一张写着 Pika Enact 的标题卡,副标题为“尚不可用的研究预览版”,还有三个标签分别写着“2026年11月18日发布”“基于 Pika H3 Flex 构建”和“比播放速度快 1.8 倍”,另有两张卡片,将 Live Staging 在 H100 上低于 0.4 秒的响应,与 Live Camera Control 在八块 B300 上以 640×480 运行进行对比。
Guides & Insights

Pika Enact 的生成速度快于播放速度——但你还用不上它

作者

Elias Hawthorne

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

在 Pika 发布 Pika Enact 的公告中,真正重要的那句话并不是关于用鼠标拖拽角色的那句。而是这句:“目前,Enact 是一个研究预览版,不面向消费者使用。”没有候补名单,没有注册,没有定价页面,也没有演示版本。帖子中唯一的途径是一个用于企业洽谈的电子邮箱地址。其余的一切——三种导演模式、延迟数据、八个 B300 节点——描述的是你可以在 11 月 19 日读到、却无法接触的东西。

无论如何,这都值得一写,因为 Enact 是建立在什么之上的。该系统运行在Pika H3 Flex上,这是 Pika 对MiniMax H3进行后训练后的版本,而 H3 Flex 自 10 月 29 日起就在 Hugging Face 上开放了权重。因此,这个演示背后的模型家族是可检查的,并且就 H3 而言,今天就可以调用。Enact 则是不可调用的那部分。以下是 Pika 在 11 月 18 日实际发布的内容、这些数字意味着什么,以及其中哪些应被视为产品声明而非测量结果。

Pika 发布了什么,以及它刻意省略了什么

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.

两份材料的时间戳均为2026年11月18日。一份是 pika.art 上题为“Research Preview: Pika Enact”的博客文章,归在 Research 类别下;另一份是 @pika_labs 账号于 UTC 18:53 发布的帖子。两者以相同顺序表达了同样的内容:这是一项实验,它模仿片场执导,并且目前不可用。

这篇文章将 Enact 描述为“一个实验性的直播环境”,而非一个模型。这一区分并非营销上的含糊其辞——而是准确的描述。Enact 是一个包裹着蒸馏生成器的服务与控制体系:其中一部分负责将你用鼠标或语音所做的操作转化为条件信号,另一部分则以亚秒级的分块输出视频与音频,同时将场景状态向前延续。并不存在一个带有版本号和上下文窗口的单一“Enact 模型”。有的是一个视频模型、一个脚本模型,以及它们与你之间的大量管线连接。

该帖子未包含的内容,已于11月19日核查:

• 没有端点、模型 ID 或 API 参考。Pika 的文档需要登录才能访问,公开网站上也没有任何内容将 Enact 暴露为可调用模型。

• 没有价格。不是按秒计费,不是按积分计费,也不是企业版套餐。唯一的商业细节是联系地址。

• 没有候补名单,也没有抢先体验申请表单。相比之下,常见的研究预览套路几乎总会收集邮箱地址。

• Live Staging 或 Live Actor Direction 没有分辨率数值。只有相机模式有一个,而且它就是下文讨论的数字。

• 没有独立评估。文中每个数字都来自 Pika 自身,是在 Pika 的硬件上测得的,且未公布测试框架或提示集。

把候补名单的缺席当作整个公告中最强烈的信号。一家打算不久后就让外部人士进来的公司,往往会先建一扇门。

三种模式,三张截然不同的算力账单

这篇文章将 Enact 拆分为三种交互,而它们并不是同一功能的三个视图。每一种都有各自的硬件配置、各自的加速倍率和各自的训练流程,这很好地说明三者是各自独立构建、直到后期才拼接到一起的。

