我和「二次元老公」約上會了！全球首個可以玩的實時交互模型，Xmax X2.0發布

衡宇 Jay 發自 凹非寺
量子位 | 公眾號 QbitAI

終于！和我的二次元老公！成！功！約！會！

瞧瞧這白毛，數萬少女的夢中情人，如今被我拐回了辦公室(??????)?。

你好萌啊老師，好想rua爛你的頭！！！

誰懂啊，作為五條悟的忠實粉絲，對這款真的完全沒有抵抗力……

二話不說，直接安排上了老公同款出場動畫。

「沒關系，我是最強的。」——當辦公搭子也是（doge）

啥，你問我在哪搞到的這好玩意兒？

好吧，肥水不流外人田，這是今天凌晨，Xmax AI全球首發的實時交互視頻模型——X2.0。

是的，實時可交互，畫面里的每一幀，都是AI根據攝像頭畫面和你的操作實時生成。

刷到這條post的第一時間，小編連夜爬起來實測。

一頓操作下來，我只能說：

Amazing。

偉大的賽博格之神，請賜我一顆長在臉上的、無限續航的攝像頭吧。

打開攝像頭，世界就是你的畫布

上面能「實時換人」的超能力，來自Xmax AI發布的全新模型，X2.0。

但事實上，這只是此次更新的冰山一角。

Xmax本次共主推3大類能力——

• 實時渲染：實時替換攝像頭或視頻中的角色、服裝與視覺風格。
• 次元交互：鏡頭對準，在現實世界里召喚和交互異次元生物。
• 觸屏交互：用觸控實時操控物體運動軌跡，親手捏塑視頻世界。

實時渲染

CharX的「加倍版」，不止服裝、角色，連背景都能變。

在完美保留原始動態與光影的前提下，實現毫秒級、幀級的「變身」。

真·領域展開。

還有一項非常實用的功能——實時換裝——這個模式下只有服飾會變。

本質上，CharX、ClothX、VibeX，都是X2.0實時渲染能力的多維度秀肌肉，模型將視頻中的「你」變成可編輯變量，從而可以像調整照片亮度一樣，基于參考圖片實時計算用戶的視覺身份。

次元交互

虛擬現實的概念炒了這么多年，但以前的體驗基本都是靜態的，缺乏真正的「在場感」，只能當個花瓶看看。

X2.0的革命性在于：它能用現實中的物品作為錨點，精準定位并控制虛擬角色的運動路徑，把「物理觸感」變成了交互的一部分。

不知道大家還記不記得，曾經有一款叫《寶可夢GO》的捉寵游戲。玩家需要拿著手機四處Citywalk，地圖上會隨機刷新寶可夢。但交互極其有限，只能丟丟精靈球、拍拍照。

