我和“二次元老公”约上会了！全球首个可以玩的实时交互模型，Xmax X2.0发布

衡宇 Jay 发自 凹非寺

量子位 | 公众号 QbitAI

终于！和我的二次元老公！成！功！约！会！

瞧瞧这白毛，数万少女的梦中情人，如今被我拐回了办公室(๑˃̵ᴗ˂̵)و。

你好萌啊老师，好想rua烂你的头！！！

谁懂啊，作为五条悟的忠实粉丝，对这款真的完全没有抵抗力……

二话不说，直接安排上了老公同款出场动画。

“没关系，我是最强的。”——当办公搭子也是（doge）

啥，你问我在哪搞到的这好玩意儿？

好吧，肥水不流外人田，这是今天凌晨，Xmax AI全球首发的实时交互视频模型——X2.0。

是的，实时可交互，画面里的每一帧，都是AI根据摄像头画面和你的操作实时生成。

刷到这条post的第一时间，小编连夜爬起来实测。

一顿操作下来，我只能说：

Amazing。

伟大的赛博格之神，请赐我一颗长在脸上的、无限续航的摄像头吧。

打开摄像头，世界就是你的画布

上面能实时换人的超能力，来自Xmax AI发布的全新模型，X2.0。

但事实上，这只是此次更新的冰山一角。

Xmax本次共主推3大类能力——

实时渲染：实时替换摄像头或视频中的角色、服装与视觉风格。

次元交互：镜头对准，在现实世界里召唤和交互异次元生物。

触屏交互：用触控实时操控物体运动轨迹，亲手捏塑视频世界。

实时渲染

CharX的加倍版，不止服装、角色，连背景都能变。

在完美保留原始动态与光影的前提下，实现毫秒级、帧级的变身。

真·领域展开。

还有一项非常实用的功能——实时换装——这个模式下只有服饰会变。

本质上，CharX、ClothX、VibeX，都是X2.0实时渲染能力的多维度秀肌肉，模型将视频中的：“你”变成可编辑变量，从而可以像调整照片亮度一样，基于参考图片实时计算用户的视觉身份。

次元交互

虚拟现实的概念炒了这么多年，但以前的体验基本都是静态的，缺乏真正的“在场感”，只能当个花瓶看看。

X2.0的革命性在于：它能用现实中的物品作为锚点，精准定位并控制虚拟角色的运动路径，把物理触感变成了交互的一部分。

不知道大家还记不记得，曾经有一款叫《宝可梦 GO》的捉宠游戏。玩家需要拿着手机四处Citywalk，地图上会随机刷新宝可梦。但交互极其有限，只能丢丢精灵球、拍拍照。

