AI视频领域正经历一场技术革新，字节跳动与MiniMax等企业近期相继推出新模型，将视频生成时长与成本推向新高度。然而，一个长期被忽视的痛点始终存在：用户需等待视频完整生成后才能评估效果，修改则需重新排队处理。这种"离线式"交互模式，正在被语音赛道率先突破——OpenAI的GPT-Live已实现全双工实时对话，让语音交互告别"你说一句、我回一句"的传统模式。
京东近日开源的JoyAI-Video-Edit模型，将这种实时交互范式引入视频编辑领域。作为首个实现"流式架构+实时速度+可用质量"的开源模型，其在720P分辨率下达到30帧/秒的推理速度，系统端到端稳定输出24帧/秒，支持无限时长的连续编辑。这意味着用户可像操作实时滤镜般调整视频内容：将人物变为乐高形象、切换卧室装修风格，甚至实时替换服装配色，所有修改均能即时呈现。
该模型的技术突破体现在两方面。在速度优化上，研发团队采用SA-DMD训练方法，将传统扩散模型所需的十余步迭代压缩至两步，配合160亿参数的多模态Transformer架构，在单张Nvidia B200 GPU上实现226毫秒的端到端延迟。相较于其他流式编辑模型为追求速度而压缩至1.3亿参数的做法，JoyAI-Video-Edit在保持720P高清输出的同时，速度提升1.4至2倍。
针对长视频编辑的稳定性难题，研究团队提出"有界KV状态推理"机制。通过限制模型记忆范围至最近帧与首帧，既控制了计算资源消耗，又通过专项训练确保画面连贯性。测试数据显示，该模型在连续编辑1小时视频时，仍能保持风格统一与物体形态稳定，彻底解决了传统自回归模型"越改越飘"的技术瓶颈。
在权威基准测试OpenVE-Bench中，该模型以3.60分领跑流式编辑赛道，在局部删除等任务中超越所有离线商业模型。长视频专项测试LongV2VBench显示，其3.30分的综合评分较次优模型高出1.59分，30.19帧/秒的处理速度达到行业领先水平的两倍。人类评估盲测中，该模型在四组对比中均获得超80%偏好率，与顶级离线模型Bernini-R的对比中也以48%对44%微弱领先。
这项技术正在重塑内容生产流程。传统视频制作中"修改-渲染-预览"的循环被打破，创作者可实时调整色调、风格与元素，将后期制作转化为现场创作。电商直播场景中，同一视频流可根据观众偏好实时生成不同服装搭配；影视预演阶段，导演能即时调整场景元素观察效果，将共识形成成本降低60%以上。
京东的技术布局远不止于内容创作。在具身智能领域，该模型可一键将人类操作视频转换为机器人训练数据，完整保留物体位置与动作轨迹。这与京东已有的JoyAI模型矩阵形成协同效应：VL-Interaction模型实现环境感知，Talker模型完成语音交互，RA模型驱动机械臂操作，Video-Edit则负责批量生成训练素材。这套覆盖"感知-决策-执行-学习"全链条的技术体系，正支撑着京东构建全球最大物理世界运营中心的战略目标。
