
Pika Enact tạo ra nhanh hơn tốc độ phát lại — và bạn vẫn chưa thể dùng nó
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 184 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 223 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 96 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Câu quan trọng trong thông báo của Pika về Pika Enact không phải là câu nói về việc dùng chuột kéo các nhân vật xung quanh. Mà là câu này: “Hiện tại, Enact là bản xem trước nghiên cứu, chưa dành cho người tiêu dùng sử dụng.” Không có danh sách chờ, không đăng ký, không trang giá và không bản demo. Lối duy nhất trong bài viết là một địa chỉ email để trao đổi với doanh nghiệp. Mọi thứ còn lại — ba chế độ đạo diễn, các số liệu về độ trễ, node tám B300 — mô tả thứ bạn có thể đọc về vào ngày 19 tháng 11 và không thể chạm vào.
Dù sao thì điều đó cũng đáng để viết, vì những gì làm nền tảng cho Enact. Hệ thống chạy trên Pika H3 Flex, phiên bản được Pika huấn luyện hậu kỳ của MiniMax H3, và H3 Flex đã có trọng số mở trên Hugging Face kể từ ngày 29 tháng 10. Vậy nên họ mô hình bên dưới bản demo có thể kiểm tra được và, với trường hợp của H3, có thể gọi được ngay hôm nay. Enact là phần không được như vậy. Đây là những gì Pika thực sự công bố vào ngày 18 tháng 11, các con số có ý nghĩa gì, và con số nào trong đó bạn nên coi là tuyên bố sản phẩm chứ không phải phép đo.
Pika đã công bố những gì, và những gì nó cố ý bỏ qua

Hai tài liệu, cả hai đều mang dấu thời gian ngày 18 tháng 11 năm 2026. Một bài đăng blog trên pika.art có tiêu đề “Research Preview: Pika Enact”, được xếp vào mục Nghiên cứu, và một bài đăng từ tài khoản @pika_labs lúc 18:53 UTC. Cả hai đều nói cùng một nội dung theo cùng một thứ tự: đây là một thử nghiệm, nó mô phỏng việc đạo diễn trên trường quay, và nó không khả dụng.
Bài đăng mô tả Enact là "một môi trường phát trực tiếp mang tính thử nghiệm" chứ không phải một mô hình. Sự phân biệt đó không phải là chiêu nói giảm nhẹ mang tính tiếp thị — đó là cách mô tả chính xác. Enact là một hệ thống phục vụ và điều khiển được bao quanh một bộ tạo đã chưng cất: một phần biến những gì bạn làm bằng chuột hoặc giọng nói thành các tín hiệu điều kiện, phần khác phát ra video và âm thanh thành các khối dưới một giây trong khi vẫn mang trạng thái cảnh về phía trước. Không có một "mô hình Enact" duy nhất với số phiên bản và cửa sổ ngữ cảnh. Có một mô hình video, một mô hình kịch bản, và rất nhiều phần kết nối giữa chúng với bạn.
Những gì bài đăng không bao gồm, được kiểm tra vào ngày 19 tháng 11:
• Không có endpoint, ID mô hình hay tài liệu tham chiếu API. Tài liệu của Pika nằm sau lớp đăng nhập, và không có nội dung nào trên trang công khai công bố Enact như một mô hình có thể gọi được.
• Không có giá. Không phải mức giá theo giây, không phải chi phí tín dụng, không phải gói doanh nghiệp. Chi tiết thương mại duy nhất là địa chỉ liên hệ.
• Không có biểu mẫu danh sách chờ hay truy cập sớm. Hãy so sánh điều đó với cách làm xem trước nghiên cứu thông thường, vốn gần như luôn thu thập email.
• Không có con số độ phân giải cho Live Staging hay Live Actor Direction. Chỉ chế độ camera mới có, và đó là con số được thảo luận bên dưới.
• Không có đánh giá độc lập. Mọi con số trong bài đều là của chính Pika, được đo trên phần cứng của Pika, không công bố harness hay bộ prompt nào.
Hãy coi việc không có danh sách chờ là tín hiệu mạnh nhất trong toàn bộ thông báo. Một công ty định sớm cho người ngoài vào thường sẽ dựng một cánh cửa.
