一張標題卡寫著 Pika Enact,副標題為「尚無法使用的研究預覽」,並有三個標籤,分別寫著「2026 年 11 月 18 日發布」、「建構於 Pika H3 Flex 上」以及「比播放快 1.8 倍」,另有兩張卡片,對比在 H100 上回應時間低於 0.4 秒的 Live Staging 與在八張 B300 上以 640x480 運行的 Live Camera Control。
Guides & Insights

Pika Enact 的生成速度快於播放速度——而且你目前還無法使用它

作者

Elias Hawthorne

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Pika 宣布 Pika Enact 時,真正關鍵的那句話並不是用滑鼠拖曳演員的那句,而是這句:「目前,Enact 是研究預覽版,尚未開放消費者使用。」沒有候補名單、沒有註冊、沒有定價頁面,也沒有示範版本。文中唯一的管道,是一個供企業洽談用的電子郵件地址。其餘一切——三種導演模式、延遲數據、八張 B300 的節點——所描述的,都是你在 11 月 19 日能讀到、卻無法實際接觸的東西。

無論如何,這件事值得寫,因為 Enact 是建構在什麼之上。這個系統跑在 Pika H3 Flex上,也就是 Pika 對 MiniMax H3進行後訓練後的版本;而 H3 Flex 自 10 月 29 日起已在 Hugging Face 上公開權重。所以這個 demo 底下的家族是可檢視的,而就 H3 而言,今天就能呼叫。Enact 則不是。以下是 Pika 在 11 月 18 日實際發布的內容、這些數字代表什麼,以及其中哪些你應該當成產品宣稱而非實測數據。

Pika 公布了什麼,以及它刻意省略了什麼

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.

兩份資料,時間戳皆為 {{1}}2026年11月18日{{/1}}。一篇發佈於 {{2}}pika.art{{/2}}、標題為「{{3}}研究預覽:Pika Enact{{/3}}」並歸類於{{4}}研究{{/4}}的部落格文章,以及一則由 {{5}}@pika_labs{{/5}} 帳號於 {{6}}18:53 UTC{{/6}} 發佈的貼文。兩者以相同順序表達同一件事:這是一項實驗、它模擬在片場執導,而且目前無法使用。

這篇文章將 Enact 描述為「一個實驗性的直播串流環境」,而不是模型。這種區別並非行銷上的模糊修辭——而是準確的描述。Enact 是包在蒸餾生成器外圍的服務與控制系統:其中一部分會把你用滑鼠或聲音所做的操作轉換成條件訊號,另一部分則以不到一秒的片段輸出影片與音訊,同時將場景狀態延續下去。並不存在一個帶有版本號與上下文視窗的單一「Enact 模型」。存在的是影片模型、腳本模型,以及它們與你之間的大量串接機制。

該貼文未包含的內容,於11月19日查核:

• 沒有端點、模型 ID 或 API 參考資料。Pika 的文件需要登入才能存取,而公開網站上沒有任何內容顯示 Enact 是可呼叫的模型。

• 沒有價格。不是按秒計費,不是點數費用,也不是企業方案。唯一的商業細節是聯絡地址。

• 沒有候補名單或搶先體驗表單。將此與常見的研究預覽做法相比,後者幾乎總會蒐集電子郵件。

• Live Staging 或 Live Actor Direction 沒有提供解析度數值。只有攝影機模式有,而那就是下文所討論的數字。

• 沒有獨立評測。文中每一項數據都是 Pika 自行提供,且是在 Pika 自己的硬體上測得,並未公開測試框架或提示集。

把「沒有候補名單」這件事視為整份公告中最強烈的訊號。一家打算很快讓外部人士加入的公司,通常會先造一扇門。

三種模式,三種截然不同的運算帳單

這篇文章把 Enact 拆成三種互動,而它們並不是同一功能的三個檢視。每一種都有各自的硬體設定檔、各自的速度倍率,以及各自的訓練管線,這強烈顯示這三者是獨立建置、後來才拼湊在一起的。

