Ett titelkort med texten Pika Enact, med undertexten en forskningsförhandsvisning som du ännu inte kan använda, med tre chips med texten tillkännagavs 18 november 2026, byggd på Pika H3 Flex, och 1,8x snabbare än uppspelning, plus två kort som ställer Live Staging med under 0,4 sekunders svarstid på en H100 mot Live Camera Control vid 640x480 på åtta B300s.
Guides & Insights

Pika Enact genererar snabbare än det spelar upp – och du kan ännu inte använda det.

Författare

Elias Hawthorne

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Den mening som spelar roll i Pikas tillkännagivande av Pika Enact är inte den om att dra runt aktörer med en mus. Det är den här: "För närvarande är Enact en forskningsförhandsvisning, inte tillgänglig för konsumentbruk." Det finns ingen väntelista, ingen registrering, ingen prissida och ingen demoversion. Den enda vägen in i inlägget är en e-postadress för företagssamtal. Allt annat – de tre regilägena, latenssiffrorna, noden med åtta B300 – beskriver något som du kan läsa om den 19 november och inte kan röra.

Det är ändå värt att skriva om, på grund av vad Enact bygger på. Systemet körs på Pika H3 Flex, Pikas eftertränade version av MiniMax H3, och H3 Flex har haft öppna vikter på Hugging Face sedan 29 oktober. Så familjen bakom demon är inspekterbar och, i H3:s fall, anropbar idag. Enact är den del som inte är det. Här är vad Pika faktiskt publicerade den 18 november, vad siffrorna betyder och vilka av dem du bör behandla som ett produktpåstående snarare än en mätning.

Vad Pika publicerade, och vad det medvetet utelämnade

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.

Två artefakter, båda tidsstämplade 18 november 2026. Ett blogginlägg på pika.art med titeln "Research Preview: Pika Enact", kategoriserat under Research, och ett inlägg från kontot @pika_labs kl. 18:53 UTC. Båda säger samma sak i samma ordning: detta är ett experiment, det härmar att regissera på inspelningsplatsen, och det är inte tillgängligt.

Inlägget beskriver Enact som "en experimentell live-streamingmiljö" snarare än en modell. Den distinktionen är inte marknadsföringsmässig försiktighet – det är den korrekta beskrivningen. Enact är ett system för servering och styrning som är byggt kring en destillerad generator: en del omvandlar det du gör med musen eller rösten till konditioneringssignaler, en annan del sänder ut video och ljud i chunkar under en sekund samtidigt som den för scentillståndet vidare. Det finns ingen enskild "Enact-modell" med versionsnummer och kontextfönster. Det finns en videomodell, en manusmodell och en massa kopplingar mellan dem och dig.

Vad inlägget inte innehåller, kontrollerat den 19 november:

• Ingen endpoint, modell-ID eller API-referens. Pikas dokumentation ligger bakom en inloggning, och ingenting på den offentliga webbplatsen exponerar Enact som en anropbar modell.

• Inget pris. Inte en per-sekund-taxa, inte en kreditkostnad, inte en företagsnivå. Den enda kommersiella detaljen är kontaktadressen.

• Ingen väntelista och inget formulär för tidig åtkomst. Jämför det med det vanliga tillvägagångssättet för forskningsförhandsvisningar, som nästan alltid samlar in e-postadresser.

• Ingen upplösningssiffra för Live Staging eller Live Actor Direction. Endast kamerläget får en, och det är siffran som diskuteras nedan.

• Ingen oberoende utvärdering. Alla siffror i inlägget är Pikas egna, uppmätta på Pikas hårdvara, utan att något testramverk eller någon promptuppsättning har publicerats.

Betrakta avsaknaden av en väntelista som den starkaste signalen i hela tillkännagivandet. Ett företag som avser att släppa in utomstående inom kort brukar bygga en dörr.

Tre lägen, tre väldigt olika kostnader för beräkningskapacitet

Inlägget delar upp Enact i tre interaktioner, och de är inte tre vyer av samma funktion. Var och en har sin egen hårdvaruprofil, sin egen hastighetsmultiplikator och sin egen träningspipeline, vilket är en god indikation på att de tre byggdes oberoende av varandra och syddes ihop sent.