Ba chế độ, ba hóa đơn điện toán rất khác nhau
Bài đăng tách Enact thành ba tương tác, và chúng không phải là ba góc nhìn của cùng một tính năng. Mỗi tương tác có cấu hình phần cứng riêng, hệ số tốc độ riêng và quy trình huấn luyện riêng, đây là dấu hiệu rõ ràng cho thấy cả ba được xây dựng độc lập và được ghép nối với nhau vào phút chót.
Live Staging là chế độ kéo bằng chuột. Bạn nắm lấy một diễn viên hoặc một đối tượng trong video đang phát và di chuyển nó, còn tư thế, ánh sáng và bóng đổ sẽ đi theo. Pika báo cáo rằng nó tạo "nhanh hơn 1,8× so với tốc độ phát lại" trên một máy chủ, với hình ảnh phản hồi trong "dưới 0,4 giây trên H100", bao gồm cả giải mã. Nó đưa vào ba tín hiệu căn chỉnh theo khung hình — trạng thái chuột 24 fps, bản đồ nhiệt không gian của thao tác kéo và video nguồn chưa bị chỉnh sửa — thông qua các mô-đun khởi tạo bằng 0, đây là mẹo tiêu chuẩn để gắn một kênh điều khiển mới vào bộ tạo đã đóng băng mà không làm hỏng những gì nó vốn làm được.
Live Actor Direction là tính năng được nhắc đến đầu tiên trong thông báo, và cũng là tính năng phức tạp nhất trong ba tính năng. Bạn gõ hoặc nói một chỉ dẫn, diễn viên xác nhận bằng đúng nhân vật của mình và diễn thử với chỉ dẫn đó, các lời thoại được "ghi lại nguyên văn" để những chỉ dẫn sau có thể tham chiếu đến chỉ dẫn trước. Sau đó bạn nói Action và buổi diễn tập thu gọn thành "một cú máy sạch, quay mới từ khung hình đầu tiên." Về mặt kỹ thuật, đây là hai mô hình chạy trong một vòng lặp: một mô hình kịch bản chuyển chỉ dẫn nói của bạn thành các nhịp có cấu trúc thông qua lệnh gọi công cụ, và một mô hình video thời gian thực diễn các nhịp đó. Pika cho biết tốc độ tạo "nhanh hơn 1,75× so với tốc độ chúng diễn."
Điều khiển Camera Trực tiếp là chế độ có những con số kém ấn tượng nhất và vì thế hữu ích nhất. Bạn xoay quanh, lia hoặc đẩy một camera ảo trong quá trình tạo, và Pika cho biết nó chỉ cần một ảnh ngoại hình cùng một proxy chuyển động 3D nhẹ — một viewport Blender không có texture là đủ. Nó chạy trên một "node 8×NVIDIA B300" ở "640×480 @ 24 fps", kết xuất các khung hình ban đầu trong 0.51 s và sau đó "0.473 s cho mỗi đoạn 0.708 s, tức 1.50 lần thời gian thực".
Hãy đọc ba hệ số nhân đó theo thứ tự: 1.8×, 1.75×, 1.50×. Đó không phải là những con số dư địa được chọn để gây ấn tượng. Chúng là những biên độ giúp một hệ thống truyền phát luôn đi trước đồng hồ, và chế độ camera có biên độ mỏng nhất vì đây cũng là chế độ đang duy trì một node tám GPU ở mức một phần tư kích thước khung hình mà người dùng phổ thông mong đợi.
Tại sao "nhanh hơn tốc độ phát" lại là toàn bộ mẹo
Các mô hình video thường không phát trực tuyến. Chúng khử nhiễu toàn bộ một clip, rồi giao lại thành phẩm. Việc chỉ đạo tương tác là bất khả thi theo mô hình đó, vì cảnh đã được quyết định trước khi bạn nhìn thấy nó. Cách khắc phục của Pika mang tính kiến trúc chứ không phải cải tiến từng bước, và bài viết đặc biệt cụ thể về điều này:
• Chunking — đầu ra được phát ra thành các khối nhân quả "0.7 s tiêu chuẩn, 0.17 s độ trễ thấp." Con số 0.17 s chính là thứ mang lại phản hồi dưới 0.4 giây trong staging; khối lớn hơn nghĩa là phải chờ lâu hơn trước khi thao tác kéo của bạn hiển thị.
