Uma cartela de título com o texto Pika Enact, com o subtítulo uma prévia de pesquisa que você ainda não pode usar, com três chips com o texto anunciado em 18 de novembro de 2026, construído sobre Pika H3 Flex, e 1,8x mais rápido que a reprodução, além de dois cartões que contrastam Live Staging com resposta em menos de 0,4 segundos em uma H100 contra Live Camera Control a 640x480 em oito B300s.
Guides & Insights

Pika Enact gera mais rápido do que reproduz — e você ainda não pode usá-lo

Autor

Elias Hawthorne

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A frase que importa no anúncio da Pika sobre o Pika Enact não é a que fala em arrastar atores com um mouse. É esta: "Atualmente, o Enact é uma prévia de pesquisa, indisponível para uso do consumidor." Não há lista de espera, nem cadastro, nem página de preços, nem versão de demonstração. A única via no post é um endereço de e-mail para conversas com empresas. Todo o resto — os três modos de direção, os números de latência, o nó de oito B300 — descreve algo sobre o que você pode ler em 19 de novembro e não pode tocar.

Isso vale a pena ser abordado de qualquer forma, por causa daquilo em que o Enact se baseia. O sistema roda em Pika H3 Flex, a versão pós-treinada da Pika do MiniMax H3, e o H3 Flex tem pesos abertos no Hugging Face desde 29 de outubro. Então a família por trás da demonstração é inspecionável e, no caso do H3, pode ser invocado hoje. O Enact é a parte que não é. Aqui está o que a Pika realmente publicou em 18 de novembro, o que os números significam e quais deles você deve tratar como uma alegação de produto em vez de uma medição.

O que a Pika publicou, e o que ela deliberadamente deixou de fora

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.

Dois artefatos, ambos com data e hora de 18 de novembro de 2026. Uma postagem no blog em pika.art intitulada "Research Preview: Pika Enact", arquivada em Research, e uma postagem da conta @pika_labs às 18:53 UTC. Ambos dizem a mesma coisa na mesma ordem: isto é um experimento, imita a direção no set de filmagem e não está disponível.

O post descreve o Enact como “um ambiente experimental de transmissão ao vivo”, e não como um modelo. Essa distinção não é uma cautela de marketing — é a descrição precisa. O Enact é um sistema de serving e controle envolvendo um gerador destilado: uma parte transforma o que você faz com o mouse ou com a voz em sinais de condicionamento; outra emite vídeo e áudio em blocos de menos de um segundo, ao mesmo tempo que carrega o estado da cena adiante. Não existe um único “modelo Enact” com número de versão e janela de contexto. Há um modelo de vídeo, um modelo de roteiro e muita infraestrutura de ligação entre eles e você.

O que a publicação não inclui, verificado em 19 de novembro:

• Nenhum endpoint, ID de modelo ou referência de API. A documentação da Pika fica atrás de um login, e nada no site público expõe o Enact como um modelo que possa ser chamado.

• Sem preço. Nem uma tarifa por segundo, nem um custo em créditos, nem um plano empresarial. O único detalhe comercial é o endereço de contacto.

• Sem lista de espera ou formulário de acesso antecipado. Compare isso com o roteiro habitual de pré-visualização de pesquisa, que quase sempre coleta e-mails.

• Nenhum valor de resolução para Live Staging ou Live Actor Direction. Apenas o modo câmera recebe um, e é o número discutido abaixo.

• Nenhuma avaliação independente. Todos os números no post são da própria Pika, medidos no hardware da Pika, sem que nenhum harness ou conjunto de prompts tenha sido publicado.

Trate a ausência de uma lista de espera como o sinal mais forte de todo o comunicado. Uma empresa que pretende permitir a entrada de pessoas de fora em breve costuma construir uma porta.

Três modos, três faturas de computação muito diferentes

O post separa o Enact em três interações, e elas não são três visões da mesma funcionalidade. Cada uma tem seu próprio perfil de hardware, seu próprio multiplicador de velocidade e seu próprio pipeline de treinamento, o que é um bom indício de que as três foram construídas independentemente e unidas tardiamente.

Live Staging é o modo de arrastar com o mouse. Você agarra um ator ou um objeto dentro de um vídeo em reprodução e o move, e poses, iluminação e sombras acompanham. A Pika relata que ele gera "1,8× mais rápido do que é reproduzido" em um único servidor, com a imagem respondendo em "menos de 0,4 segundos em H100", incluindo a decodificação. Ele injeta três sinais alinhados aos quadros — estados do mouse a 24 fps, um mapa de calor espacial de captura e o vídeo de origem intacto — por meio de módulos inicializados com zero, que é o truque padrão para acoplar um novo canal de controle a um gerador congelado sem destruir o que ele já faz.

