Pika H3 Flex 将 MiniMax H3 变成六步 ComfyUI LoRA

Pika H3 Flex 是 Pika 对 MiniMax H3 做后训练的成果：同样是 33B 全模态模型，在自建音视频语料库上重新训练，从 50 步教师模型蒸馏到 六步采样，再用奖励学习和偏好优化精修。Pika 在 Hugging Face 上发布了权重，在 GitHub 上开源了推理包，并于 2026 年 10 月 29 日随发布博文一同发布了技术说明。

对 ComfyUI 来说，关键在于 Flex 并不是一种新架构。它以 两个 LoRA 适配器的形式提供，采用原生 MiniMax H3 模块布局，因此可以通过内置的 LoraLoaderModelOnly 节点加载到你已有的 H3 基础模型之上，模板库中还有三个官方模板工作流。

乒乓球演示：输入一张静帧，提示词要求在 15 秒的镜头内完成五次预设的相机运动（俯拍、摇臂下降、甩镜、180 度环绕、低角度推轨）。来源：Pika H3 Flex 模型卡

完整的相机运动片段及其生成的配乐，取自 Pika 模型仓库中的展示集。

两个适配器，一套六步调度

Flex 将 H3 的两条条件路径拆分为独立的适配器，与基础模型自身的拆分方式一致：

Ref2VA 最多接受 9 张图像、3 段视频和 3 段独立音频片段，引用文件总计 12 个，并且至少要有一个图像或视频。每段引用视频或独立音频片段时长须为 2 到 15 秒，且这两类分组的合计时长上限为 15 秒。视频自带的音轨会保留在该视频上，不计入额外的音频文件。

输出原生为 480p 或 768p，覆盖 11 种宽高比，24 fps，文件内混入 32 kHz 立体声音频，请求时长为 5 到 15 秒。H3 的帧网格会向上取整：5 秒请求返回 124 帧，15 秒请求返回 362 帧。

单条提示词驱动三层阳台上三个独立动画的人物，完成环绕、推进、竖直升降和反向环绕，全程无剪切。

ComfyUI 版本发布

ComfyUI 模板库在 Video 分类下提供了三个模板：video_pika_h3_flex_t2v.json、video_pika_h3_flex_fl2va.json 和 video_pika_h3_flex_ref2va.json，全部记录在 ComfyUI 教程页面。每个模板都将剪枝的 int8 H3 diffusion 模型与对应适配器配对，并运行 Pika 公布的调度方案：使用 ManualSigmas 的 LCM 采样器，通过 BasicGuider 设置 CFG 1.0，适配器强度固定为 1.0。

如果你不加载模板而是自行搭建节点图，有两个细节很重要：

• sigma 网格是 checkpoint 约定的一部分。 Pika 的清单列出的节点值为 1000/750/500/250/100/40/0，视频 shift 为 12，音频 shift 为 3，并使用新的中间噪声。在通用采样器里选择六步并不能复现该约定。
• 不要再叠加第二个加速 LoRA。 该适配器已经蒸馏到六步，教程指出在其上再加 turbo 或 Lightning LoRA 会破坏输出。

这些连接器是普通的 BF16 转换版本，并非新的 checkpoint：普通模块保持 rank 128，而融合的 Q/K/V 投影被合并为 rank 384，转换过程还重排了 SwiGLU 的两半以匹配原生 H3 布局。Pika 自己的适配器 readme 明确说明，文件完整性和 tensor 转换已验证，但上传过程中并未验证端到端的 ComfyUI 渲染。因此与参考推理包相比可能会出现一些偏差。

来自 #pika-h3-flex-early 的早期上手反馈与此相符：测试者 NebSH 将六步 960x544 一遍送入 Latent 放大，再加四步 1920x1088 一遍，用时 3 分 17 秒得到 2560x1440 的结果；而 WAS 指出在四步时远处鸟群这类高频细节上会出现闪烁，建议保持六步。

Pika 如何做到六步

技术深度解析描述了在已发布的、经过引导蒸馏的 H3 之上进行的三个后训练阶段：

1. 监督微调：在自建的、经美学筛选的音视频数据集上进行，覆盖生成与编辑任务，仍使用教师模型的 50 步。
2. 投影分布匹配蒸馏（PDMD，Wang 等，2026），将采样从 50 步减少到六步。Pika 报告称标准 DMD 在他们的实验中不稳定，而 PDMD 训练更可靠且输出质量更好。
3. 蒸馏后的奖励学习：通过 ReFL（美学与清晰度）和 DPO（指令遵循、真实感、视觉质量）进行，作为两个独立 LoRA 训练再合并为一个适配器，因此合并后的行为不会增加额外采样步数。

其余工作由一套独立的推理服务栈完成：缓存的与时间步相关的 AdaLN 投影、融合算子、FlashAttention-4，以及带压缩通信的块稀疏注意力。在八块 B300 GPU 上，以 5 秒 768p 带音频运行时，这将完整推理从 3.409 秒缩短到 2.129 秒，加速比 1.60 倍，且 checkpoint 与六步调度保持不变。

数据说明了什么，又没说明什么

Pika 在相同提示词集上以 768p 将 Flex 与官方 MiniMax H3、Fal H3 Max 和 HeyGen Video（质量）进行对比评测，并报告在全部五项视觉与音频质量指标上得分最高：

音视频对齐和文本视频对齐与对比对象大致持平，而这些数字来自 Pika 自己的评测。在他们的盲测成对比较研究中，Flex 在文本与图像条件生成的解剖结构、复杂构图和音频同步上领先，在引用条件生成的视觉风格、构图取景和相机运动上领先。Pika 同时表示，在其他系统中，物理表现、多场景叙事、光照与材质，以及动作密集的引用任务仍然更受偏好。

目前社区的 A/B 测试规模不大，但与一个可用的六步模型相符，而非免费的午餐。Kijai 用同一个 T2V 示例提示词分别以六步运行 DMAD 和 Flex，报告称 DMAD 在该案例中失败；djbfilmz 将六步 Flex 与不带适配器的二十步运行进行比较，表示他会用 Flex 迭代、最终成片再做完整的二十步渲染。教程自身的说法是在单张显卡上约一分钟生成 5 秒 1344x768 片段。

另外两个展示案例：仅凭一个产品引用生成九镜头广告；以及一次运动迁移，从视频中提取动作编排，而身份与风格来自两张静帧。

可用性

仓库中存放了供 Pika 推理包使用的两个 FP32 适配器（fl2va/adapter.safetensors、ref2va/adapter.safetensors，各 2.77 GB），comfy/loras/ 下的 BF16 ComfyUI 转换版本（各 1.96 GB），以及 Diffusers 格式的 H3 基础组件，Pika 称其总计约 210 GB。每个 ComfyUI 模板只加载它所需的 transformer 分区。

Pika 的托管扩展不在下载范围内：从 768p 草稿上采样到 1080p、2K 和 4K，五条分离音频轨（对白、配乐、音效、拟音、环境声），提示词增强以及加速推理服务栈都属于 API 功能。本地开放权重推理覆盖 480p 和 768p。