京东开源 JoyAI-Video-Edit：160 亿参数实时视频编辑
京东开源 JoyAI-Video-Edit，160 亿参数、Apache 2.0 协议，单张 NVIDIA B200 上以约 30 FPS 完成 720P 视频实时编辑。
8 月 5 日，京东开源团队放出 JoyAI-Video-Edit 的权重、部署代码与技术报告。这是一个 160 亿参数的指令式视频编辑模型，主打「实时」——不是提交任务等渲染，而是边输入边出片。
具体能力
模型以多模态扩散 Transformer 为骨干，改造成分块自回归生成：视频按因果分块进出，不需要预知未来帧。这也顺带拆掉了扩散类视频编辑常见的定长限制，理论上可处理无限长输入。京东给出的端到端指标是：单张 NVIDIA B200 上 720×1280 分辨率达到 30.19 FPS——大致就是「能处理直播流而非文件」的门槛线。
为此论文提出两项蒸馏设计。Source-Anchored DMD 在压缩采样步数的同时把输出锚定在原始素材上，缓解少步蒸馏后画面「跑偏」、丢失源片信息的问题；Long-Horizon Autoregressive Distillation 则针对误差累积——自回归生成中每一块都以自己上一块的瑕疵输出为条件，长序列下画质会持续劣化。作者的自动评测与人工评测显示，该模型明显优于现有流式视频编辑方案，在短片与长片上都能与更慢的离线系统正面掰手腕。
权重托管在 Hugging Face 的 jdopensource/JoyAI-Video-Edit，同时提供在线 demo，代码与 checkpoint 均为 Apache 2.0。论文编号 arXiv 2608.03974。
为什么重要
目前绝大多数生成式视频工具仍是「批处理」形态：写提示词、排队、看结果。实时编辑属于另一个产品品类——直播、虚拟制片、片场预览、视频会议——长期卡住它的不是画质，而是延迟与时长上限。一个宽松许可、单卡就能跑到 30FPS 的 160 亿参数模型，把这个品类交到了自己训不出模型的团队手里。这也延续了京东的开源路径：不去卷前沿语言模型，而是持续放出能直接用的多模态模型。在闭源 AIGC 厂商纷纷宣传实时能力却不放权重的当下，这一步把标准抬高了。