Direção de Atores ao Vivo é o recurso com o qual o anúncio abre, e é o mais complexo dos três. Você digita ou fala uma nota, o ator a reconhece dentro do personagem e trabalha com ela, e as falas são "registradas palavra por palavra" para que notas posteriores possam fazer referência às anteriores. Então você diz Ação e o ensaio se condensa em "uma única tomada limpa, gravada do zero a partir do primeiro quadro". Por baixo dos panos, são dois modelos em loop: um modelo de roteiro que transforma sua nota falada em beats estruturados por meio de chamadas de ferramentas, e um modelo de vídeo em tempo real que os representa. A Pika coloca a geração como "1,75× mais rápida do que a reprodução".

Controle de Câmera ao Vivoé o modo com os números menos lisonjeiros e, portanto, mais úteis. Você orbita, faz pan ou dolly de uma câmera virtual durante a geração, e a Pika diz que ele precisa apenas de uma imagem de aparência mais um proxy de movimento 3D leve — um viewport do Blender sem textura já basta. Ele roda em um "nó 8×NVIDIA B300" a "640×480 @ 24 fps", renderizando os quadros iniciais em 0,51 s e depois "0,473 s por bloco de 0,708 s, ou 1,50x em tempo real".

Leia esses três multiplicadores em sequência: 1,8×, 1,75×, 1,50×. Esses não são números de folga escolhidos para causar efeito. São as margens pelas quais um sistema de streaming se mantém à frente do relógio, e o modo de câmera tem a mais estreita porque também é o que mantém um nó de oito GPUs em um quarto do tamanho de quadro que um consumidor esperaria.

Por que “mais rápido do que ele reproduz” é todo o truque

Modelos de vídeo normalmente não transmitem em fluxo. Eles removem o ruído de um clipe inteiro e depois o entregam pronto. A direção interativa é impossível nesse modelo, porque a cena já foi decidida antes de você vê-la. A solução da Pika é arquitetural, e não incremental, e o post é incomumente específico sobre isso:

• Chunking — a saída é emitida em blocos causais de "0,7 s padrão, 0,17 s de baixa latência". O valor de 0,17 s é o que garante a resposta abaixo de 0,4 segundo em staging; um bloco maior significa uma espera maior antes que seu arraste fique visível.

• Cache KV deslizante — o contexto retém o prompt, o vídeo de origem, o primeiro chunk e os quatro chunks mais recentes. Chunks mais antigos são descartados, então o custo por chunk permanece estável em vez de crescer com a duração da sessão.

• Embeddings posicionais com rebase — a formulação da Pika é “sessões infinitas a custo constante.” Mesma ideia, mecanismo diferente: o modelo nunca fica sem índices de posição porque o referencial continua se movendo.

• Destilação — o amostrador reduz "de vinte passos para apenas alguns", usando "destilação de correspondência de distribuição com auto-forçamento (DMD)" com um crítico treinável e um professor de clipe completo. Um modelo de vinte passos não consegue atingir 24 fps; um de três ou quatro passos consegue.

• Uma proteção contra deriva — o quadro de âncora inicial pode puxar uma cena inativa de volta ao seu início, e um "Real-Time Director" injeta silenciosamente batidas de espera periódicas. Isso existe porque um sistema tão autorregressivo vai divagar se deixado sozinho, e a solução é permitir que ele seja ajustado suavemente em vez de treiná-lo novamente.

Nada disso é exótico isoladamente. O incomum é que tudo isso está voltado para a mesma restrição — manter a geração à frente da reprodução — e não para a qualidade da saída. É exatamente por isso que os clipes de amostra, por melhores que sejam, não são a parte interessante deste anúncio.

O número que a Pika não colocou na manchete

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.

A linha do modo câmera é 640×480 a 24 fps em oito GPUs B300. Se o Enact fosse um lançamento de produto, esse número ficaria enterrado. É o dado mais informativo do post, porque é a taxa de câmbio honesta entre interatividade e resolução: para se manter 1,5× à frente da reprodução enquanto você controla uma câmera, o sistema renderiza um fluxo quarter-VGA em um nó que custa mais do que o orçamento de renderização inteiro da maioria dos estúdios.