如今，体验超进化。X2.0彻底撕开次元壁，任何地点都能随时召唤心爱角色，与其进行抚摸、对视等即时无缝的深度互动。

也可以做瞄准式的虚空召唤——指定对象，将其与平行宇宙的物体置换。比如将手里这瓶矿泉水，凭空替换成一把匕首。

或者不替换，直接对现实物体施加魔力。

《泰迪熊》不再是梦。对准摄像头吧，X2.0可以让房间里的所有东西复活。

触屏交互

一项引入触控交互的全新视频玩法。

只需在屏幕上轻轻拖拽，即可将任意静态主体动起来。

说实话，这功能简直是桌面DIY神器。

它将彻底激活你的手机和电脑：壁纸、照片……所有静态图像，都能被一键“唤醒”。

不用烧Token设计Codex桌宠了，只需一张照片，家里的小主子随时化身赛博形态陪你上班。

Free模式

最后，除了上述三项封装好的核心功能，Xmax还最大限度地开放了模型应用的自定义空间，以覆盖更广泛的长尾需求。

Free模式下，你可以通过Prompt言出法随，实现几乎零门槛的特效创作。

什么喷火、镭射眼、空间扭曲……在这里，都只能算基操。

X2.0的技术底牌

市面上的视频生成模型不少，但X2.0这体验，完全不是一个物种。

比起视频模型，它更像一款游戏。更严谨点说，是一种类似于视频和游戏之间的内容形态——

不仅能看，还可以随手即玩。基于AI赋能的全新操作系统，所有视频都能变成可以实时交互的资产。

怎么做到的？

核心在于，Xmax团队在实时性和交互性两个维度上下了不少功夫。

先说实时。

你可能会说，不就是延迟低一点嘛？

但实际上，几毫秒的延迟差距，在实时交互场景中可能直接决定一款产品的生死。C端用户对心流体验的要求极为苛刻，多卡几帧，手指就已经划走了。

市面上不是没有类似的实时交互模型，但大多要渲染约3秒、5秒，还可能需要预生成10秒以上，其实并非真正意义上的实时。

而Xmax，直接干到了毫秒级响应，实现了真实时。

怎么做到的？

传统视频模型走的是双向Attention路线：对整段视频或一个片段做联合建模，全部生成完毕才能看到结果。这本质上是下载逻辑——文件得全部下完才能播放。

Xmax选了另一条路——流式生成。

具体来说，他们提出了逐帧自回归生成架构，将模型响应时间压缩到毫秒级。逻辑跟最近大火的GPT Live类似：双工结构，模型在持续计算的同时，用户端已经在看到画面流出，不需要干等。