Live Staging是滑鼠拖曳模式。你在播放中的影片裡抓住演員或物件並移動它,姿勢、光線與陰影都會跟著變化。Pika 表示,它在單一伺服器上「以播放速度的 1.8 倍」生成,而在 H100 上包含解碼在內,畫面回應時間「低於 0.4 秒」。它透過零初始化模組注入三個與影格對齊的訊號——24 fps 滑鼠狀態、空間抓取熱圖,以及未經處理的來源影片——這是將新的控制通道外掛到凍結生成器上,同時不破壞其原有能力的標準技巧。

Live Actor Direction是發表會率先端出的主打功能,也是三者中最複雜的一項。你只要輸入或說出一則指示,演員就會以角色身分回應並加以發揮,台詞會「逐字記錄」,讓之後的指示能參照先前的內容。接著你說出 Action,整場排練便收束成「一次乾淨俐落的拍攝,從第一格畫面全新開拍」。在底層,這是兩個模型組成的迴圈:一個腳本模型透過工具呼叫,把你口述的指示轉成結構化節拍,另一個即時影片模型則負責演出。Pika 表示生成速度「比他們實際播放的速度快 1.75 倍」。

Live Camera Control 是最不討喜、因此也最有參考價值的模式。你可以在生成過程中對虛擬攝影機進行環繞、平移或推軌,而 Pika 表示這個模式只需要一張外觀影像,再加上一個輕量的 3D 動作代理——一個未貼圖的 Blender 視窗畫面就足夠了。它運行於「8×NVIDIA B300 節點」上,規格為「640×480 @ 24 fps」,初始影格的渲染時間為 0.51 秒,接著「每 0.708 秒的區塊耗時 0.473 秒,亦即 1.50 倍即時速度」。

依序讀這三個倍率:1.8×、1.75×、1.50×。這些不是為了效果而挑選的餘裕數字。它們是串流系統得以超前時脈的餘裕,而相機模式的餘裕最薄,因為它同時也是在消費者預期畫面尺寸的四分之一下,支撐一個八 GPU 節點的模式。

為什麼「比它播放得還快」就是整件事的訣竅

影片模型通常不會進行串流。它們會對整段片段去噪,然後把完成的成品交給你。在那種模式下,不可能進行互動式執導,因為場景在你看到之前就已經被決定了。Pika 的解決方案是架構性的,而非漸進式的,而且那篇文章對此異常具體:

• 分塊 — 輸出會以因果分塊的形式發出,標準為「0.7 秒」,低延遲為「0.17 秒」。0.17 秒這個數字換來的是在預備環境中低於 0.4 秒的回應;分塊越大,就代表你的拖曳結果可見之前要等得越久。

• 滑動式 KV 快取 — 上下文會保留提示詞、來源影片、第一個區塊,以及最近的四個區塊。較舊的區塊會被淘汰,因此每個區塊的成本維持固定,不會隨著工作階段長度增加而成長。

• 重新設定基準的位置嵌入 — Pika 的說法是「以固定成本實現無限工作階段」。同樣的概念,不同的機制:模型永遠不會用完位置索引,因為參考幀會持續移動。

• 蒸餾——取樣器「從二十步降到僅幾步」,採用「自我強制分佈匹配蒸餾(self-forcing distribution matching distillation, DMD)」,搭配可訓練的評論器與全片段教師。二十步模型無法達到 24 fps;三步或四步的模型則可以。

• 漂移防護——開場錨定影格會把閒置場景拉回其起點,而「Real-Time Director」會默默注入週期性的停滯節拍。這之所以存在,是因為這種自迴歸系統若放任不管就會漂移,而解法是讓它被輕推,而不是重新訓練它。

單獨來看,這些都不算稀奇。不尋常的是,這一切都指向同一個限制——讓生成速度保持領先於播放——而不是輸出品質。這正是為什麼這些樣本片段無論多好,都不是這次公告中有趣的部分。

Pika 沒放進標題的那個數字

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.

