GitHub 上 Pika-Labs/Pika-H3-Flex 这个仓库的创建时间是 2026-10-29T17:08:59Z，换成北京时间是 10 月 30 日 01:08。这个时间来自仓库记录，不是说明页正文里的一句话。它落在回补线之后，也早于这一版的窗口。
[1]
说明页写，Pika H3 Flex 是在 H3 上做过后训练的模型，建立在 MiniMax-H3 之上。它用六次采样生成带同步立体声的视频。本地开源推理的原生分辨率是 480p 和 768p，覆盖说明页列出的 11 种画幅。1080p、2K 和 4K 写在 Pika 的托管接口上，接口从一条草稿视频再生成更高分辨率，不是本地权重的原生输出。
[1]模型族有两个任务适配器。FL2VA 处理文字和首尾帧，Ref2VA 处理多模态参考。Ref2VA 最多接受 9 张图像、3 段视频和 3 段独立音频，参考文件合计不超过 12 个，而且至少要有一张图像或一段视频。每段视频或独立音频要在 2 到 15 秒之间，视频合计和独立音频合计各自不超过 15 秒。说明页写明，这些是接受的输入上限，不保证每一种顶格组合都放得进显存。
[1]请求的时长是 5–15 秒的整数。实际长度跟模型的帧网格走。5 秒的请求得到 124 帧，大约 5.17 秒；15 秒的请求得到 362 帧，大约 15.08 秒。帧率是 24 fps。音频是 32 kHz 立体声，混进生成的视频。输出是带 H.264 视频和 AAC 音频的 MP4，另加一份 JSON 元数据。提示可以是一段文字或一个 UTF-8 文件，长度 1 到 8,000 个字符。
[1]说明页把六段展示明确排除在发布成绩之外。那些片子用于看运镜、分镜、图形和参考引导的动画，不是发布校验渲染，也不是吞吐基准。用发布包做精确复现，说明页写明不保证。因此这篇不把展示片的观感写成测量结果。
[1]本地权重和托管接口必须分开读。六步采样、480p 和 768p、24 fps、124 帧这些数字，写在开源说明里。4K 和单独的音轨不在同一条本地规格上。说明页没有给出和别的视频模型对照的分数，也没有给出六步相对于更长采样的质量变化。
[1]