如今，體驗「超進化」。X2.0徹底撕開次元壁，任何地點都能隨時召喚心愛角色，與其進行撫摸、對視等即時無縫的深度互動。

也可以做「瞄準」式的虛空召喚——指定對象，將其與「平行宇宙」的物體置換。比如將手里這瓶礦泉水，憑空替換成一把匕首。

或者不替換，直接對現實物體施加魔力。

《泰迪熊》不再是夢。對準攝像頭吧，X2.0可以讓房間里的所有東西「復活」。

觸屏交互

一項引入「觸控」交互的全新視頻玩法。

只需在屏幕上輕輕拖拽，即可將任意靜態主體動起來。

說實話，這功能簡直是桌面DIY神器。

它將徹底激活你的手機和電腦：壁紙、照片……所有靜態圖像，都能被一鍵「喚醒」。

不用燒Token設計Codex桌寵了，只需一張照片，家里的小主子隨時化身「賽博形態」陪你上班。

Free模式

最后，除了上述三項封裝好的核心功能，Xmax還最大限度地開放了模型應用的自定義空間，以覆蓋更廣泛的長尾需求。

Free模式下，你可以通過Prompt「言出法隨」，實現幾乎零門檻的特效創作。

什么噴火、鐳射眼、空間扭曲……在這里，都只能算基操。

X2.0的技術底牌

市面上的視頻生成模型不少，但X2.0這體驗，完全不是一個物種。

比起「視頻模型」，它更像一款游戲。更嚴謹點說，是一種類似于視頻和游戲之間的內容形態——

不僅能看，還可以隨手即「玩」。基于AI賦能的全新操作系統，所有視頻都能變成可以實時交互的資產。

怎么做到的？

核心在于，Xmax團隊在實時性和交互性兩個維度上下了不少功夫。

先說實時。

你可能會說，不就是延遲低一點嘛？

但實際上，幾毫秒的延遲差距，在實時交互場景中可能直接決定一款產品的生死。C端用戶對心流體驗的要求極為苛刻，多卡幾幀，手指就已經劃走了。

市面上不是沒有類似的實時交互模型，但大多要渲染約3秒、5秒，還可能需要預生成10秒以上，其實并非真正意義上的實時。

而Xmax，直接干到了毫秒級響應，實現了真實時。

怎么做到的？

傳統視頻模型走的是雙向Attention路線：對整段視頻或一個片段做聯合建模，全部生成完畢才能看到結果。這本質上是「下載邏輯」——文件得全部下完才能播放。

Xmax選了另一條路——流式生成。

具體來說，他們提出了逐幀自回歸生成架構，將模型響應時間壓縮到毫秒級。邏輯跟最近大火的GPT Live類似：雙工結構，模型在持續計算的同時，用戶端已經在看到畫面流出，不需要干等。

