Xmax AI 发布 X2.0：视频不再是看的，是玩的

今天凌晨，Xmax AI 在 X（Twitter）上甩出了新一代通用实时交互视频模型 Xmax X2.0，并同步开放商用 API 和产业合作接入。距离今年 2 月他们发布 X1，也就过去了 5 个月。

如果你去年还没听说过这家公司，问题不大——毕竟在国内，能把"实时交互视频"这条技术路线跑通并规模化商用的团队，目前只有他们一家。

先说结论：X2.0 到底新在哪

一句话概括：X1 让人第一次意识到"视频可以玩"，X2.0 是把这件事变成基础设施。

两个关键升级：

• 画质从 480p 提到 960p、24fps。对直播、社交、电商这些消费级场景，够用了。
• 延迟压到毫秒级，几乎 0 延迟。这才是真正的分水岭。

延迟这件事，说"体验优化"是把它讲小了。用户从"输入 prompt 等 AI 渲染"，切换到"实时操控画面"，这不是同一类产品。前者是工具，后者是界面。你可以理解成从"用 Photoshop"到"照镜子"的区别——中间那层等待没了，交互的心智模型就彻底变了。

底层是一套端到端的流式重渲染架构，模型以帧为单位做自回归生成，每一帧的输出不依赖前面整段视频渲完。换句话说，不是先想好整个视频再渲染，而是边看边画、边画边响应。

统一交互架构：不再只懂 Prompt

过去两年 AI 视频赛道最热闹的故事是画质军备竞赛。Sora、Seedance、Kling、Veo 一路卷下来，到 2026 年年中，头部模型的基础画质用肉眼已经很难分辨。

Xmax 走的是另一条路：不卷画质，卷交互。

X2.0 搭了一套统一多模态交互架构，一个模型同时理解：

• 触屏拖拽
• 手势控制
• 摄像头画面
• 文字指令

而且这些方式可以自由组合。你可以一边对着摄像头做手势，一边打字调节风格，模型都能处理。

这跟只吃 prompt 的传统视频模型是两回事。文本 prompt 本质是一种"延迟批处理"接口——你写好指令、提交、等待、拿结果。而摄像头、手势、视频流这些输入是连续信号，模型必须以帧为单位理解并响应。这里面工程难度不在"懂多少种输入"，而在于"每一帧都要在几十毫秒内跑完一次完整推理"。

三大类五项能力

X2.0 在统一架构上开放了五项能力，加一个自由模式：

| 能力 | 代号 | 用途 | |------|------|------| | 实时换人 | CharX | 直播换主播、换角色 | | 实时换装 | ClothX | 电商试穿、换衣 | | 实时换风格 | VibeX | 连人带背景整体换风格 | | 触控交互 | MoX | 拖拽、点触操控画面元素 | | 次元互动 | DimX | AR 场景中虚拟角色跟随手势响应 | | 自由模式 | Free | 支持自定义 prompt |

这几个能力单看都不算全新，但放在一个模型里、都能实时响应，是另一回事。

价格：Decart 的十二分之一

这次发布最狠的其实是定价。

先说对标。海外做得最快的是以色列的 Decart，今年 5 月刚完成 3 亿美元融资，估值 40 亿美元，Lucy 系列模型在直播和虚拟试穿上开始跑测试。Decart 的实时视频编辑 API 定价是 每秒 0.02 美元（720p），一小时 72 美元。

Xmax X2.0 的价格是：

• 海外 6 美元/小时（约为 Decart 的 1/12）
• 国内 20 元人民币/小时

用一个具体场景算账：一个电商用户花 3 分钟在线试穿衣服，按 Decart 的价格是 3.6 美元。这个成本对绝大多数零售商都是不能承受的。降到十分之一以下，才有可能规模化铺开。

实时交互视频这条路线，卡在"能不能商用"上不是能力问题，是单位经济模型问题。X2.0 这次基本上是把成本天花板砸穿了。

落地场景：不再是 demo

直播和 MCN

直播行业过去几年一直在找互动深度的突破口。快手做过弹幕游戏，抖音做过直播间互动道具，但都跳不出"评论区互动"的底层逻辑。原因很简单：传统直播视频流是单向的、不可编辑的。观众发弹幕，主播看到再反应，这中间隔着一整个反馈回路。

CharX + ClothX + VibeX + Free 组合起来，直播间就变成了一块观众可以直接操控的画布。观众打一行字，主播的衣服换了；再打一行，背景变成赛博朋克风了。这是把用户互动从"文字反馈"升级到"视觉反馈"的结构性变化。

电商试穿

ClothX 的场景很直接：打开手机摄像头对着自己，衣服实时替换，你自己的体型、动态、光线全保留。

这跟现在市面上的"虚拟试穿"完全不是一个东西。传统方案要么是套一张模特图，要么是合成一张静态效果图。ClothX 展示的是"这件衣服穿在我身上、在当下这个环境"的真实动态效果——你转身、你抬手，衣服跟着动。

虚拟陪伴与 AR

DimX 想解决的是虚拟内容和物理空间的隔离。对着桌面做个手势，一个虚拟角色凭空出现，能感知你的位置和动作，跟你互动。

听起来像 Apple Vision Pro 那套东西，但 X2.0 只需要一部手机摄像头。

团队背景

创始人史佳欣是清华计算机本博，博士就读于清华 KEG 实验室。团队核心成员大多来自清华 KEG 和 HCI 实验室，也有华为"天才少年"、字节、快手的人。

KEG 是国内顶级 AI Lab，智谱就是从这里出来的。HCI 是国内人机交互的重镇。算法 + 交互，两条线的人凑在一起做实时交互视频，路径是对的。

一点判断

实时交互视频这个方向，2026 年上半年会是关键窗口期。

一方面，海外 Decart 拿了大额融资在跑，国内除了 Xmax 基本空白。另一方面，画质军备竞赛已经卷到边际收益很低的阶段，头部模型继续堆参数堆数据，用户感知不到差异了。差异化路线里，"可交互"是少数还能撬动新场景的方向。

X2.0 开放 API 这个动作也值得注意。X1 时代还是自己做 X-cam 应用给用户玩，X2.0 直接把能力打包给开发者。这是从"做产品"转向"做平台"的信号——他们判断这套能力上面能长出的应用形态太多，自己做不完，不如把地基铺好让别人去盖楼。

短期看，最容易起量的是电商试穿和直播互动，因为 ROI 算得清楚。中长期看，虚拟陪伴、AR 这些场景更有想象空间，但需要更多外部生态一起跑。

OpenAI Hub 也在跟进接入 Xmax X2.0 的 API 能力，开发者可以通过统一 Key 调用主流视频模型做对比测试。至于"视频作为交互界面"这个新形态最终会长出什么样的产品，现在还没人说得清。但基础设施铺到这一步，游戏才算刚开始。

参考来源

• 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 - 知乎：量子位对 X2.0 发布的详细报道