知识卡片：Xmax AI 发布实时交互视频模型 X2.0 并开放商用 API

一句话结论

清华团队 Xmax AI 推出实时交互视频模型 X2.0，画质提升至 960p/24fps、延迟达到毫秒级，并开放 API 供商用，成本仅为竞品 Decart 的十二分之一，目标是将视频从单向观看变为可实时操控的交互界面。

事件概述

2026 年 7 月 16 日（腾讯研究院 AI 速递报道），Xmax AI 发布其实时交互视频模型 X2.0，面向企业客户开放商业 API。该模型采用端到端流式重渲染架构，支持实时操控视频画面，并已实现 iPhone 端侧推理。

方法/产品要点

• 画质与延迟：输出分辨率 960p，帧率 24fps，交互延迟做到毫秒级。
• 核心架构：端到端流式重渲染架构，支持实时反馈与画面操控。
• 开放能力：提供换人、换装、换风格、触控、次元互动五项预设能力，以及自定义 Free 模式。
• 端侧部署：已实现 iPhone 端侧推理，可在移动设备上运行。
• API 定价：API 成本约为竞品 Decart 的十二分之一。

主要结果或产业意义

• 应用场景：瞄准直播互动（如虚拟主播、实时换装）、电商试穿等需要实时交互视频的领域。
• 行业影响：试图将视频从“单向观看”转变为“可操作的交互界面”，可能重塑直播带货、在线教育、虚拟社交等行业的用户体验。
• 成本优势：极低的 API 成本使中小型开发者也能接入实时交互视频能力，加速技术普及。

为什么重要

• 与竞品 Decart 的对比：成本仅为十二分之一，意味着实时交互视频的商业化门槛大幅降低。
• 实时性与端侧推理的结合：在手机端实现毫秒级延迟的实时视频操控，此前主要依赖云端算力，X2.0 展示了端侧推理的可能性。
• 增量信息：相比已有实时视频生成模型（如 Sora、Runway 等侧重离线生成），X2.0 强调“实时交互”和“端到端流式重渲染”，是对视频生成赛道从生成到交互的范式突破。

局限与不确定性

• 材料未提及模型在复杂场景（如多人互动、高动态背景）下的稳定性与画质表现。
• 未说明 API 的具体计价模式与并发限制。
• iPhone 端侧推理的具体机型及性能表现待核实。
• 实时交互视频的延迟受网络条件影响，实际用户体验可能因环境而异。

可用于图书/PPT/简报的角度

• 技术演进角度：视频 AI 从“生成-等待”到“实时交互”的里程碑。
• 商业应用角度：电商直播、虚拟试衣、在线教育中的低成本实时互动方案。
• 成本对比角度：以 Decart 为参照，展示国产团队在工程优化和成本控制上的突破。
• 创业视角：实时交互视频 API 作为基础设施，可能催生新一批交互式应用。

原始材料

• URL: https://m.sohu.com/a/1050798744_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=4
• 英文标题: Xmax AI Releases X2.0, Real-time Interactive Video Model with Open API
• 英文关键词: real-time video, interactive AI, Xmax AI, X2.0, API, Decart, end-to-end streaming re-rendering