Live Staging 是鼠标拖拽模式。你在正在播放的视频中抓住一个角色或物体并移动它,姿态、光照和阴影会随之变化。Pika 称其在单台服务器上生成“比播放速度快 1.8×”,画面响应“在 H100 上低于 0.4 秒”,且包含解码。它通过零初始化模块注入三种帧对齐信号——24 fps 鼠标状态、空间抓取热图和未经改动的源视频——这是给冻结的生成器加装新控制通道而不破坏其原有表现的标准技巧。

实时演员指导是公告首先介绍的一项,也是三者中最复杂的。你输入或口述一条提示,演员会以角色身份确认并据此表演,台词会被“逐字记录”,以便后续提示可以引用之前的提示。然后你说“开拍”,排练就会收束为“一条干净的镜头,从第一帧开始全新拍摄”。在底层,这是两个模型组成的循环:一个脚本模型通过工具调用把你的口述提示转化为结构化节拍,另一个实时视频模型将其表演出来。Pika 称生成速度“比它们播放速度快 1.75 倍”。

实时相机控制是数字最不漂亮、因而也最有用的模式。你在生成过程中环绕、平移或推拉一台虚拟相机,Pika 表示它只需要一张外观图像加一个轻量级 3D 运动代理——一个未贴图的 Blender 视口即可。它运行在一个“8×NVIDIA B300 节点”上,达到“640×480 @ 24 fps”,初始帧渲染耗时 0.51 秒,随后“每 0.708 秒的块耗时 0.473 秒,即 1.50 倍实时”。

按顺序看这三个倍率:1.8×、1.75×、1.50×。这些并不是为了制造效果而选出的余量数字。它们是流式系统用来领先于时钟的裕量;而摄像头模式的裕量最薄,因为正是它把八 GPU 节点维持在消费者预期帧尺寸的四分之一。

为什么“比它播放得还快”才是整个诀窍

视频模型通常不会进行流式处理。它们会对整段视频进行去噪,然后交付成品。在这种模式下,交互式引导是不可能的,因为在你看到场景之前,它就已经被确定了。Pika 的解决方案是架构层面的,而非渐进式的,而且那篇帖子对此的说明异常具体:

• 分块——输出以因果分块的形式发出,块时长为“标准 0.7 秒、低延迟 0.17 秒”。0.17 秒这个数值换来了预发布环境中小于 0.4 秒的响应;块越大,意味着拖动可见之前的等待时间越长。

• 滑动 KV 缓存——上下文会保留提示词、源视频、第一个分块以及最近四个分块。较旧的分块会被移出,因此每个分块的成本保持平稳,而不会随会话长度增长。

• 重新设定基准的位置嵌入——Pika 的说法是“以恒定成本实现无限会话”。思路相同,机制不同:模型永远不会耗尽位置索引,因为参考帧会持续移动。

• 蒸馏——采样器“从二十步降到仅几步”,使用“自强制分布匹配蒸馏(DMD)”,并配有可训练的评论器和全片段教师模型。二十步模型无法达到 24 fps;三步或四步模型则可以。

• 漂移防护机制——开场的锚定帧能把闲置的场景拉回其起点,而"Real-Time Director"会静默地周期性注入停顿节拍。之所以需要它,是因为如此自回归的系统若放任不管就会漂移,而解决办法是轻轻推动它,而非重新训练它。

单独来看,这些都不算稀奇。不寻常的是,所有这些都指向同一个约束——让生成始终领先于播放——而不是指向输出质量。这也正是为什么,无论这些示例片段有多好,它们都不是这次公告中真正有趣的部分。

Pika 没写进标题里的那个数字

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.

