Pika开放H3 Flex：六步生成同步音视频，支持多模态参考控制

Pika H3 Flex是Pika在MiniMax H3基础上后训练的音视频模型家族，结合审美数据微调、奖励优化和少步数生成。一次发布包含FL2VA及Ref2VA两个适配器：前者支持文本、首帧、尾帧或首尾帧控制，后者支持图像、视频和音频参考；同一家族同批合并记录。 本地公开推理使用六次生成器计算，输出24fps、480p或768p视频及32kHz混合立体声。请求时长5—15秒，实际帧数按模型网格对齐。Ref2VA最多接受12个参考文件，各类型及总时长另有限制，不能理解成所有最大组合都已完成显存验证。 本次交付固定权重适配器、基座组件与推理包，单请求单GPU，不支持把一个任务分片到多卡；官方测试以H100 80GB为主，长视频可能需要CPU卸载。1080p/2K/4K、分离音轨和提示词增强由独立托管API提供，并非下载权重即有。代码为Apache 2.0，模型适配器沿用MiniMax H3社区许可，含地域、用途和额外商业授权条件，不称无条件开源。