A Pika, empresa emergente de vídeo generativo, lançou o Pika H3 Flex, um modelo de vídeo com som incorporado, e tornou públicos os seus pesos para qualquer pessoa os executar. O anúncio foi feito a 29 de outubro de 2026, com os adaptadores do gerador no Hugging Face e o código de inferência no GitHub no mesmo dia, e a empresa diz que o Flex chega ao seu produto de criação para o público a 2 de novembro.
O Flex não foi treinado de raiz. A Pika partiu do H3, o modelo aberto de vídeo e áudio da MiniMax, e aplicou-lhe três etapas: ajuste fino supervisionado com um conjunto de dados interno escolhido pela qualidade estética, um método de destilação chamado Projected Distribution Matching Distillation, que reduz a amostragem de 50 passos para seis, e aprendizagem por recompensa com ReFL e DPO, treinadas como adaptadores de baixa ordem e depois fundidas. O pacote inclui dois adaptadores: um para texto e para imagens de início ou de fim, outro para referências multimodais, que aceita até 12 elementos, nove imagens, três vídeos e três clipes de áudio.
Em execução local, a versão aberta produz clipes de 5 a 15 segundos em 480p ou 768p, a 24 imagens por segundo, com áudio estéreo misturado a 32 kHz. O pacote descarrega cerca de 210 GB de componentes base do MiniMax H3, além do adaptador, e exige uma GPU da NVIDIA. A saída em 1080p, 2K e 4K, as faixas separadas de diálogo, música e efeitos, a melhoria automática das instruções e a infraestrutura de serviço acelerada ficam na API da empresa. A Pika promete abrir mais tarde o seu modelo de aumento de resolução, com mil milhões de parâmetros. Os adaptadores seguem a licença comunitária do MiniMax H3; o código de inferência está sob Apache 2.0.
Os números apresentados pela Pika são ambiciosos. Segundo a empresa, no lançamento o Flex ocupava o primeiro lugar entre os modelos de pesos abertos e o sétimo na classificação geral de texto para vídeo da DesignArena, obteve as melhores notas em cinco métricas automáticas de qualidade visual e sonora face ao MiniMax H3, ao Fal H3 Max e ao HeyGen Video, e gera mais depressa do que o tempo real na sua infraestrutura, cerca de 1,8 vezes mais rápido do que o Fal H3 Max. No estudo de preferência humana, o Flex liderou em anatomia, composição e sincronização do som, enquanto os rivais foram preferidos em física, narrativa com várias cenas e iluminação. A geração alojada custa a partir de 0,01 dólares por segundo de vídeo.
Um primeiro teste independente dá um retrato mais matizado. Um criador que fez 75 renderizações numa única RTX 5090 com o ComfyUI concluiu que o Flex tinha o som mais limpo de três variantes rápidas do MiniMax H3, mas demorava cerca de quatro minutos por clipe de 15 segundos, aproximadamente 1,5 vezes mais do que uma alternativa de quatro passos, e apresentava mais imagens congeladas, uma forma de engasgo visual. O teste usou uma única personagem e não recorreu a audição às cegas.
A adoção ainda é inicial: a 2 de novembro o repositório no GitHub tinha cerca de 500 estrelas e a página no Hugging Face perto de 330 gostos. O modelo também pode ser usado através de modelos do ComfyUI e da biblioteca Diffusers.
O lançamento ilustra uma tendência no vídeo aberto: empresas mais pequenas pegam num modelo base aberto e capaz, voltam a treiná-lo para ganhar velocidade e controlo, e publicam os adaptadores, guardando as funções de acabamento mais valiosas para uma API paga.