我們先來看兩個畫面。
第一個畫面：
把手機鏡頭對準桌上一隻手辦 玩偶 ，屏幕裏，這隻塑料小玩偶開始眨眼睛，一下從沉睡的狀態醒了過來。
第二個畫面：
三位女生在一間普通的辦公室面對攝像頭隨意做動作，右邊立馬輸出了她們實時變成了機械美少女的造型。
機械結構和光影跟着身體實時變化， 幾乎 0延遲。
沒錯，你可能會說這個不是很簡單嗎，隨便一個 AI視頻模型都能做到。
但這個東西厲害的地方在於，它是實時的， 流式 輸出 的，不需要上傳和等待。
這個體驗有點意思，今天我們就來盤一盤它 ——
這個東西叫 Xmax X2.0，一個通用實時交互視頻模型，今天0點官方剛剛在X上官宣發佈，同步開放API。
一起來看一看它背後那條正在悄悄換賽道的AI視頻戰線。
一、 Xmax X2.0是什麼？
Xmax X2.0來自Xmax AI，一家Slogan叫Play the World through AI的公司。它給自己的定義是：通用實時交互視頻模型。
主打兩個關鍵詞：實時，交互。
這次開放了三大類能力 ——
實時重渲：包括 CharX實時換人（人變、背景不變）、ClothX實時換裝（只有衣服變）、VibeX實時換風格（連人帶背景整體變） 。
共同點是毫秒級、幀級的流式替換，原始的動作和光影被完整保留。
一張照片裏的小貓，點一下被喚醒，開始動，拖到哪走到哪，畫面變成了可以操作的對象。
次元互動：主打功能 DimX，通過攝像頭把虛擬角色召喚到現實裏，也可以反過來，拿現實物品給虛擬角色定位。
比如把手裏的毛絨玩具直接變成指定IP，桌上的手辦在鏡頭裏活過來，還能摸、能對視。
5項 功能 之外，還有一個 Free模式，用自由文字控制效果，眼睛發射激光、渾身着火變骷髏這類需求統統能滿足，主打一個自由整活。
這裏需要說明： X2.0並非換裝濾鏡或者AR貼紙的升級版。
它是底層模型能力的一次迭代，真正值錢的地方在於，這些交互方式可以自由組合、隨意泛化，去覆蓋直播、短劇、遊戲這些可能 的 場景，這個邏輯後面講商業時會展開。
再說一說團隊。
創始人史佳欣，清華計算機博士，核心技術團隊來自清華 KEG實驗室和HCI實驗室。
前者就是孵化出智譜的那個實驗室，國內大模型含金量最高的學術班底之一。
核心成員來自字節、阿里等大廠，做過基礎模型、做過C端產品、做過遊戲，從底層技術到應用玩法全棧打通。
今年
2月，他們發佈了全球首個虛實融合的實時交互視頻模型
Xmax X1。
4個月後，Xmax X2.0 把畫質從 480p拉到了960p、24fps ，交互能力的邊界又擴了一大圈。
二、理解 Xmax X2.0背後的技術
要理解 Xmax X2.0 的位置，可以畫一個簡單的 2×2矩陣——
橫軸是生成方式，離線還是實時；縱軸是消費方式，只能看還是能上手。
左下角那個格子（離線生成、只能看）有： Sora、Veo、可靈、海螺，產出物是一個固定的視頻文件。
左上角（離線內容、能上手）是互動影視和遊戲，能玩，但靠預製素材和遊戲引擎硬堆，成本高得嚇人。
右下角有數字人直播等分支在競爭，而Xmax就處在右上角。
爲什麼右上角這個象限的玩家少？
因爲它很難 ——
第一道是實時。
人機交互領域有個經典結論， Jakob Nielsen在《可用性工程》裏給過三個閾值：
100毫秒以內，人感覺是即時的；1秒是思維不被打斷的上限；超過10秒，注意力直接丟失。交互要形成心流，延遲必須壓進毫秒級。
第二道是交互理解。
大多數視頻模型只認識 Prompt，你要它看懂觸屏、看懂手勢、看懂攝像頭裏的物理世界很難，我的理解是，這些模型和物理世界的帶寬很窄。
第三道是數據。
虛實融合的效果需要專業的高質量訓練數據，這類數據在互聯網上很稀缺，生產成本高。
