跳转到主要内容
Pika H3 Flex Pika H3 Flex Pika H3 Flex 是 MiniMax H3 经过后训练得到的版本。Pika 在精心筛选的多任务语料库（涵盖视频、音频和参考示例）上对 H3 进行了微调，将原本 50 步的生成器蒸馏至六步，随后又通过奖励反馈和偏好优化对其进行了改进。它以两个 LoRA 适配器的形式发布，可直接运行在你的 ComfyUI 中已有的 MiniMax H3 基础模型上，因此不涉及新的模型架构。
这些适配器依据 MiniMax H3 社区许可证协议 分发。在将输出用于商业用途之前，请先了解其条款，包括地域和商业使用条件。

​
主要特性

  • 六步即成，水准不打折：一段 5 秒、1344x768 的片段在单卡上约一分钟即可完成，而无需像未蒸馏的 H3 那样跑 20 到 50 步
  • 原生立体声音频：对白、音效与音乐随画面在同一次生成中一并产出
  • 参考驱动的控制：每次生成最多可使用 12 个参考（9 个图像、3 个视频、3 个音频片段），其中包括运动参考视频与声音样本
  • 多镜头调度：在一个提示词中描述硬切、镜头编排与对白
  • 开放权重：这两个适配器均已公开，并通过标准的 LoraLoaderModelOnly 节点加载

​
选择模板工作流

模板库 > 视频 中提供了三个 video_pika_h3_flex_* 模板工作流。三者都加载 H3 基础模型加一个适配器，并且都运行 Pika 的六步采样调度。

文生视频

仅使用提示词，无图像输入。ComfyUI 0.43.2+。

参考生视频

两个或更多图像参考决定主体身份、道具和场景。ComfyUI 0.30.0+。

首尾帧

两帧分别锚定镜头的开头和结尾。ComfyUI 0.30.0+。
这三个模板采用 Pika 公布的六步采样调度：lcm 搭配 ManualSigmas，并通过 BasicGuider 使用 CFG 1.0。请保持 sigma 列表不变，并将适配器强度设为 1.0，不要在其上叠加 turbo 或 Lightning LoRA，因为该适配器已经蒸馏到六步，再叠加第二个加速 LoRA 会破坏输出。

​
文生视频（T2V）

仅凭提示词即可生成带同步音频的视频。

在 Comfy Cloud 上运行

在 Comfy Cloud 中打开

下载工作流

下载 JSON，或在模板库中搜索“Pika H3 Flex: Text to Video”

​
模型下载

Diffusion Model: minimax_h3_fl2va_pruned_int8_convrot

放置到 ComfyUI/models/diffusion_models/

LoRA: pika_h3_flex_fl2va_v1_bf16

放置到 ComfyUI/models/loras/

Text Encoder: qwen3vl_32b_minimax_h3_nvfp4_awq

放置到 ComfyUI/models/text_encoders/

VAE: minimax_h3_video_vae_int8_convrot

放置到 ComfyUI/models/vae/

VAE: minimax_h3_audio_vae_fp32

放置到 ComfyUI/models/vae/

​
参考生视频（Ref2VA）

根据参考图像生成带同步音频的视频。参考图承载身份、服装、物体形状与环境，而提示词承载动作与镜头。

在 Comfy Cloud 上运行

在 Comfy Cloud 中打开

下载工作流

下载 JSON，或在模板库中搜索“Pika H3 Flex: Reference to Video”

输入图像：ref_pilot_profile.png

模板中的参考 1。请将其替换为你自己的主体。

输入图像：ref_subject_station.png

模板中的参考 2。请将其替换为第二个主体或一个场景。

​
模型下载

扩散模型：minimax_h3_ref2va_pruned_int8_convrot

放置到 ComfyUI/models/diffusion_models/

LoRA：pika_h3_flex_ref2va_v1_bf16

放置到 ComfyUI/models/loras/

文本编码器：qwen3vl_32b_minimax_h3_nvfp4_awq

放置到 ComfyUI/models/text_encoders/

VAE：minimax_h3_video_vae_int8_convrot

放置到 ComfyUI/models/vae/

VAE：minimax_h3_audio_vae_fp32

放置到 ComfyUI/models/vae/

​
首尾帧（FL2VA）

在两帧静态图像之间生成动画。第一张图像开启镜头，第二张图像结束镜头，提示词则描述两者之间的运动路径。

在 Comfy Cloud 上运行

在 Comfy Cloud 中打开

下载工作流

下载 JSON，或在模板库中搜索“Pika H3 Flex: FL2VA”

输入图像：ref_popart_woman.png

镜头的首帧。

输入图像：lastP_spin_jump_hole.png

镜头的尾帧。

​
模型下载

Diffusion Model：minimax_h3_fl2va_pruned_int8_convrot

放置到 ComfyUI/models/diffusion_models/

LoRA：pika_h3_flex_fl2va_v1_bf16

放置到 ComfyUI/models/loras/

文本编码器：qwen3vl_32b_minimax_h3_nvfp4_awq

放置到 ComfyUI/models/text_encoders/

VAE：minimax_h3_video_vae_int8_convrot

放置到 ComfyUI/models/vae/

VAE：minimax_h3_audio_vae_fp32

放置到 ComfyUI/models/vae/

​
模型存放位置

三个模板都使用这一目录结构。H3 的基础模型文件与现有 MiniMax H3 模板共用，新增的只有两个适配器。

​
提示词

提示词的结构与 H3 的其余部分相同。对于 T2V 和 FL2VA，先描述风格，再逐个描述每个镜头及其相机运动，最后是两个声音字段。对于 Ref2VA，使用完整参考形式，包含 subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape 和 non_diegetic_music，并将每个参考标注为 <Subject 1>、<Picture 1>、<Video 1> 或 <Audio 1>。 阅读提示词指南了解完整语法，包括相机词汇和对话标签。 测试已发布适配器后得到的实用注意事项：
  • 相机幅度只是建议性的。 将运动作为镜头句子的一部分来描述，并始终给出停止点。明确的度数和切换时间戳可能会偏差 0.2 至 0.3 秒，或者方向相反。
  • 将取景作为内容来描述。 只写“广角镜头”往往会渲染成中景；说明主体在一个大型空旷房间中显得很小，能更好地保持广角取景。
  • 精细的接触约束并不可靠。 本应在几厘米外停下的手通常会真的接触，因此即使它真的接触了，也要让这个节拍继续成立。
  • 渲染出的文字是可靠的。 道具和产品上的短标签在相机运动过程中仍然清晰可辨。

​
常见问题

可以。这些 MiniMax H3 模板 使用 res_multistep 配合 BasicScheduler，走的是 20 步路径。在模板的 LoRA 节点中加载 Pika 适配器，将采样器切换为 lcm，并把调度器替换为 ManualSigmas。
Pika 通过分布匹配蒸馏对 50 步的 H3 生成器进行蒸馏，再用奖励反馈对其进行精调。六步是训练时所使用的调度，因此提高步数并不会增加细节，而把 sigma 列表减少到七个值以下则会破坏该调度。
Ref2VA 适配器最多接受 9 张图像、3 个视频和 3 段独立音频，共 12 个文件。视频参考和音频参考各自必须为 2 到 15 秒，并且每种类型的合计时长不超过 15 秒。
Pika 在 Pika-Labs/Pika-H3-Flex 发布这些适配器，而 Comfy 会以相同的文件名在 Comfy-Org/MiniMax-H3 中重新发布可直接用于 ComfyUI 的文件。模板中的节点指向的是 Comfy 重新打包的版本。