AI视频领域正迎来一场技术革新，京东近日开源的JoyAI-Video-Edit模型成为焦点。这款模型首次实现了"流式架构+实时速度+可用质量"的突破，在视频编辑赛道开辟了新路径。与传统离线模型不同，它能够直接处理实时视频流，支持直播、视频通话等动态场景的即时编辑。
该模型在720P分辨率下达到每秒30帧的推理速度，系统端到端稳定运行在24FPS，支持无限时长的连续编辑。用户通过自然语言指令即可实现实时视觉特效，例如将人物变老、切换场景风格或替换物体形态。在电商直播场景中，主播可动态更换服装配色、调整背景布置，系统能根据不同观众需求生成个性化画面版本。
技术实现层面，研发团队构建了包含MLLM条件编码器、因果视频VAE和160亿参数多模态扩散Transformer的架构体系。通过SA-DMD训练方法将单帧处理步骤从十余次压缩至两次，在Nvidia B200 GPU上实现226毫秒的端到端延迟。区别于其他流式模型通过缩小参数规模提升速度的做法，该模型在保持160亿参数规模的同时，将分辨率提升至720P，处理速度较同类产品提升1.4至2倍。
针对长视频编辑常见的画面漂移问题，团队提出"有界KV状态推理"机制。该技术通过限制模型记忆容量，仅保留最近处理片段和首帧作为参考，使计算资源消耗与视频时长解耦。配合专门设计的长视频训练策略，模型在连续处理数小时视频时仍能保持画面稳定性，解决了自回归模型误差累积导致的画面崩坏难题。
在OpenVE-Bench通用基准测试中，该模型以3.60分领先所有流式编辑模型，在局部删除等子任务中超越商业离线模型。LongV2VBench长视频专项测试显示，其总分较第二名提升1.59分，处理速度达到30.19FPS。人类评估盲测中，面对四个流式竞品模型，该模型获得最高90%的偏好率，与顶级离线模型Bernini-R的对比中也取得微弱优势。
这项技术正在重塑内容生产流程。传统视频制作中反复渲染的等待环节被消除，创作者可实时调整参数并立即看到效果。在电商领域，单次拍摄即可生成多版本商品展示视频，系统根据用户画像动态切换画面元素。更深远的影响在于，该模型在摄像头与显示屏幕之间构建了可编程语义层，使视频编辑能够理解画面内容并保持跨帧一致性。
京东的技术布局已延伸至具身智能领域。针对机器人训练数据稀缺的痛点，该模型可快速将人类操作视频转换为机械臂训练素材，完整保留物体空间关系和动作轨迹。这与京东正在构建的JoyAI模型矩阵形成协同效应，涵盖视觉交互、语音对话、机器人操控等多个维度，为其物流仓储、直播电商等业务场景提供技术支撑。
