4.9
深览指数
产品量子位·Jay··AI 生成
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
Xmax AI 发布全球首个面向 C 端、可在消费级显卡甚至 iPhone 上本地运行的实时交互视频生成模型 X2.0，主打毫秒级实时渲染、次元交互与触屏交互三大能力，让用户能通过摄像头和屏幕直接操控视频内容。文章以夸张的二次元口吻包装产品 Demo，但核心信息量集中：技术架构采用逐帧自回归流式生成，通过多阶段蒸馏、上下文持久化、FP8 量化等手段打破速度、成本、质量的不可能三角。作者以 X2.0 为切入点，提出其 API 应成为视频行业底层基础设施，并列举电商虚拟试穿、IP 复活、直播互动等落地场景，但整体缺乏对技术局限、竞争格局、数据验证的深入讨论。适合对 AI 实时交互赛道有基础了解、想快速获知产品形态与团队思路的读者。原文 ↗
核心观点
- ▍Xmax X2.0 是全球首个面向消费级的实时交互视频生成模型，其核心价值在于将视频从「可看不可碰」的消费资产变成「可实时操控」的交互资产，并试图通过 API 成为视频行业的底层基础设施。
- 01X2.0 支持三大类交互：实时渲染（角色/服装/背景替换）、次元交互（通过现实物体锚点召唤并操控虚拟角色）、触屏交互（拖拽使静态图像动起来），以及 Free 模式下的 Prompt 自定义特效。
- 02技术架构上，X2.0 采用逐帧自回归流式生成（类似 GPT Live 的双工结构），而非传统视频模型的整段双向 Attention 预生成，实现毫秒级响应。
- 03打破「速度-成本-质量」三角的三大工程手段：多阶段多目标融合蒸馏（减少采样步数）、上下文持久化技术（保证长时间生成质量不衰减）、注意力矩阵稀疏化与 FP8 量化降低显存。
- 04单张消费级显卡即可满血运行 960 分辨率@24fps，且实现了全球首个在 iPhone 上本地运行的实时交互视频生成模型，384 分辨率@16fps。
- 05X2.0 价格仅为海外同类模型头部 Decart 的十分之一，团队开放 API 供开发者接入。
- 06文章列举了 C 端体验（二次元角色约会）与 B 端应用场景（电商虚拟试穿、线下试衣间、IP 复活、直播互动、智能硬件等）。
反方 / 局限
- — 文章未讨论任何技术局限或反方观点，例如：构建成本数据（消费级显卡具体型号、推理时峰值算力需求）、实际用户测试的延迟与质量评测指标、与同类竞品（如 Decart）的详细对比维度、端侧部署的量化降级对体验的影响、用户隐私与数据安全（摄像头实时画面处理）等。
14 分钟 · 4 卡片 · 10 资料
读原文 →