说起来简单，但工程实现极难。

这里藏着一个速度、成本、质量的不可能三角：堆推理算力来提速，成本飙升，普通用户根本跑不起；速度提上来了，生成质量又会断崖式下跌。

要打破这个三角，对团队的research能力和工程能力都是极限考验。

Xmax的解法分三步走——

1、多阶段多目标融合蒸馏。大幅压缩推理所需的采样步数，从源头上减少计算量。

2、上下文持久化技术。确保模型在长时间连续生成过程中，画面质量不衰减、不漂移。

3、极致压缩。引入注意力矩阵稀疏化、FP8量化等手段，进一步降低显存和算力需求。

最终效果就是：单张消费级显卡即可满血运行，达到960分辨率@24fps。

再聊交互。

这个问题在LLM时代很少有人认真讨论。Chatbot从诞生之日起就自带对话框这个最自然的交互界面——完全是参照即时通讯的形态设计的，天然自洽。

但视频是完全不同的逻辑。它高维、连续，更贴近现实世界的交互方式，而现实中的交互，很少依赖纯语言。

这也是为什么Xmax如此执着于交互方式的多样性。这不是功能堆叠，而是对这类产品最底层的产品思考。

X2.0支持多种交互模式。文字控制、屏幕交互、空间交互……它能理解你拿着手机在做什么、你的手指向了哪里、你做了什么动作。

可以说，几乎覆盖了所有自然的交互动机。

团队把这称为统一交互架构——把过去只能理解prompt的视频模型，进一步武装成能理解摄像头画面、理解视频流、理解手势与肢体语言的全能选手。

最后，团队将实时与交互两方面的技术积累做了集大成式的整合，完成了一件极其秀肌肉的事——

全球首个能在iPhone上本地运行的实时交互视频生成模型，384分辨率@16fps。

简单拆解一下这件事。

端侧本地部署，是对实时性的终极验证；而手机这一形态，则几乎涵盖了C端用户日常交互行为的全部入口。

为了攻克这一难题，团队也是在移动端做了大量算法与工程层面的深度优化：

训练侧：通过混合精度量化与结构化剪枝等手段，进一步压缩模型体积；

推理侧：利用计算图算子融合，并针对端侧芯片进行专属的硬件加速与内存布局优化。

当一项能力从云端下沉到端侧，它就不再是少数极客的玩具，而是数亿普通用户口袋里触手可及的日常。所有终端设备的交互方式，都有可能被重新书写一遍。

交互视频模型的GPT-3时刻，正在逼近。

Xmax重构视频交互范式

如果说X2.0在C端的体验是一个引人注目的切口，那么它真正的产业想象力，在于通过开放的API，成为视频行业的底层基础设施。

智谱的唐杰之前分享过一个观点：AI时代，技术本身是最核心的资产，不用思考商业模式和产品形态，都会被吃掉。

背后的逻辑是，模型具备泛化性，只要底层能力跨过某条阈值，它自然会获得把传统解决方案重做一遍的空间。

X2.0正是这个逻辑的绝佳注脚——

最直观的就是电商与零售。

试想，当“魔镜”式的实时虚拟试穿接入电商 App，用户不再需要对着静态模特图脑补上身效果，摄像头前的你就是模特。

线下商场的试衣间也可以被彻底改造。

消费者只需站在镜子前，一键切换款式和尺码。退货率的下降、转化率的提升，都是可以直接量化的商业价值。

其次是虚拟陪伴赛道。

基于空间感知的实时交互，X2.0能让摄像头前的立牌、玩偶、手办活过来，角色可触摸、可互动，在场感和沉浸感有质的跃迁。

当然，内容厂商也能拿它来赋能自家IP。

2000年至2024年，好莱坞原创电影占比从41%暴跌至19%；2025年全球票房前10名，几乎没一部非续集影片……

造新IP，越来越难了。

游戏、动漫、网文，所有需要造星的行业都在经历这一场寒冬。

这正是AI交互技术最大的价值所在：让那些已经沉淀了情感记忆、拥有庞大粉丝基础的存量IP，焕发全新的生命力。

一个陪伴了粉丝十年的动漫角色，可以在你的卧室书桌上醒来，看着你，回应你的每一个肢体动作。

直播平台同样能迎来范式重构。

有了实时交互AI，观众在看直播时就不再只能刷荧光棒，发sc（醒目留言）。你可以随手进行各种操作——实时换人、换装、把主播投到月球上去……

完全千人千面的观看体验，把直播变成了一场大型多人互动游戏。

再往深看，智能硬件、文旅、教育、办公协同……所有需要人机实时交互的视频场景，底层逻辑全部同理。

这也是Xmax开放API的原因。

是的，你可以通过官方平台的API，将这根魔法棒接入自己的产品。

这对生态的意义不言而喻。摄像头，只是C端的一个切入点；一旦通过API接入B端行业，它所能覆盖的长尾需求几乎是无限的。

当然，生态这件事也得建立在足够稳固的基础设施上。能力成熟是一方面，另一方面是正被满足的，快速下降的成本曲线——

在目前世界实时交互模型赛场中，XmaxAI的能力在这个垂直赛道中遥遥领先，但价格仅为海外同类模型头部Decart的十分之一，甚至能力和效果还要更好。

当实时交互视频的成本降到中小团队用得起、接入简单到调API就能跑、终端覆盖到手机就能用，它改变的，就不只是某一个应用场景了。

这或许也是Xmax团队反复强调通用交互模型的原因。他们想做的，从来不是一个只能用来炫技的Demo，而是一个能真正下沉到千行百业、被无数开发者调用的Infra——

一套消费级的可交互视频底座。

这个野心一旦落地，将系统性地重塑所有与视频相关的行业和产品。

OMT

一百多年来，视频的载体换了无数副面孔。

胶片让位于磁带，磁带让位于数字文件，专业摄影棚让位于每个人的手机镜头……每一次迭代，都在降低创作的门槛。

但有一件事，从未被真正打破：屏幕里发生的一切，和屏幕前的你，始终隔着一道看不见的墙。你能看，但你不能碰。你能消费，但你无法介入。

AI视频赛道卷了整整两年，依然没解决这个问题。

从文生视频卷到图生视频，从几秒短视频卷到几十秒长视频。参数量越来越大，渲染时间越来越长，生成的画面越来越精致——

但一个根本问题，始终没有被正面回答：

用户到底需要什么样的AI视频？

像写小说一样绞尽脑汁写提示词？

等一条十几秒的视频渲染几十秒甚至几分钟？

还是为了一条片子烧掉好几万块钱的算力成本？

Xmax的答案是——

这些都没必要。

打开摄像头。世界，就在那里。

你口袋里那个每天都带着的设备，可以是一扇随时能通往异世界的门。

那门里面是什么？

如果说X2.0的出现，拉开了现实与虚拟世界的那扇门。那X2.0的API，则是透过那条门缝，初次窥探到的新大陆。

这片土地上最终会长出什么样的产品，没人能猜得到。

但，这恰恰是这片尚未成形的新大陆——

最令人着迷的地方。