7 月 15 日，Xmax 发布通用实时交互 AI 视频模型 X2.0。它主打的转变是：把 AI 视频从”输入提示、等它渲染出结果”，变成”你实时参与、实时控制”——摄像头前的你可以被即时替换形象、换装、换风格，画面随你的动作和输入即时改变。配套开放了 API 与行业合作接口。
已知事实
- 毫秒级响应：X2.0 实现接近零延迟的毫秒级响应，把用户从”等待 AI 渲染结果”带向”实时参与和控制”。
- 单张消费级显卡运行：通过注意力矩阵稀疏化、FP8 量化等压缩技术，X2.0 可在单张消费级 GPU 上流畅运行。
- 画质：视频质量从 480p 升级到 960p@24fps。
- 实时变换能力：基于统一的交互架构，实现 CharX（实时换人）、ClothX（实时换装）、VibeX（实时换风格），多种效果可自由组合。
- 多模态交互：支持文本控制、画面交互、空间交互等多种方式，可理解摄像头画面、视频流与手势。
- 端侧推理：据官方，X2.0 在最新款 iPhone 上实现 384p@16fps 的流式推理，被其称为”首个支持实时交互的端侧视频生成模型”。
- 定价（报道口径）：有报道称其 API 定价约为海外同类产品 Decart 的十分之一，此为报道口径。
横向与纵向定位
横向看，X2.0 踩在近期一个集中爆发的方向上——”实时交互视频”。短短数日内，多款主打”实时可玩”的产品接连落地（如高德的世界模型工坊、以实时视频驱动的游戏引擎等）。X2.0 的差异化集中在两点：一是延迟，把响应压到毫秒级，让”生成”变成”可即时操控”；二是部署门槛，靠稀疏化与量化把模型压进单张消费级显卡、甚至手机端。它要解决的不是”画得多好看”，而是”能不能实时地被人操控和参与”。
纵向看，AI 视频生成正从”离线生成一段成片”，走向”实时生成、可交互的画面流”。早期比拼画质与时长，如今一条新线是比拼延迟与交互性——视频不再只是被观看的结果，而是可以像界面一样被实时操作的媒介。这条线对虚拟直播、实时特效、互动内容、端侧应用有直接想象空间；而”端侧、消费级硬件可跑”若如官方所述成立，则意味着实时交互视频可能从云端走向个人设备，其实际画质、稳定性与延迟表现仍需以真实使用检验。
⚠️ 待核实：”毫秒级响应”“单张消费级显卡 960p@24fps”“iPhone 端 384p@16fps”“API 为 Decart 约 1/10”等均为官方/报道口径，实际延迟、画质、机型要求与稳定性需以实测为准；”全球首个可玩／首个端侧实时交互视频模型”为厂商与媒体表述，宜谨慎对待；换人/换装/换风格的实际效果与可控度需在真实场景验证。
Xmax X2.0 以毫秒级响应把 AI 视频从”等渲染”推向”实时可玩”，并靠稀疏化与量化实现单张消费级显卡乃至手机端运行，代表 AI 视频生成从”离线成片”向”实时、可交互画面流”演进；它为虚拟直播、实时特效与互动内容提供了新的技术形态，对沉浸式与交互创作有直接想象空间，其各项性能指标的实际水平仍待以公开实测确认。
参考来源：
- 量子位（X2.0 发布）：https://www.qbitai.com/2026/07/450130.html
- 新浪科技（把视频变成可玩的界面）：https://finance.sina.com.cn/tech/discovery/2026-07-15/doc-inihxhnx7916883.shtml
- 凤凰科技（实时交互模型发布）：https://tech.ifeng.com/c/8uko8JgQNQD
- 每日经济（实时交互内容市场）：https://cn.dailyeconomic.com/2026/07/15/152259.html
- Xmax 官网：https://xmax.ai/