相机模式那一行写的是:在八块 B300 GPU 上,分辨率为 640×480,帧率为 24 fps。如果 Enact 是一次产品发布,这个数字会被埋没。它却是整篇文章中最有信息量的一个数字,因为它诚实地给出了交互性与分辨率之间的兑换率:为了在你操控相机时保持比播放快 1.5×,系统要在一个成本超过大多数工作室全部渲染预算的节点上,渲染一路四分之一 VGA 的流。

这会让演示显得造假吗?不会。这使它成为一次性能余量的展示,而前沿硬件上的性能余量,正是每个交互式媒体系统发布首个版本的方式。对读者来说,关键问题不是 640×480 是否足够好,而是在你能租到的硬件上,这个比例表现如何,而 Pika 没有说明。暂存模式的 H100 数据是最接近答案的——单块 GPU、不到 0.4 秒——而暂存的控制问题远比镜头运镜简单。

另一个未被报告的维度是:一次会话实际能保持多长时间的连贯性。带有四个近期片段加一个锚定帧的滑动缓存,是一种为保持连贯性而做的设计,并不是连贯性的保证。文中没有给出会话时长、随时间推移的漂移测量,也没有十分钟长镜头的示例。在 Pika 外部有人实际跑过一次之前,“无限会话”只是一种架构,而不是结果。

本周你可以运行的内容

Enact,没有。H3 Flex,有——权重已于10月29日以 Pika-Labs/Pika-H3-Flex 的名义上线,同时还有一个 Turbo LoRA;根据 Hugging Face API,截至11月19日,主仓库已记录超过166,000次下载。这确实是一种不寻常的情况:一个尚未发布的交互式演示的基础生成器竟可下载,而 Pika 保留未公开的部分是音频分轨分离和加速服务栈。

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.

如果你想要的是未蒸馏的祖先模型,而不是 Pika 后训练版本,MiniMax H3 就是 Enact 整个技术栈所源自的模型——一个具备原生立体声音频的全模态生成器,可将文本、图像、视频和音频参考作为单一上下文读取。它通过 OrcaRouter 按秒提供,768P 下每秒 $0.08,2K 下每秒 $0.13,按供应商标价计费且不额外加价,因此供应商价格变更一旦公布,这里当天就会生效。它与 Enact 是不同产品,与 H3 Flex 也是不同检查点;它只是最便宜的方式,让你在认定“实时”成本就是八块 GPU 之前,先判断 H3 系列输出是否适合你的素材。

在这段特定的叙述里,路由层能占有一席之地,原因很无聊:一项未经验证、单一供应商、研究级别的能力,恰恰是你最不希望用来搭建生产路径的东西。跨供应商故障转移意味着当某个端点繁忙时,H3 的试运行不会变成一次服务中断;而让其他所有模型都位于同一个密钥之后,并且单个端点上的 200 多个模型意味着你终究会想做的比较——H3 对比 Kling,对比 Seedance,对比本周刚发布的任何东西——不需要第二份合同。这些都不会让你得到 Enact。它给你的是用来评判它的诚实基线。

怎样才能让它从演示变成一个决策?

四件事,按它们会改变读者选择的顺序排列:

• 一扇门——一份等候名单、一个测试激活码、一个信用点价格。其中任何一项,都能让 Enact 从“只能读一读的东西”变成“可以据此做规划的东西”。

• 用于相机控制的分辨率高于 640×480,或明确说明在可用帧尺寸下进行 staging 的硬件要求。单张 H100 上 1.8× 的余量意味着存在一条通往该目标的路径;只是 Pika 尚未公布它最终会落在何处。

• 一个达到完整会话时长的结果,最好来自并非 Pika 的人。对于导演工具来说,几分钟内的漂移就是全部关键所在,而这也正是精彩集锦无法向你展示的一点。

• 公开的提示词集或独立的延迟测试框架。Pika 的数据内部自洽且异常详尽,这是个好迹象,但由构建该蒸馏技术的团队测得的“1.8 倍实时”只是一个声明,而非基准测试结果。

在至少其中一项落地之前,对 Pika Enact 的准确描述都显得范围狭窄且毫不光鲜:它是一个可运行的研究系统,以真实的工程细节发布,而其创造者自己也说它无法使用。其中的工程实现值得一读——因果分块、滑动缓存和蒸馏配方,为接下来一年其他人如何构建交互式视频提供了一份可信的蓝图。产品尚不存在,再高的 1.8× 也无法改变这一点。