Live Staging är musdragningsläget. Du tar tag i en aktör eller ett objekt i en video som spelas upp och flyttar det, och poser, ljus och skuggor följer med. Pika rapporterar att det genererar "1,8× snabbare än det spelas upp" på en enda server, med bilden som svarar inom "under 0,4 sekunder på H100" inklusive avkodning. Det injicerar tre bildrutejusterade signaler – 24 fps mustillstånd, en rumslig grepp-heatmap och den orörda källvideon – via nollinitierade moduler, vilket är det vanliga knepet för att hänga på en ny styrkanal på en fryst generator utan att förstöra det den redan gör.

Live Actor Direction är den som tillkännagivandet inleder med, och den är den mest komplexa av de tre. Du skriver eller säger en notering, aktören bekräftar den i rollen och leker med den, och repliker "loggas ordagrant" så att senare noteringar kan referera till tidigare. Sedan säger du Action och repeteringen smälter samman till "en enda ren tagning, inspelad på nytt från första bildrutan." Under huven är detta två modeller i en loop: en manusmodell som omvandlar din talade notering till strukturerade beats via verktygsanrop, och en videomodell i realtid som agerar dem. Pika uppger att genereringen är "1,75× snabbare än de spelas upp."

Live Camera Control är det läge som ger de minst smickrande och därför mest användbara siffrorna. Du kretsar, panorerar eller åker med en virtuell kamera under genereringen, och Pika säger att det bara krävs en utseendebild plus en lättviktig 3D-rörelseproxy – en otexturerad Blender-vyport duger. Det körs på en "8×NVIDIA B300-nod" med "640×480 @ 24 fps", renderar initiala bildrutor på 0,51 s och sedan "0,473 s per 0,708 s-chunk, eller 1,50 x realtid".

Läs de tre multiplikatorerna i följd: 1.8×, 1.75×, 1.50×. Det är inte headroom-siffror valda för effektens skull. De är marginalerna med vilka ett streamingsystem håller sig före klockan, och kamerarläget har den tunnaste eftersom det också är det som håller en åtta-GPU-nod på en fjärdedel av den bildstorlek en konsument skulle förvänta sig.

Varför "snabbare än den spelas upp" är hela tricket

Videomodeller streamar normalt inte. De avbrusar ett helt klipp och lämnar sedan över det färdigt. Interaktiv regi är omöjligt under den modellen, eftersom scenen redan har beslutats innan du ser den. Pikas lösning är arkitektonisk snarare än inkrementell, och inlägget är ovanligt specifikt om den:

Chunkning – utdata skickas som kausala chunkar om "0,7 s standard, 0,17 s låg latens." Siffran 0,17 s är det som ger svarstiden under 0,4 sekunder i staging; en större chunk innebär längre väntan innan din dragning syns.

• Glidande KV-cache — kontexten behåller prompten, källvideon, den första chunken och de fyra senaste chunkarna. Äldre chunkar faller bort, så kostnaden per chunk förblir konstant i stället för att växa med sessionens längd.

• Ombaserade positionella inbäddningar – Pikas formulering är "oändliga sessioner till konstant kostnad." Samma idé, annan mekanism: modellen får aldrig slut på positionsindex eftersom referensramen hela tiden förflyttas.

• Destillation – samplern går från tjugo steg till bara några få, med hjälp av "self-forcing distribution matching distillation (DMD)" med en tränbar kritiker och en lärare som ser hela klippet. En modell med tjugo steg kan inte nå 24 fps; en med tre eller fyra steg kan.

• En driftvakt – den inledande ankarbilden kan dra en stillastående scen tillbaka mot dess början, och en "Real-Time Director" injicerar tyst periodiska hålltakter. Detta finns eftersom ett system som är så här autoregressivt kommer att vandra om det lämnas ifred, och lösningen är att låta det knuffas snarare än att träna om det.

Inget av det är exotiskt i sig. Det ovanliga är att allt är inriktat på samma begränsning – att hålla genereringen före uppspelningen – snarare än på utdatakvalitet. Vilket är precis varför exempelklippen, hur bra de än är, inte är det intressanta med detta tillkännagivande.

Siffran som Pika inte satte i rubriken

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.

Kamerolägesraden är 640×480 vid 24 fps på åtta B300-GPU:er. Om Enact vore en produktlansering skulle den siffran begravas. Det är den enskilt mest informativa siffran i inlägget, eftersom den är den ärliga växelkursen mellan interaktivitet och upplösning: för att ligga 1,5× före uppspelningen medan du styr en kamera renderar systemet en quarter-VGA-ström på en nod som kostar mer än de flesta studios hela renderingsbudget.