傳統視頻模型用雙向 attention對整段視頻聯合建模，全部算完才能看，Xmax走的是流媒體路線，幀級自迴歸DiT架構，邊生成邊播。
但流式化通常會一頭撞上速度、成本、質量的不可能三角。
Xmax採用多階段多目標融合蒸餾，大幅壓縮推理採樣時間，同時讓上下文持久化，保證長時間生成不掉質量。
再加注意力矩陣稀疏化和FP8量化，最終把模型壓到單張消費級顯卡就能滿血運行。
還有一個容易被忽略但我認爲有分量的突破：
Xmax X2.0 已經部署到了移動端，在最新款 iPhone上本地跑出384@16fps的流式推理，是全球首個能在端側實時運行的交互視頻生成模型。
三、 Xmax X2.0未來的可能性
Xmax X2.0的升級，在我看來，它落地方向其實很廣，覆蓋智能硬件、消費、文旅、虛擬陪伴、AI社交、互動視頻等一長串領域。
我把它們整理成四個方向 ——
第一條，內容消費方向。
先說直播。
這幾天世界盃正踢到決賽周，你可以想象這樣一個直播間：主播一鍵換上主隊球衣，觀衆發條彈幕，主播的衣服、動作甚至整個畫面風格就跟着變。
直播關注的是互動率和停留時長，過去主播靠話術和福袋拿捏觀衆，現在觀衆可以直接上手改畫面，這應該還是挺帶勁的。
對 MCN來說，過去做一個虛擬形象直播間， 需要 動捕設備、建模等 多個流程 ， 成本不低，現在真人主播隨時變身，整套重資產直接省掉。
再說短劇。
截至去年 7月，國內微短劇用戶已達6.96億，2024年市場規模505億元，歷史上第一次超過電影票房，用戶日均使用時長101分鐘，追平了即時通訊。
在這麼大一個盤子上， Xmax X2.0 未來可能解鎖的玩法是：
看到一半，把主角實時換成自己，爽劇的盡頭是自己當主角，換臉當主角、劇情由我定，都是現成的增值付費點。
第二條，消費決策方向。
電商女裝的平均退貨率常年在 50%到60%，直播間甚至能衝到80%以上，商家後臺退款理由的第一名是貨不對版，有人被逼到給衣服掛上巨型吊牌防蹭穿。
問題的根源是自己和模特之間的差異。
ClothX的實時換裝等於把試衣間搬進屏幕，一分鐘試完一整個購物車，主播講解的同時，觀衆在自己身上同步看效果。
確定性上去，退貨率就會下來。
商家新款上架不再需要棚拍和模特檔期，一個真人主播一晚上就能過完全店 SKU，內容成本也跟着塌方式下降。
文旅這邊，參考一下漢服經濟：
光洛陽一個城市，漢服體驗館就超過 1200家，一件租金一百多塊的漢服，能帶動妝造、跟拍、餐飲住宿至少600塊的衍生消費。
但傳統模式的瓶頸也擺在那兒，選衣、化妝和造型，整個流程很漫長。
Xmax
X2.0則可以這麼玩
：
站在景區鏡頭前，一秒換上精緻古裝，變身在古蹟前拍大片，體驗的邊際成本幾乎歸零，對景區來說，等於多出一個二銷 SKU。
第三條，情緒價值方向。
情緒價值這幾年很能打，我們看兩組數據：
乙女遊戲《戀與深空》全球用戶突破 8000萬，上線兩年累計收入超9億美元。泡泡瑪特2025年營收371億元，同比增長185%。
Labubu所在的THE MONSTERS一個系列賣了141.6億，成爲全球首個百億級潮玩IP。
爲情緒掏錢，已經是這個時代確定性最高的消費行爲之一。
Xmax X2.0 也可以這條線加 buff。
比如心儀的二次元角色跨過屏幕來到你房間，攝像頭對準桌上老公的立牌，他在屏幕裏活了，可以摸，可以對視。
再比如捉寵玩法：在現實街頭捕捉虛擬寵物，伸手比個手勢它就圍着你撒嬌。
當年寶可夢 GO靠一層簡單的AR貼圖就做到了年流水10億美元量級，實時生成版的想象空間還是很大的。
還有動態壁紙：一張小貓照片做壁紙，辦公間隙抬起手機點一下，它活過來跟你互動。
第四條，硬件線：智能眼鏡、端側設備。
