7 月 15 日,清华系创立的 Xmax AI 发布通用实时交互 AI 视频模型 Xmax X2.0,并同步开放 API。和 Vidu S1、阿里 Wan-Streamer 等云端实时路线不同,X2.0 把实时与端侧同时塞进了同一份模型权重。核心技术是逐帧自回归生成架构——传统扩散模型需等整段算完再吐结果,X2.0 改为每生成一帧即推送给前端,把批渲染拆成流式输出。配合推理优化与模型压缩,响应压到毫秒级近乎零延迟,分辨率从 X1 的 480p 提到 960p@24fps,延迟与画质同步反向升级。功能层面,X2.0 把 CharX 实时换人、ClothX 实时换装、VibeX 风格迁移、MoX 触屏交互整合到统一架构,镜头流、手势、prompt 都能作控制信号。更值得关注的是端侧落地。X2.0 已在最新款 iPhone 上跑通 384@16fps 本地流式推理,在消费级显卡上稳定运行。实时交互视频从需要数据中心 GPU 集群支撑的能力,推进到手机、智能眼镜随手可用的工具层。这给文旅数字导览、电商实时试穿、短剧互动、AR 滤镜补上了低延迟与终端可部署的关键拼图。但 X2.0 更偏应用加工程成果而非前沿架构突破:逐帧自回归不是新范式,真正考验其长期价值是端侧画质与一致性,以及 SDK 在生产环境的稳定性。这条路要跑通,还得看后续业务场景的真实反馈。