🎬 模型发布 · 实时流式编辑
京东开源 JoyAI-Video-Edit：视频编辑进入"边播边改"时代
视频生成已经不难，难的是在播放过程中持续修改。京东开源的实时流式视频编辑模型 JoyAI-Video-Edit，把一段持续输入的视频流当作编辑对象——直播中的商品可以随时替换，室内空间可以即刻调整，无需等待完整视频生成。官方数据显示，在单张 NVIDIA B200 GPU 上，端到端吞吐约 30 FPS，请求到响应周期约 266 毫秒。
来源：综合公开信息整理•
2026-08-05•
全文约 4 分钟读完
#京东
#JoyAI-Video-Edit
#实时视频编辑
#流式模型
#开源AI
🥇 Top 1
LongV2VBench 长视频持续编辑评测
30 FPS
单卡 B200 端到端吞吐
266 ms
请求到响应周期
⚡ 30 秒速览
- 核心突破：视频编辑从"离线批处理"转向"流式实时交互"——不用再等完整视频生成，画面边播边改。
- 实测四场景：直播商品替换、家装效果调整、户外氛围转换、人手替换机械手均能完成，画面保持连续。
- 技术配置：16B 自回归扩散模型 + 因果视频 VAE + 固定窗口机制 + DMD 蒸馏，单卡 B200 可实时运行。
- 客观成绩：OpenVE-Bench 总分 3.60，LongV2VBench 长视频评测第一；复杂纹理与多人交互仍是短板。
- 开源可验证：模型与技术报告均已公开，所有数字可复现、可质疑。
01从"抽卡"到"边播边改"
用 AI 改一段视频，过去是条消耗耐心的链路：输入指令，等待生成，查看效果，不满意再生成。多轮"抽卡"下来，创作过程被拆成一段段等待——AI 在忙，人在等。
京东开源的新模型，把这条链路倒了过来。
JoyAI-Video-Edit 处理的不是一段已经结束的视频文件，而是一条持续输入的视频流。视频在播，模型在看，你发出指令，画面随即开始变化——直播里的商品可以替换，室内空间可以调整，户外场景可以改换氛围。
传统离线视频编辑
先拿到完整视频，再分析前后帧关系，最后生成修改结果。画质更可控，但只能"事后修改"，覆盖不了直播、视频通话等实时场景。
流式实时编辑（JoyAI-Video-Edit）
只有当前与历史信息，边播边改。响应快、可交互，但对模型的约束更强——无法预知下一秒画面。
两种路线互补而非替代：离线编辑追求最优画质，流式编辑追求最小延迟。
实时速度，只是它要解决的第一个问题。更难的是：如何让画面不漂移？
02为什么可信：评测分数 + 全量开源
视频编辑比单张图片复杂得多。模型既要理解用户想改什么，又要保持人物身份、动作轨迹和未改区域的稳定。更关键的是，持续播放的视频里，前面的生成结果会成为后续处理的参考——误差一旦累积，画面就会漂移。
3.60OpenVE-Bench 短视频编辑总分
Top 1LongV2VBench 长视频评测
16B参数规模
4 类官方标注突出任务
全局风格变化
局部替换
局部删除
字幕编辑
OpenVE-Bench 总分 3.60，突出任务类型由官方技术报告标注；LongV2VBench 主要考察长视频跨片段稳定性。
比榜单更硬气的，是开源。模型权重与技术报告一并公开——每一分都可以被复现，也可以被质疑。在评测水分普遍存在的当下，敢开源本身就是一种表态。
03它能做什么：四个真实场景实测
榜单是抽象的，真实场景才见真章。以下测试覆盖两个"最容易落地"和两个"最难"的任务。
📺 直播带货 · 商品实时替换基础可用
- 模特走秀画面，按指令替换商品，人物动作与原环境保持不变。
- 替换后的商品跟随人物动作持续出现，视频保持连续播放。
- 复杂纹理、文字或细小结构时，编辑难度明显增加。
商品与人的空间关系是核心难点，本场景下基本稳定。
🏠 家装调整 · 效果即时呈现接近落地
- 室内空间画面，按指令调整家具风格与整体环境。
- 在真实视频上直接修改，保持原有镜头运动与空间结构。
相比单独生成一张效果图，这种方式让用户基于真实空间快速预览，适合方案沟通。
🌤 户外场景 · 环境氛围转换完成度高
- 去除画面中的人物，仅保留环境。
- 按指令改变天气与整体氛围，修改结果与原视频自然融合。
环境类任务的容错度天然较高，是流式编辑最容易出效果的场景。
🦾 具身智能 · 人手替换机械手视觉可行
- 人手操作视频中，将人手替换为机械手，同时保持原有抓取动作。
- 机械结构跟随动作变化，物体位置关系基本保持。
- 距离机器人训练仍有距离：力度、碰撞、环境反馈等物理数据缺失。
当前更像视觉数据生成与扩增工具，而非完整的机器人训练数据方案。
以上为公开实测观察，结果受测试场景与 prompt 设计影响，不代表所有环境下的一致表现。
04为什么能做到：把无限视频流装进有限算力
一句话总结：把"无限长的视频流"压缩进"有限的算力"。
多模态语言模型编码器→
因果视频 VAE→
Chunk 流式单元→
多模态扩散 Transformer
- 因果注意力：模型只能看到当前与历史信息，天然符合实时输入的要求，不从未来帧"偷看"。
- 固定窗口机制：只保留近期视频状态与关键参考信息，视频再长，计算与显存不会无限增长。
- Source-Anchored DMD 蒸馏：把推理步骤压缩到实时可用区间，16B 参数量也能在单卡上跑起来。
参数规模16B
端到端吞吐约 30 FPS
请求到响应约 266 ms
运行环境单张 NVIDIA B200
官方测试数据基于单张 NVIDIA B200，实际部署速度随场景复杂度与视频分辨率浮动。
05怎么判断：行业坐标与两个诚实的边界
把 JoyAI-Video-Edit 放进行业坐标系，它和常见的视频生成模型并不是同一个物种。
视频生成解决"从无到有"——Seedance、可灵、Vidu、MiniMax H3 在时长、画质、运动表现上持续竞争；视频编辑解决"从有到优"——Runway 等工具已经验证了离线编辑的价值，而实时流式编辑是这个赛道刚出现的新变量。
⚠️ 仍然脆弱（商用前需解决）
- 复杂运动、细节纹理、多人交互
- 实时推理的算力成本
- 物理反馈（力度/碰撞）不属于纯视觉
以上边界基于公开实测与技术报告综合判断，不代表所有场景下的能力上限。
成绩之外，更值得讨论的是：为什么这件事值得被开源？
编辑核心判断
视频生成解决"从无到有"，实时视频编辑解决"从有到优"。京东把"边播边改"从演示推向开源，让所有数字接受全行业复现与质疑——这比发布会的 Demo 更有说服力。但真正的分水岭不是 30 FPS 的演示速度，而是复杂场景下不漂移、不跳变、能扛住商用压力的稳定性。谁先跨过工程化这道坎，谁就定义下一代视频创作工具。