智能眼鏡在 IDC口徑下2025年中國市場出貨量同比增長121%，到2029年，全球出貨量預計將突破4000萬臺。
而眼鏡這個品類，天生就是攝像頭加屏幕， Xmax的想象是：透過智能眼鏡自定義肉眼所見世界的風格，把整個現實變成可換膚的界面。
支撐這條線的，正是前面說的端側突破。
Xmax X2.0 能在 iPhone上本地實時推理，意味着這份能力可以不依賴雲端，塞進每一臺終端設備，成本和隱私兩個問題一次解決。
從這個意義上，每一塊有攝像頭和屏幕的玻璃都是潛在入口。
四、這些場景爲什麼直到今天才可能成立？
上面這些場景，坦率講大部分早就有人想到過，爲什麼直到 Xmax X2.0才讓其成爲可能？
我們用俞軍那個經典的產品價值公式來算：
用戶價值 =（新體驗 - 舊體驗）- 替換成本。
新體驗這一項，靠毫秒級實時撐起來。回到 Nielsen的三閾值，只有把延遲壓進毫秒級，交互纔有心流，體驗才能像刷抖音一樣絲滑，這是及格線。
舊體驗這一項，是等待數秒甚至數十秒的生成，這種斷裂感在技術 demo裏可能還能看得過去，放進消費場景很顯然行不通。
替換成本，則被 Xmax X2.0 從下面幾個方面
首先交互成本下降了，現在我們之所以看到 P rompt 教程，恰恰說明寫 P rompt本身就是普通人最大的使用成本。
X2.0大部分時候不需要想 P rompt，隨手一劃就能改變視頻內容，用戶教育成本極低。
然後是畫質門檻， 480p是demo，960p、24fps纔算過了消費體驗的合格線，用戶不會爲糊成一團的畫面掏錢，這次升級補齊了這塊板。
接下來是價格門檻， X2.0把API價格打到了 每小時 20人民幣 ，處在行業最低檔。
算筆賬：一個直播間開滿 8小時，成本160塊，隨便成交一單就覆蓋了。這纔是B端敢規模化接入的價格，也是長尾開發者玩得起的價格，此外還可以端側部署。
正是因爲這幾點，從技術 demo到落地應用這個體驗公式的值第一次顯著爲正。
再延伸一下，內容產業幹了一百年，本質上是門庫存生意：先生產，後分發。
好萊塢一年拍幾百部電影壓箱底， Netflix 每年砸 170 多億美元填內容庫，哪怕強如抖音，推薦算法再神，分發的也全是已經拍好的存貨。
製造業早就走完了這條進化線：福特流水線解決大規模生產，豐田解決精益生產， C2M 解決按需定製。
而內容業停在了半路：個性化的只有分發環節，你和我刷到的視頻順序不同，但每條視頻本身，對所有人一模一樣。
Xmax X2.0 補上了最後一環：內容在被消費的那一瞬間才生成，你拖拽的軌跡、你換上的衣服、你召喚的角色，都讓你手裏這條視頻成爲全世界唯一的版本。
Xmax X2.0 所代表的方向是內容產業的按需生產線，而按需生產改造過的每一個行業，市場都比改造前大了一個數量級。
結語
最後聊點行業層面的判斷。
生成側的競爭的確非常激烈，但它服務的主體依然是創作者，是作用於生產端而非消費端，普通人跟 AI視頻的關係，還停留在看。
而實時交互側纔剛剛開局： Genie 3還在測試階段，Decart剛拿到投資的彈藥，而 Xmax X2.0 直接把開放 API和端側部署兩張牌同時打了出來。
Xmax給自己的定位是：全球領先的流式視頻token提供方。
沒錯，視頻正在從文件變成流、從內容變成界面，按 token計價的實時視頻流，大概率會成爲技術和產業的重要方向。
麥克盧漢六十年前說媒介即信息，其核心思想是： 真正塑造社會的，從來都是媒介形態本身，內容本身反倒在其次。
而這一次，視頻從能看變成能玩，就是是媒介本身在重構。
媒介已變，你準備好了嗎？
- 完-
作者簡介：衛夕，公衆號“衛夕指北”出品人，科技專欄作者，專寫長文，專寫不一樣的，專注剖析AI、廣告及互聯網的底層邏輯；不關注這個賬號，你都不知道你會錯過神馬！