Isso torna a demo falsa? Não. Torna-a uma demonstração de margem de desempenho, e margem em hardware de ponta é como todo sistema de mídia interativa lançou sua primeira versão. A pergunta relevante para o leitor não é se 640×480 é bom o suficiente. É como essa proporção se comporta em hardware que você pode alugar, e a Pika não diz. O número de H100 do modo de staging é o mais próximo de uma resposta — uma GPU, menos de 0,4 segundos — e staging é um problema de controle muito mais simples do que trabalho de câmera.

A outra dimensão não divulgada é quanto tempo uma sessão realmente se mantém coerente. Um cache deslizante com quatro blocos recentes mais um quadro âncora é um design para permanecer coerente, não uma garantia disso. Nada no post fornece uma duração de sessão, uma medição de deriva ao longo do tempo ou um exemplo de uma tomada de dez minutos. Até que alguém fora da Pika execute uma, "sessões infinitas" é uma arquitetura, não um resultado.

O que você pode correr esta semana

Enact, nada. H3 Flex, sim — os pesos foram disponibilizados em 29 de outubro como Pika-Labs/Pika-H3-Flex, ao lado de um Turbo LoRA, e o repositório principal registrou mais de 166.000 downloads segundo a API do Hugging Face em 19 de novembro. Essa é uma situação genuinamente incomum: o gerador base de uma demo interativa não lançada pode ser baixado, e as partes que a Pika manteve em sigilo são a separação de stems de áudio e a pilha de serving 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.

Se você quer o ancestral não destilado em vez do pós-treino da Pika, MiniMax H3 é o modelo do qual toda a stack da Enact descende — um gerador omni-modal com áudio estéreo nativo que lê referências de texto, imagem, vídeo e áudio como um único contexto. Ele é servido pelo OrcaRouter por segundo, US$ 0,08 por segundo em 768P e US$ 0,13 em 2K, cobrado pelo preço de tabela do provedor sem acréscimo de margem, então uma mudança de preço do fornecedor entra em vigor aqui no mesmo dia em que é anunciada. Esse é um produto diferente do Enact e um checkpoint diferente do H3 Flex; é simplesmente a maneira mais barata de descobrir se a saída da família H3 serve para suas imagens antes de se comprometer com um modelo mental de oito GPUs do que custa "tempo real".

A camada de roteamento justifica seu lugar nesta história em particular por um motivo banal: uma capacidade não comprovada, de fornecedor único e de nível de pesquisa é exatamente aquilo sobre o que você não quer basear um caminho de produção. Failover entre provedores significa que um teste do H3 não se transforma em uma indisponibilidade quando um endpoint está ocupado, e ter todos os outros modelos por trás da mesma chave e mais de 200 modelos em um único endpoint significa que a comparação que você inevitavelmente vai querer fazer — H3 contra Kling, contra Seedance, contra o que quer que tenha sido lançado esta semana — não exige um segundo contrato. Nada disso entrega o Enact. Isso entrega a linha de base honesta para julgá-lo.

O que transformaria isto de uma demonstração em uma decisão?

Quatro coisas, na ordem em que mudariam as opções de um leitor:

• Uma porta — uma lista de espera, uma chave beta, um preço em créditos. Qualquer um deles transforma a Enact de algo sobre o qual apenas se lê em algo em torno do qual se planeja.

• Uma resolução acima de 640×480 para controle de câmera, ou um requisito de hardware declarado para preparação em um tamanho de quadro utilizável. A margem de 1,8× em uma única H100 implica um caminho para isso; a Pika simplesmente não publicou onde isso chega.

• Um resultado com duração de sessão, idealmente de alguém que não seja a Pika. A deriva ao longo de minutos é o fator decisivo para uma ferramenta de direção, e é a única coisa que um vídeo de melhores momentos não consegue mostrar.

• Um conjunto público de prompts ou um harness independente de latência. Os números da Pika são internamente consistentes e excepcionalmente detalhados, o que é um bom sinal, mas "1,8× em tempo real" medido pela equipe que criou a destilação é uma alegação, não um benchmark.

Até que pelo menos um desses chegue ao mercado, a descrição precisa do Pika Enact é estreita e sem glamour: um sistema de pesquisa funcional, publicado com detalhes reais de engenharia, que seu próprio criador diz que você não pode usar. Vale a pena ler a parte de engenharia — o chunking causal, o cache deslizante e a receita de destilação são um plano plausível para como o vídeo interativo será construído por todos os outros no próximo ano. O produto ainda não existe, e nenhum fator de 1,8× muda isso.