相機模式那一行是:在八顆 B300 GPU 上以 24 fps 輸出 640×480。如果 Enact 是一場產品發布,這個數字會被埋沒。它是文中資訊量最大的單一數字,因為它誠實反映了互動性與解析度之間的換算率:為了在你操控相機時仍比播放進度超前 1.5 倍,系統會在一個成本高於多數工作室全部渲染預算的節點上,渲染四分之一 VGA 的串流。

這會讓 demo 變成造假嗎?不會。這讓它成為效能餘裕的展示,而在前沿硬體上的效能餘裕,正是每個互動媒體系統推出第一版的方式。對讀者而言,相關問題不是 640×480 是否夠好,而是這個比例在可租用的硬體上看起來如何,而 Pika 並未說明。staging 模式的 H100 數字是最接近答案的東西——一張 GPU、低於 0.4 秒——而 staging 是比攝影機操作簡單得多的控制問題。

另一個未披露的面向,是一次工作階段實際上能維持多久。帶有四個近期片段加一個錨定畫格的滑動快取,是一種為了保持連貫性的設計,而非連貫性的保證。文中沒有給出工作階段長度、隨時間推移的漂移測量,也沒有十分鐘單次拍攝的範例。在 Pika 以外有人實際跑過一次之前,「無限工作階段」只是一種架構,而不是一項結果。

本週你可以執行的項目

Enact,沒有。H3 Flex,有——權重已於 10 月 29 日以 Pika-Labs/Pika-H3-Flex 的名義上架,並伴隨一個 Turbo LoRA;根據 Hugging Face API,截至 11 月 19 日,主儲存庫已累計超過 166,000 次下載。這確實是個極不尋常的情況:一個尚未發布的互動式示範的基礎生成器竟可下載,而 Pika 保留未公開的部分則是音軌分離與加速服務堆疊。

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.

如果你想要的是未經蒸餾的源祖模型,而不是 Pika 的後訓練版本,MiniMax H3 是 Enact 整套技術堆疊所衍生的模型——一個全模態生成器,具備原生立體聲音訊,能把文字、圖像、影片與音訊參考讀取為同一個上下文。它透過 OrcaRouter 以按秒計費方式提供服務,768P 為每秒 $0.08,2K 為每秒 $0.13,依供應商定價計費、不額外加價,因此廠商價格一有變動,這裡當天就會同步反映。那是與 Enact 不同的產品,也是與 H3 Flex 不同的檢查點;它只是最便宜的方式,讓你在投入「即時」究竟要花上八張 GPU 的心智模型之前,先弄清楚 H3 系列的輸出是否適合你的素材。

在這則特定敘事中,路由層之所以有其地位,原因很無趣:一項未經證實、單一供應商、研究等級的能力,正是你最不希望用來建構正式生產路徑的東西。跨供應商容錯移轉意味著當某個端點忙碌時,H3 的試跑不會變成停機事故;而讓其他所有模型都透過同一把金鑰存取,以及在單一端點上提供 200 多個模型,200 多個模型齊聚單一端點意味著你終究會想做的比較——H3 對上 Kling、對上 Seedance、對上這週剛推出的任何東西——不需要第二份合約。這些都無法讓你得到 Enact;它們給你的是據以評判 Enact 的誠實基準。

什麼能讓它從示範變成決策?

四件事,依它們會改變讀者選項的次序排列:

• 一扇門——候補名單、測試序號、點數價格。只要具備其中任何一項,Enact 就能從「只能讀讀介紹」變成「可以據此規劃」的東西。

• 相機控制解析度高於 640×480,或明確說明在可用畫面尺寸下進行 staging 所需的硬體需求。單張 H100 上 1.8× 的餘裕暗示了通往該目標的路徑;只是 Pika 尚未公布最終落點為何。

• 一段以工作階段長度為準的成果,最好來自不是 Pika 的人。對導演工具來說,幾分鐘內的漂移就是勝負關鍵,而這正是精華剪輯無法向你展示的一點。

• 公開的提示詞集,或獨立的延遲測試框架。Pika 的數字前後一致且異常詳細,這是個好兆頭,但由打造此蒸餾技術的團隊所測得的「1.8× 即時」是一項宣稱,而非基準測試。

在至少其中一項落地之前,對 Pika Enact 的準確描述既狹窄又不光鮮:一套可運作的研究系統,以真實的工程細節發表,而其創造者說你無法使用它。其工程值得一讀——因果分塊、滑動快取與蒸餾配方,是其他人未來一年如何打造互動式影片的合理藍圖。這款產品尚未存在,再多的 {{1}}1.8×{{/1}} 也改變不了這點。