上海
日前，《科創板日報》記者獨家獲悉，京東團隊即將于近期開源視覺語言實時交互模型JoyAI-VL-Interaction。該模型想解決的問題，不只是讓模型更會"看視頻"，而是讓模型能夠通過攝像頭等實時視頻流持續觀察現實世界，并自己判斷什么時候該回應、什么時候該保持沉默、以及什么時候把任務委托給后臺agent。換句話說，它試圖把多模態大模型從傳統的"一問一答"，推進到"實時流式交互"。在 58 個案例中，JoyAI-VL-Interaction 對豆包的總體勝率為 77.6%，對 Gemini 的總體勝率為 87.9%。其中，在監控預警場景中，對兩個基線均取得 100% 勝率。這次的創新到底意味著什么？
首先，變被動為主動是其核心價值。大模型現在的算力成本極高，而在傳統的一問一答模式下，算力其實存在巨大的結構性浪費。用戶不問，模型就不動，一旦遇到突發情況，比如監控里的火情或者老人摔倒，等用戶去提問，往往已經錯過了最佳干預時機。京東這個模型的核心邏輯，是讓AI“持續在場”，并且知道什么時候該保持沉默，什么時候該主動開口。更關鍵的是，它把前臺和后臺任務做了切割。前臺一個小模型盯著視頻流做實時輕量判斷，遇到搞不定的，再丟給后臺的大模型或者Agent去深度推理。這實際上是一種非常精妙的產業分工在AI架構上的投射。這叫資源配置的最優化。用輕量級算力解決高頻低復雜度的實時感知，用重型算力解決低頻高復雜度的深度計算，這種架構直接把大模型在端側和邊緣側的落地門檻打了下來，符合產業降本增效的剛性訴求。
其次，京東開源的戰略價值無疑更大。國內開源圈這兩年挺熱鬧，但真正能貼近產業痛點、形成技術閉環的并不多。京東不僅將開源模型權重，連交互數據、訓練方法和完整系統全掏出來了，甚至把后臺接口都做好了橋接。這套模型開源，本質上是在下一盤生態大棋，開發者拿到這套東西，可以直接去安防監控、直播運營、無障礙輔助這些垂直場景里試錯，開發者用這套系統習慣了，業務流自然就跟京東的技術棧產生了黏性。所以，這不僅僅是個技術開源行為，更是京東在產業互聯網深水區里搶占地盤、提升產業話語權的戰略布局。
第三，京東開始搶占大模型市場的先發生態位了。現在市面上豆包、Gemini這些大廠產品，雖然聰明，但在很多實際場景里依然受限于“輪次制”的底層邏輯。京東這個模型在評測里能對豆包保持較高的勝率，靠的不是模型比它們更淵博，而是贏在了“時機”上。在產業環境里，時機就是金錢，甚至是生命。一個監控場景里，早零點幾秒預警，可能就能避免巨大的財產損失。把“何時開口”這個決策直接訓練進模型內部，打破了外部輪詢的延遲枷鎖，這是對傳統交互邏輯的實質性顛覆。當然，實事求是地講，一個8B規模的模型，指望它在通用知識庫和長尾場景里碾壓大參數模型是不現實的。但京東很聰明，它不硬扛，遇到復雜難題就委派給后臺處理。這種務實的工程妥協，恰恰說明京東懂產業。產業要的不是全能神，而是能在具體業務流里穩定運轉、及時響應的工具。
因此，京東此次技術迭代，核心價值不止于一款新模型的發布，而是重構了產業大模型的發展邏輯，在市場上規避掉直接的正面對抗，憑借自身產業場景積淀，持續打磨實時流式交互技術，跳出同質化競爭，為AI產業落地提供了全新路徑，這才是京東此次創新最值得我們關注的地方。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