說起來簡單，但工程實現極難。

這里藏著一個速度、成本、質量的「不可能三角」：堆推理算力來提速，成本飆升，普通用戶根本跑不起；速度提上來了，生成質量又會斷崖式下跌。

要打破這個三角，對團隊的research能力和工程能力都是極限考驗。

Xmax的解法分三步走——

1、多階段多目標融合蒸餾。大幅壓縮推理所需的采樣步數，從源頭上減少計算量。

2、上下文持久化技術。確保模型在長時間連續生成過程中，畫面質量不衰減、不漂移。

3、極致壓縮。引入注意力矩陣稀疏化、FP8量化等手段，進一步降低顯存和算力需求。

最終效果就是：單張消費級顯卡即可滿血運行，達到960分辨率@24fps。

再聊交互。

這個問題在LLM時代很少有人認真討論。Chatbot從誕生之日起就自帶對話框這個最自然的交互界面——完全是參照即時通訊的形態設計的，天然自洽。

但視頻是完全不同的邏輯。它高維、連續，更貼近現實世界的交互方式，而現實中的交互，很少依賴純語言。

這也是為什么Xmax如此執著于交互方式的多樣性。這不是功能堆疊，而是對這類產品最底層的產品思考。

X2.0支持多種交互模式。文字控制、屏幕交互、空間交互……它能理解你拿著手機在做什么、你的手指向了哪里、你做了什么動作。

可以說，幾乎覆蓋了所有自然的交互動機。

團隊把這稱為「統一交互架構」——把過去只能理解prompt的視頻模型，進一步武裝成能理解攝像頭畫面、理解視頻流、理解手勢與肢體語言的全能選手。

最后，團隊將實時與交互兩方面的技術積累做了集大成式的整合，完成了一件極其秀肌肉的事——

全球首個能在iPhone上本地運行的「實時交互」視頻生成模型，384分辨率@16fps。

簡單拆解一下這件事。

端側本地部署，是對實時性的終極驗證；而手機這一形態，則幾乎涵蓋了C端用戶日常交互行為的全部入口。

為了攻克這一難題，團隊也是在移動端做了大量算法與工程層面的深度優化：

• 訓練側：通過混合精度量化與結構化剪枝等手段，進一步壓縮模型體積；
• 推理側：利用計算圖算子融合，并針對端側芯片進行專屬的硬件加速與內存布局優化。

當一項能力從云端下沉到端側，它就不再是少數極客的玩具，而是數億普通用戶口袋里觸手可及的日常。所有終端設備的交互方式，都有可能被重新書寫一遍。

交互視頻模型的GPT-3時刻，正在逼近。

Xmax重構視頻「交互」范式

如果說X2.0在C端的體驗是一個引人注目的切口，那么它真正的產業想象力，在于通過開放的API，成為視頻行業的底層基礎設施。

智譜的唐杰之前分享過一個觀點：AI時代，技術本身是最核心的資產，不用思考商業模式和產品形態，都會被吃掉。

背后的邏輯是，模型具備泛化性，只要底層能力跨過某條閾值，它自然會獲得「把傳統解決方案重做一遍」的空間。

X2.0正是這個邏輯的絕佳注腳——

最直觀的就是電商與零售。

試想，當「魔鏡」式的實時虛擬試穿接入電商 App，用戶不再需要對著靜態模特圖腦補上身效果，攝像頭前的你就是模特。

線下商場的試衣間也可以被徹底改造。

消費者只需站在鏡子前，一鍵切換款式和尺碼。退貨率的下降、轉化率的提升，都是可以直接量化的商業價值。

其次是虛擬陪伴賽道。

基于空間感知的實時交互，X2.0能讓攝像頭前的立牌、玩偶、手辦「活」過來，角色可觸摸、可互動，在場感和沉浸感有質的躍遷。

當然，內容廠商也能拿它來賦能自家IP。

2000年至2024年，好萊塢原創電影占比從41%暴跌至19%；2025年全球票房前10名，幾乎沒一部非續集影片……

造新IP，越來越難了。

游戲、動漫、網文，所有需要「造星」的行業都在經歷這一場寒冬。

這正是AI交互技術最大的價值所在：讓那些已經沉淀了情感記憶、擁有龐大粉絲基礎的存量IP，煥發全新的生命力。

一個陪伴了粉絲十年的動漫角色，可以在你的臥室書桌上醒來，看著你，回應你的每一個肢體動作。

直播平臺同樣能迎來范式重構。

有了實時交互AI，觀眾在看直播時就不再只能刷熒光棒，發sc（醒目留言）。你可以隨手進行各種操作——實時換人、換裝、把主播投到月球上去……

完全千人千面的觀看體驗，把直播變成了一場大型多人互動游戲。

再往深看，智能硬件、文旅、教育、辦公協同……所有需要「人機實時交互」的視頻場景，底層邏輯全部同理。

這也是Xmax開放API的原因。

是的，你可以通過官方平臺的API，將這根魔法棒接入自己的產品。

這對生態的意義不言而喻。攝像頭，只是C端的一個切入點；一旦通過API接入B端行業，它所能覆蓋的長尾需求幾乎是無限的。

當然，生態這件事也得建立在足夠穩固的基礎設施上。能力成熟是一方面，另一方面是正被滿足的，快速下降的成本曲線——

在目前世界實時交互模型賽場中，XmaxAI的能力在這個垂直賽道中遙遙領先，但價格僅為海外同類模型頭部Decart的十分之一，甚至能力和效果還要更好。

當實時交互視頻的成本降到中小團隊用得起、接入簡單到調API就能跑、終端覆蓋到手機就能用，它改變的，就不只是某一個應用場景了。

這或許也是Xmax團隊反復強調「通用」交互模型的原因。他們想做的，從來不是一個只能用來炫技的Demo，而是一個能真正下沉到千行百業、被無數開發者調用的Infra——

一套消費級的「可交互視頻」底座。

這個野心一旦落地，將系統性地重塑所有與視頻相關的行業和產品。

OMT

一百多年來，視頻的載體換了無數副面孔。

膠片讓位于磁帶，磁帶讓位于數字文件，專業攝影棚讓位于每個人的手機鏡頭……每一次迭代，都在降低創作的門檻。

但有一件事，從未被真正打破：屏幕里發生的一切，和屏幕前的你，始終隔著一道看不見的墻。你能看，但你不能碰。你能消費，但你無法介入。

AI視頻賽道卷了整整兩年，依然沒解決這個問題。

從文生視頻卷到圖生視頻，從幾秒短視頻卷到幾十秒長視頻。參數量越來越大，渲染時間越來越長，生成的畫面越來越精致——

但一個根本問題，始終沒有被正面回答：

用戶到底需要什么樣的AI視頻？

像寫小說一樣絞盡腦汁寫提示詞？

等一條十幾秒的視頻渲染幾十秒甚至幾分鐘？

還是為了一條片子燒掉好幾萬塊錢的算力成本？

Xmax的答案是——

這些都沒必要。

打開攝像頭。世界，就在那里。

你口袋里那個每天都帶著的設備，可以是一扇隨時能通往異世界的門。

那門里面是什么？

如果說X2.0的出現，拉開了現實與虛擬世界的那扇門。那X2.0的API，則是透過那條門縫，初次窺探到的新大陸。

這片土地上最終會長出什么樣的產品，沒人能猜得到。

但，這恰恰是這片尚未成形的新大陸——

最令人著迷的地方。

官方體驗地址：https://platform.xmaxai.com