
Pika Enact generuje szybciej, niż odtwarza — a jeszcze nie możesz z tego korzystać
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 184 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 223 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 96 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Zdanie, które ma znaczenie w zapowiedziPika Enact to nie to o przeciąganiu aktorów za pomocą myszy. To to: „Obecnie Enact jest badawczą wersją zapoznawczą, niedostępną do użytku konsumenckiego”. Nie ma listy oczekujących, rejestracji, strony z cenami ani wersji demonstracyjnej. Jedyną drogą podaną w poście jest adres e-mail do rozmów biznesowych. Wszystko inne — trzy tryby reżyserii, parametry opóźnień, ośmiowęzłowy B300 — opisuje coś, o czym można przeczytać 19 listopada, a czego nie można dotknąć.
To i tak warte jest opisania, ze względu na to, na czym zbudowany jest Enact. System działa na Pika H3 Flex, czyli dostrojonej przez Pikę wersji MiniMax H3, a H3 Flex ma otwarte wagi na Hugging Face od 29 października. Zatem rodzina leżąca u podstaw dema jest dostępna do zbadania, a w przypadku H3 można ją dziś wywołać. Enact to ta część, która taka nie jest. Oto, co Pika faktycznie opublikowała 18 listopada, co oznaczają te liczby i które z nich należy traktować jako twierdzenie produktowe, a nie pomiar.
Co Pika opublikowała, a co celowo pominęła

Dwa artefakty, oba opatrzone datą 18 listopada 2026. Wpis na blogu na pika.art zatytułowany „Research Preview: Pika Enact”, w kategorii Research, oraz post z konta @pika_labs o 18:53 UTC. Oba mówią to samo w tej samej kolejności: to eksperyment, naśladuje reżyserowanie na planie i jest niedostępny.
Post opisuje Enact jako „eksperymentalne środowisko transmisji na żywo”, a nie model. To rozróżnienie nie jest marketingowym wybiegiem — to trafny opis. Enact to system obsługi i sterowania zbudowany wokół destylowanego generatora: jedna część zamienia to, co robisz myszą lub głosem, na sygnały warunkujące, a inna emituje wideo i dźwięk w fragmentach krótszych niż sekunda, przenosząc jednocześnie stan sceny dalej. Nie istnieje jeden „model Enact” z numerem wersji i oknem kontekstu. Istnieje model wideo, model skryptu i mnóstwo połączeń między nimi a tobą.
Czego nie zawiera wpis, sprawdzone 19 listopada:
• Brak punktu końcowego, identyfikatora modelu ani dokumentacji API. Dokumentacja Pika jest ukryta za logowaniem, a nic na publicznej stronie nie ujawnia, że Enact to model, który można wywołać.
• Żadnej ceny. Ani stawki za sekundę, ani kosztu kredytów, ani pakietu enterprise. Jedynym szczegółem handlowym jest adres kontaktowy.
• Żadnego formularza zapisów na listę oczekujących ani wczesnego dostępu. Porównaj to ze standardowym scenariuszem badawczego podglądu, który niemal zawsze zbiera adresy e-mail.
• Brak wartości rozdzielczości dla Live Staging i Live Actor Direction. Tylko tryb kamery ją otrzymuje, a jest to liczba omówiona poniżej.
• Brak niezależnej oceny. Każda liczba w poście pochodzi od samej Pika, zmierzona na sprzęcie Pika, bez opublikowanego harnessa ani zestawu promptów.
Traktuj brak listy oczekujących jako najsilniejszy sygnał w całym ogłoszeniu. Firma, która zamierza wkrótce wpuścić osoby z zewnątrz, zwykle buduje drzwi.
Trzy tryby, trzy bardzo różne rachunki za moc obliczeniową
Post rozdziela Enact na trzy interakcje i nie są to trzy widoki tej samej funkcji. Każda ma własny profil sprzętowy, własny mnożnik szybkości i własny pipeline treningowy, co dobrze wskazuje na to, że trzy zostały zbudowane niezależnie i połączone dopiero na późnym etapie.
Live Staging to tryb przeciągania myszą. Chwytasz aktora lub obiekt w odtwarzanym wideo i przesuwasz go, a pozy, oświetlenie i cienie podążają za nim. Pika podaje, że generuje obraz „1,8× szybciej, niż jest odtwarzany” na pojedynczym serwerze, a obraz reaguje „w mniej niż 0,4 sekundy na H100”, łącznie z dekodowaniem. Wstrzykuje trzy sygnały zsynchronizowane z klatkami — stany myszy przy 24 fps, przestrzenną mapę cieplną chwytu i nietknięte źródłowe wideo — przez moduły z zerową inicjalizacją, co jest standardowym trikiem na przypięcie nowego kanału sterowania do zamrożonego generatora bez psucia tego, co już robi.
