziale può riportare una scena inattiva verso il suo punto di partenza, e un "Real-Time Director" inietta silenziosamente dei beat di attesa periodici. Questo esiste perché un sistema così autoregressivo, se lasciato a sé stesso, finirà per vagare, e la soluzione è lasciare che riceva piccoli aggiustamenti anziché riaddestrarlo.

Niente di tutto ciò è esotico se considerato singolarmente. Ciò che è insolito è che tutto sia orientato allo stesso vincolo — mantenere la generazione in anticipo rispetto alla riproduzione — anziché alla qualità dell'output. Ed è esattamente per questo che i clip di esempio, per quanto buoni, non sono la parte interessante di questo annuncio.

Il numero che Pika non ha messo nel titolo

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 riga della modalità camera è 640×480 a 24 fps su otto GPU B300. Se Enact fosse un lancio di prodotto, quel numero verrebbe sepolto. È il dato singolo più informativo dell'intero post, perché è il tasso di cambio onesto tra interattività e risoluzione: per restare 1,5× avanti alla riproduzione mentre si governa una camera, il sistema esegue il rendering di un flusso a un quarto di VGA su un nodo che costa più dell'intero budget di rendering della maggior parte degli studi.

Questo rende finta la demo? No. La rende una dimostrazione di margine di prestazioni, e il margine di prestazioni su hardware di frontiera è il modo in cui ogni sistema di media interattivi ha rilasciato la sua prima versione. La domanda rilevante per un lettore non è se 640×480 sia sufficientemente buono. È come appare quel rapporto su hardware che puoi noleggiare, e Pika non lo dice. Il dato H100 della modalità staging è la cosa più vicina a una risposta — una GPU, meno di 0,4 secondi — e lo staging è un problema di controllo molto più semplice del lavoro di camera.

L'altra dimensione non riportata è per quanto tempo una sessione riesca effettivamente a mantenersi coesa. Una cache scorrevole con quattro chunk recenti più un frame di ancoraggio è un progetto per rimanere coerenti, non una garanzia di riuscirci. Nulla nel post fornisce una durata della sessione, una misura della deriva nel tempo o un esempio di una ripresa da dieci minuti. Finché qualcuno al di fuori di Pika non ne esegue una, le "sessioni infinite" sono un'architettura, non un risultato.

Cosa puoi eseguire questa settimana

Enact, niente. H3 Flex, sì — i pesi sono stati pubblicati il 29 ottobre come Pika-Labs/Pika-H3-Flex insieme a un Turbo LoRA, e il repository principale ha registrato più di 166.000 download secondo l'API di Hugging Face al 19 novembre. È una situazione davvero insolita: il generatore di base per una demo interattiva non ancora rilasciata è scaricabile, e le parti che Pika ha tenuto per sé sono la separazione degli stem audio e lo stack di serving accelerato.

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.

Se vuoi l'antenato non distillato anziché il post-training di Pika, MiniMax H3 è il modello da cui discende l'intero stack di Enact — un generatore omni-modale con audio stereo nativo che legge riferimenti testuali, immagini, video e audio come un unico contesto. È servito tramite OrcaRouter con tariffazione al secondo, $0,08 al secondo a 768P e $0,13 a 2K, fatturato al prezzo di listino del fornitore senza ricarichi aggiunti, quindi una variazione di prezzo del fornitore è attiva qui lo stesso giorno in cui viene annunciata. È un prodotto diverso da Enact e un checkpoint diverso da H3 Flex; è semplicemente il modo più economico per scoprire se l'output della famiglia H3 si adatta al tuo footage prima di impegnarti in un modello mentale a otto GPU di quanto costa il "tempo reale".

Il livello di routing si guadagna il suo posto in questa storia particolare per un motivo banale: una capacità di livello di ricerca, non collaudata e di un singolo fornitore, è esattamente ciò su cui non vuoi costruire un percorso di produzione. Il failover tra provider significa che una prova di H3 non diventa un'interruzione quando un endpoint è occupato, e avere ogni altro modello dietro la stessa chiave e oltre 200 modelli su un unico endpoint significa che il confronto che inevitabilmente vorrai fare — H3 contro Kling, contro Seedance, contro qualunque cosa sia uscita questa settimana — non richiede un secondo contratto. Niente di tutto ciò ti dà Enact. Ti dà la base onesta con cui giudicarlo.

Cosa trasformerebbe questo da una demo in una decisione?

Quattro cose, nell’ordine in cui cambierebbero le opzioni di un lettore:

• Una porta — una lista d'attesa, una chiave beta, un prezzo in crediti. Uno qualsiasi di questi trasforma Enact da qualcosa di cui leggere a qualcosa su cui pianificare.

• Una risoluzione superiore a 640×480 per il controllo della camera, oppure un requisito hardware dichiarato per lo staging a una dimensione del fotogramma utilizzabile. Il margine di 1,8× su una singola H100 implica che una via esista; Pika semplicemente non ha pubblicato dove si arriva.

• Un risultato relativo a una sessione intera, idealmente da qualcuno che non sia Pika. La deriva nell'arco di minuti è tutto ciò che conta per uno strumento di regia, ed è l'unica cosa che un reel dei momenti salienti non può mostrarti.

• Un set pubblico di prompt o un harness indipendente per la latenza. I numeri di Pika sono internamente coerenti e insolitamente dettagliati, il che è un buon segno, ma "1,8× tempo reale" misurato dal team che ha costruito la distillazione è un'affermazione, non un benchmark.

Finché almeno una di queste cose non si concretizza, la descrizione accurata di Pika Enact è limitata e poco affascinante: un sistema di ricerca funzionante, pubblicato con dettagli ingegneristici concreti, che il suo stesso autore dice che non puoi usare. L'ingegneria vale la pena di essere letta — il chunking causale, la cache scorrevole e la ricetta di distillazione sono un progetto plausibile per come il video interattivo verrà costruito da tutti gli altri nel corso del prossimo anno. Il prodotto non esiste ancora, e nessun 1,8× cambia questo.