Gör det demon falsk? Nej. Det gör den till en demonstration av headroom, och headroom på frontier-hårdvara är hur varje interaktivt mediesystem har släppt sin första version. Den relevanta frågan för en läsare är inte huruvida 640×480 är tillräckligt bra. Det är hur förhållandet ser ut på hårdvara man kan hyra, och det säger Pika inget om. Staging-lägets H100-siffra är det närmaste man kommer ett svar — en GPU, under 0,4 sekunder — och staging är ett långt enklare styrproblem än kamerarbete.

Den andra dimensionen som inte redovisas är hur länge en session faktiskt håller ihop. En glidande cache med fyra senaste chunkar plus en ankarbildruta är en design för att förbli sammanhängande, inte en garanti för det. Inget i inlägget anger en sessionslängd, en driftmätning över tid eller ett exempel på en tio minuter lång tagning. Tills någon utanför Pika kör en är "oändliga sessioner" en arkitektur, inte ett resultat.

Det du kan köra den här veckan

Enact, ingenting. H3 Flex, ja – vikterna lades upp den 29 oktober som Pika-Labs/Pika-H3-Flex tillsammans med en Turbo LoRA, och huvudförrådet har registrerat fler än 166 000 nedladdningar enligt Hugging Face API:et den 19 november. Det är en genuint ovanlig situation: basgeneratorn för en ej släppt interaktiv demo är nedladdningsbar, och de delar som Pika höll tillbaka är separationen av ljudstämmor och den accelererade serveringsstacken.

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.

Om du vill ha den icke-destillerade förfadern snarare än Pika post-train, MiniMax H3 är modellen som hela Enacts stack härstammar från – en omnimodal generator med native stereoljud som läser text-, bild-, video- och ljudreferenser som en enda kontext. Den tillhandahålls via OrcaRouter per sekund, $0,08 per sekund vid 768P och $0,13 vid 2K, debiteras till leverantörens listpris utan påslag, så en prisändring från leverantören gäller här samma dag som den tillkännages. Det är en annan produkt än Enact och en annan checkpoint än H3 Flex; det är helt enkelt det billigaste sättet att ta reda på om H3-familjens utdata passar ditt material innan du låser dig vid en föreställning om att "realtid" kräver åtta GPU:er.

Routinglagret förtjänar sin plats i just den här berättelsen av en tråkig anledning: en obeprövad kapacitet från en enda leverantör på forskningsnivå är precis det man inte vill bygga en produktionsväg på. Redundansväxling mellan leverantörer innebär att en testkörning av H3 inte blir ett avbrott när en slutpunkt är upptagen, och att ha alla andra modeller bakom samma nyckel och över 200 modeller på en och samma slutpunkt innebär att jämförelsen som du oundvikligen kommer att vilja göra – H3 mot Kling, mot Seedance, mot vad som än lanserades den här veckan – inte kräver ett andra avtal. Inget av det ger dig Enact. Det ger dig den ärliga baslinjen att bedöma det mot.

Vad skulle göra att detta går från en demo till ett beslut?

Fyra saker, i den ordning de skulle förändra en läsares valmöjligheter:

• En dörr — en väntelista, en beta-nyckel, ett kreditpris. Vilken som helst av dessa förvandlar Enact från något man läser om till något man planerar kring.

• En upplösning över 640×480 för kamerastyrning, eller ett angivet hårdvarukrav för staging vid en användbar bildrutesstorlek. Marginalen på 1,8× på ett enda H100 antyder en väg dit; Pika har bara inte publicerat var den landar.

• Ett resultat för en hel session, helst från någon som inte är Pika. Drift över minuter är det som avgör allt för ett regiverktyg, och det är det enda en highlight-reel inte kan visa dig.

• En offentlig promptuppsättning eller en oberoende latensrigg. Pikas siffror är internt konsekventa och ovanligt detaljerade, vilket är ett gott tecken, men "1,8× realtid" uppmätt av teamet som byggde destillationen är ett påstående, inte ett benchmark.

Tills åtminstone en av dessa lanseras är den korrekta beskrivningen av Pika Enact snäv och oglamorös: ett fungerande forskningssystem, publicerat med verklig teknisk detaljrikedom, som dess egen skapare säger att man inte kan använda. Ingenjörsarbetet är värt att läsa – den kausala chunkningen, den glidande cachen och destillationsreceptet är en rimlig ritning för hur interaktiv video byggs av alla andra under det kommande året. Produkten finns ännu inte, och ingen mängd 1,8× ändrar på det.