Reżyseria aktora na żywo (Live Actor Direction) to funkcja, od której zaczyna się zapowiedź, i najbardziej złożona z trzech. Wpisujesz lub wypowiadasz uwagę, aktor potwierdza ją w kwarze i improwizuje z nią, a kwestie są „zapisywane dosłownie”, dzięki czemu późniejsze uwagi mogą odwoływać się do wcześniejszych. Następnie mówisz Akcja, a próba zamienia się w „jedno czyste ujęcie, nagrane od świeża od pierwszego kadru”. Pod maską działają dwa modele w pętli: model scenariusza, który za pomocą wywołań narzędzi zamienia wypowiedzianą uwagę w ustrukturyzowane beaty, oraz model wideo czasu rzeczywistego, który je odgrywa. Pika podaje, że generowanie jest „1,75× szybsze niż odtwarzanie”.
Sterowanie kamerą na żywo to tryb z najmniej pochlebnymi, a zatem najbardziej użytecznymi liczbami. Podczas generowania można obracać, przesuwać lub wykonywać ruch dolly wirtualną kamerą, a Pika twierdzi, że potrzebuje jedynie obrazu wyglądu oraz lekkiego trójwymiarowego proxy ruchu — wystarczy nieoteksturowany viewport Blendera. Działa na „węźle 8×NVIDIA B300” przy „640×480 @ 24 fps”, renderując początkowe klatki w 0,51 s, a następnie „0,473 s na fragment 0,708 s, czyli 1,50× czasu rzeczywistego”.
Przeczytaj po kolei te trzy mnożniki: 1.8×, 1.75×, 1.50×. Nie są to wartości zapasu dobrane dla efektu. To marginesy, o które system strumieniowania wyprzedza zegar, a tryb kamery ma najmniejszy z nich, ponieważ to on jednocześnie utrzymuje węzeł z ośmioma GPU przy jednej czwartej rozmiaru kadru, jakiego oczekiwałby konsument.
Dlaczego „szybciej, niż odtwarza” to cała sztuczka
Modele wideo zwykle nie strumieniują. Odszumiają cały klip, a następnie przekazują go gotowy. Interaktywne reżyserowanie jest niemożliwe w tym modelu, ponieważ scena została już ustalona, zanim ją zobaczysz. Rozwiązanie Piki ma charakter architektoniczny, a nie inkrementalny, a wpis jest wyjątkowo konkretny w tej kwestii:
Dzielenie na fragmenty — dane wyjściowe są emitowane jako przyczynowe fragmenty „0,7 s standardowo, 0,17 s niskie opóźnienie”. Wartość 0,17 s zapewnia odpowiedź poniżej 0,4 sekundy na środowisku stagingowym; większy fragment oznacza dłuższe oczekiwanie, zanim Twoje przeciągnięcie stanie się widoczne.
• Przesuwny KV cache — kontekst zachowuje prompt, wideo źródłowe, pierwszy fragment oraz cztery najnowsze fragmenty. Starsze fragmenty wypadają, dzięki czemu koszt na fragment pozostaje stały zamiast rosnąć wraz z długością sesji.
• Osadzenia pozycyjne z ponownym ustalaniem bazy — sformułowanie Piki brzmi „nieskończone sesje przy stałym koszcie”. Ten sam pomysł, inny mechanizm: modelowi nigdy nie kończą się indeksy pozycji, ponieważ układ odniesienia stale się przesuwa.
• Dystylacja — sampler skraca „z dwudziestu kroków do zaledwie kilku”, wykorzystując „self-forcing distribution matching distillation (DMD)” z trenowalnym krytykiem i nauczycielem na pełnych klipach. Model dwudziestokrokowy nie osiągnie 24 fps; trzy- lub czterokrokowy może.
• Zabezpieczenie przed dryfem — początkowa klatka zakotwiczenia może przyciągnąć bezczynną scenę z powrotem w stronę jej początku, a „Real-Time Director” po cichu wstrzykuje okresowe takty przytrzymania. Istnieje to dlatego, że tak autoregresyjny system będzie dryfował pozostawiony sam sobie, a rozwiązaniem jest pozwolić, by delikatnie go korygowano, zamiast trenować go ponownie.
Nic z tego osobno nie jest egzotyczne. Niezwykłe jest to, że wszystko to jest ukierunkowane na to samo ograniczenie — utrzymanie generowania przed odtwarzaniem — a nie na jakość wyników. I właśnie dlatego przykładowe klipy, jakkolwiek dobre, nie są interesującą częścią tego ogłoszenia.
Liczba, której Pika nie umieściła w nagłówku

Wiersz trybu kamery to 640×480 przy 24 fps na ośmiu GPU B300. Gdyby Enact był premierą produktu, ta liczba zostałaby przemilczana. To najbardziej informatywna pojedyncza liczba w poście, ponieważ stanowi uczciwy kurs wymiany między interaktywnością a rozdzielczością: aby podczas sterowania kamerą wyprzedzać odtwarzanie o 1,5×, system renderuje strumień quarter-VGA na węźle, który kosztuje więcej niż cały budżet renderowania większości studiów.