• Bộ nhớ đệm KV trượt — ngữ cảnh giữ lại lời nhắc, video nguồn, khối đầu tiên và bốn khối gần nhất. Các khối cũ hơn bị loại bỏ, nên chi phí trên mỗi khối không đổi thay vì tăng theo độ dài phiên.
• Embedding vị trí được tái cơ sở — cách diễn đạt của Pika là "phiên không giới hạn với chi phí không đổi." Cùng ý tưởng, cơ chế khác: mô hình không bao giờ hết chỉ số vị trí vì khung tham chiếu không ngừng dịch chuyển.
• Chưng cất — bộ lấy mẫu giảm “từ hai mươi bước xuống chỉ còn vài bước”, sử dụng “self-forcing distribution matching distillation (DMD)” với một critic có thể huấn luyện và một teacher toàn clip. Một mô hình hai mươi bước không thể đạt 24 fps; mô hình ba hoặc bốn bước thì có thể.
• Một cơ chế chống trôi — khung neo mở đầu có thể kéo một cảnh đang không hoạt động trở lại điểm khởi đầu của nó, và một "Real-Time Director" âm thầm chèn các nhịp giữ định kỳ. Điều này tồn tại vì một hệ thống tự hồi quy như thế sẽ lang thang nếu bị bỏ mặc, và cách khắc phục là để nó được chỉnh nhẹ thay vì huấn luyện lại nó.
Không có gì trong số đó là quá lạ khi xét riêng lẻ. Điều bất thường là tất cả đều hướng tới cùng một ràng buộc — giữ việc tạo ra luôn đi trước việc phát lại — chứ không phải hướng tới chất lượng đầu ra. Đó chính xác là lý do vì sao các clip mẫu, dù tốt đến đâu, không phải là phần thú vị của thông báo này.
Con số mà Pika không đưa vào tiêu đề

Dòng ở chế độ camera là 640×480 ở 24 fps trên tám GPU B300. Nếu Enact là một buổi ra mắt sản phẩm, con số đó sẽ bị chôn vùi. Đó là con số giàu thông tin nhất trong bài viết, vì nó là tỷ lệ trao đổi trung thực giữa tính tương tác và độ phân giải: để duy trì nhanh hơn phát lại 1.5× trong khi bạn điều khiển camera, hệ thống kết xuất một luồng quarter-VGA trên một nút có chi phí cao hơn toàn bộ ngân sách kết xuất của hầu hết các studio.
Điều đó có khiến bản demo thành giả không? Không. Nó khiến bản demo trở thành minh chứng cho dư địa hiệu năng, và dư địa trên phần cứng tiên phong là cách mọi hệ thống truyền thông tương tác đã phát hành phiên bản đầu tiên. Câu hỏi phù hợp cho người đọc không phải là liệu 640×480 có đủ tốt hay không. Mà là tỷ lệ đó trông thế nào trên phần cứng bạn có thể thuê, và Pika không nói. Con số H100 của chế độ staging là thứ gần nhất với câu trả lời — một GPU, dưới 0,4 giây — và staging là một bài toán điều khiển đơn giản hơn nhiều so với quay phim.
Khía cạnh còn lại chưa được báo cáo là một phiên thực sự duy trì được sự mạch lạc trong bao lâu. Một bộ nhớ đệm trượt với bốn đoạn gần đây cộng thêm một khung neo là một thiết kế để duy trì tính nhất quán, chứ không phải là bảo đảm cho điều đó. Không có gì trong bài viết đưa ra độ dài phiên, một phép đo độ trôi theo thời gian, hay một ví dụ về một cảnh quay mười phút. Cho đến khi ai đó bên ngoài Pika chạy thử một phiên như vậy, "infinite sessions" là một kiến trúc, không phải là một kết quả.
Bạn có thể chạy gì trong tuần này
Về Enact, không có gì. H3 Flex thì có — các trọng số đã được đăng lên vào ngày 29 tháng 10 với tên Pika-Labs/Pika-H3-Flex cùng với một Turbo LoRA, và repo chính đã ghi nhận hơn 166.000 lượt tải xuống theo API Hugging Face tính đến ngày 19 tháng 11. Đó thực sự là một tình huống bất thường: trình tạo cơ sở cho một bản demo tương tác chưa phát hành lại có thể tải xuống được, còn những phần Pika giữ lại là tách stem âm thanh và ngăn xếp phục vụ tăng tốc.

Nếu bạn muốn bản gốc chưa qua chưng cất thay vì bản Pika hậu huấn luyện, MiniMax H3 là mô hình mà toàn bộ stack của Enact bắt nguồn từ đó — một trình tạo đa phương thức toàn diện với âm thanh stereo gốc, đọc các tham chiếu văn bản, hình ảnh, video và âm thanh như một ngữ cảnh duy nhất. Mô hình được cung cấp qua OrcaRouter theo giây, $0.08 mỗi giây ở 768P và $0.13 ở 2K, tính theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, nên khi nhà cung cấp thay đổi giá, mức giá đó sẽ có hiệu lực tại đây ngay trong ngày được công bố. Đó là một sản phẩm khác với Enact và một checkpoint khác với H3 Flex; đơn giản đây là cách rẻ nhất để biết liệu đầu ra của dòng H3 có phù hợp với cảnh quay của bạn trước khi bạn dấn thân vào mô hình tư duy tám GPU về cái giá của “thời gian thực”.
Lớp định tuyến có chỗ đứng trong câu chuyện cụ thể này vì một lý do tầm thường: một năng lực chưa được chứng minh, chỉ đến từ một nhà cung cấp duy nhất, ở cấp độ nghiên cứu chính là thứ bạn tuyệt đối không muốn xây dựng một con đường sản xuất dựa trên đó. Chuyển đổi dự phòng giữa các nhà cung cấp nghĩa là một lần chạy thử H3 không trở thành sự cố ngừng dịch vụ khi một endpoint bận, và việc mọi mô hình khác nằm sau cùng một khóa và hơn 200 mô hình trên một endpoint nghĩa là phép so sánh mà chắc chắn bạn sẽ muốn thực hiện — H3 với Kling, với Seedance, với bất cứ thứ gì vừa ra mắt tuần này — không cần thêm một hợp đồng thứ hai. Không điều nào trong số đó mang lại cho bạn Enact. Nó mang lại cho bạn đường cơ sở trung thực để đánh giá Enact dựa trên đó.
Điều gì sẽ biến điều này từ một bản demo thành một quyết định?
Bốn điều, theo thứ tự chúng sẽ thay đổi các lựa chọn của người đọc:
• Một cánh cửa — danh sách chờ, khóa beta, mức giá tín dụng. Chỉ một trong những thứ này cũng đủ biến Enact từ thứ để đọc thành thứ để lập kế hoạch xoay quanh.
• Độ phân giải trên 640×480 cho điều khiển camera, hoặc yêu cầu phần cứng được nêu rõ để dàn cảnh ở kích thước khung hình dùng được. Mức dư 1,8× trên một H100 đơn ngụ ý có đường dẫn tới đó; Pika chỉ là chưa công bố nó sẽ đạt tới đâu.
• Một kết quả kéo dài suốt cả phiên, lý tưởng nhất là từ một người không phải Pika. Độ trôi theo thời gian qua nhiều phút chính là yếu tố quyết định đối với một công cụ đạo diễn, và đó là điều duy nhất mà một video tổng hợp điểm nhấn không thể cho bạn thấy.
• Một bộ prompt công khai hoặc một harness đo độ trễ độc lập. Các con số của Pika nhất quán nội tại và chi tiết một cách bất thường, đó là dấu hiệu tốt, nhưng “1,8× thời gian thực” do chính nhóm xây dựng quá trình distillation đo được là một tuyên bố, không phải một benchmark.
Cho đến khi ít nhất một trong số đó thành hiện thực, mô tả chính xác về Pika Enact vẫn hẹp và kém hào nhoáng: một hệ thống nghiên cứu đang hoạt động, được công bố với chi tiết kỹ thuật thực sự, mà chính nhà sáng tạo của nó nói rằng bạn không thể sử dụng. Phần kỹ thuật đáng đọc — chia khối nhân quả, bộ nhớ đệm trượt và công thức chưng cất là bản thiết kế khả thi cho cách video tương tác sẽ được mọi người khác xây dựng trong năm tới. Sản phẩm vẫn chưa tồn tại, và không mức 1.8× nào thay đổi được điều đó.