Czy to czyni demo fałszywym? Nie. Czyni je demonstracją zapasu możliwości, a zapas na najnowocześniejszym sprzęcie to sposób, w jaki każdy system interaktywnych mediów wypuścił swoją pierwszą wersję. Istotne pytanie dla czytelnika nie brzmi, czy 640×480 wystarcza. Brzmi, jak ten stosunek wygląda na sprzęcie, który można wynająć, a Pika tego nie mówi. Liczba H100 w trybie inscenizacji jest najbliższa odpowiedzi — jeden GPU, poniżej 0,4 sekundy — a inscenizacja jest znacznie prostszym problemem sterowania niż praca kamery.
Innym nieujawnionym wymiarem jest to, jak długo sesja faktycznie zachowuje spójność. Bufor przesuwny z czterema ostatnimi fragmentami plus klatka zakotwiczenia to projekt mający zapewniać spójność, a nie jej gwarancja. W poście nie podano długości sesji, pomiaru dryfu w czasie ani przykładu dziesięciominutowego ujęcia. Dopóki ktoś spoza Pika nie przeprowadzi takiego testu, „nieskończone sesje” to architektura, a nie wynik.
Co możesz uruchomić w tym tygodniu
Enact – nic. H3 Flex – tak: wagi zostały udostępnione 29 października jako Pika-Labs/Pika-H3-Flex wraz z Turbo LoRA, a główne repozytorium odnotowało ponad 166 000 pobrań według API Hugging Face na dzień 19 listopada. To naprawdę nietypowa sytuacja: generator bazowy nieopublikowanego interaktywnego demo można pobrać, a częściami, które Pika zatrzymała, są separacja ścieżek audio i przyspieszony stos serwowania.

Jeśli chcesz niedestylowanego przodka zamiast modelu Pika post-train, MiniMax H3 to model, od którego wywodzi się cały stack Enact — omnimodalny generator z natywnym dźwiękiem stereo, który czyta referencje tekstowe, obrazowe, wideo i audio jako jeden kontekst. Jest udostępniany przez OrcaRouter w rozliczeniu za sekundę: $0.08 za sekundę przy 768P i $0.13 przy 2K, rozliczany według ceny katalogowej dostawcy bez doliczonej marży, więc zmiana ceny przez dostawcę obowiązuje tutaj tego samego dnia, w którym zostanie ogłoszona. To inny produkt niż Enact i inny checkpoint niż H3 Flex; to po prostu najtańszy sposób, aby przekonać się, czy wyniki rodziny H3 pasują do twojego materiału, zanim zobowiążesz się do ośmiu GPU i wyrobisz sobie wyobrażenie o kosztach „czasu rzeczywistego”.
Warstwa routingu zasługuje na swoje miejsce w tej konkretnej historii z nudnego powodu: nieprzetestowana funkcja badawcza od jednego dostawcy to dokładnie to, na czym nie chcesz opierać ścieżki produkcyjnej. Przełączanie awaryjne między dostawcami sprawia, że próbne uruchomienie H3 nie zamienia się w awarię, gdy jeden punkt końcowy jest zajęty, a wszystkie pozostałe modele pod tym samym kluczem oraz ponad 200 modeli w jednym punkcie końcowym sprawiają, że porównanie, którego nieuchronnie zechcesz dokonać — H3 z Kling, z Seedance, z czymkolwiek, co pojawiło się w tym tygodniu — nie wymaga drugiej umowy. Nic z tego nie daje ci Enact. Daje ci uczciwy punkt odniesienia do oceny Enact.
Co sprawiłoby, że to z demo stałoby się decyzją?
Cztery rzeczy, w kolejności, w jakiej zmieniłyby możliwości czytelnika:
• Drzwi — lista oczekujących, klucz beta, cena kredytu. Każde z nich zmienia Enact z czegoś, o czym można tylko poczytać, w coś, wokół czego można planować.
• Rozdzielczość powyżej 640×480 do sterowania kamerą albo podane wymaganie sprzętowe dotyczące inscenizacji przy użytecznym rozmiarze kadru. Margines 1,8× na pojedynczym H100 sugeruje, że istnieje do tego droga; Pika po prostu nie opublikowała, gdzie to się kończy.
• Wynik z całej sesji, najlepiej od kogoś, kto nie jest Piką. Dryf z upływem minut to w przypadku narzędzia do reżyserii cała gra — i właśnie tego nie pokaże ci żaden showreel.
• Publiczny zestaw promptów lub niezależny harness do pomiaru opóźnień. Liczby Piki są wewnętrznie spójne i nietypowo szczegółowe, co jest dobrym znakiem, ale „1,8× czasu rzeczywistego” zmierzone przez zespół, który zbudował destylację, to twierdzenie, a nie benchmark.
Dopóki przynajmniej jedno z nich nie zostanie wdrożone, trafny opis Pika Enact jest wąski i pozbawiony blasku: to działający system badawczy, opublikowany z rzeczywistymi szczegółami inżynieryjnymi, o którym sam jego twórca mówi, że nie można go używać. Sama inżynieria jest warta lektury — przyczynowe chunkowanie, przesuwany cache i przepis na destylację to wiarygodny plan tego, jak w ciągu najbliższego roku wszyscy inni będą budować interaktywne wideo. Produkt jeszcze nie istnieje i żadna wartość 1.8× tego nie zmieni.
