京东全栈开源JoyAI-VL-Interaction，让大模型从一问一答走向边看边说

京东开源实时视频视觉语言交互模型JoyAI-VL-Interaction

  近日，京东开源实时视频视觉语言交互模型JoyAI-VL-Interaction，这个全栈开源的interaction模型和系统，获得vLLM-Omni的day-0原生支持。它让大模型从“一问一答”走向“边看边说”，开发者基于这套框架，可以快速搭建能持续观察、自主判断、即时响应的实景AI助手，有望推动AI在物理世界发挥巨大作用。

  今天很多多模态模型，重在比拼参数、知识和推理，本质上仍是“一问一答”，即用户上传图片或视频，提出问题，模型再给出回答。这种方式在图文问答、视频复盘、内容分析等场景中足够好用，但当AI进入真实世界，模型不只要聪明，更要“在场”。正在发生的真实世界，无数瞬息万变的时刻，错过就很难补救。

  京东开源的JoyAI-VL-Interaction，就是让AI像人一样持续“在场”：边看、边记、边判断，并在关键时刻主动回应，或选择性地交接给后台Agent。相比传统模型，JoyAI-VL-Interaction有三重突破：

第一是主动判断，而非被动回答

  传统模型通常要等用户发起问题，才开始处理当前画面，而JoyAI-VL-Interaction可以持续观察视频流，自主判断什么时候该说话，什么时候该沉默。

第二是实时响应，而非事后总结

  传统视频理解更多是上传完整视频后再分析，但在安防预警、实时翻译、直播解说、操作指导等场景里，晚几秒，体验和价值都会不同。而JoyAI-VL-Interaction面向正在发生的视频流，画面变化时就能响应。

第三是适时智能体委托，同时保持观察和交互

  JoyAI-VL-Interaction还具备后台任务委派能力与相关机制。当模型遇到生成代码、调用工具、复杂推理等任务时，可以交给后台大模型或Agent。前台模型继续观察现场，后台模型处理复杂任务，结果返回后再自然接回对话。它更像一套“前台实时助手+后台智能大脑”的协作系统：前台负责在场，后台负责干重活，有机会开启AI与人类协作的新范式。

  在实时视频流中，JoyAI-VL-Interaction每秒都会做一次判断，比如，继续观察、保持沉默，发现关键事件、主动回应，遇到复杂任务，交给后台Agent处理。这意味着，“什么时候说话”不再只靠外部规则或定时触发，而是成为模型自己学会的能力。

对实时交互来说，会说话很重要，会沉默也同样重要。一个好的AI助手，不应该一直打扰用户，而应该知道什么时候该出现，什么时候该安静，以及什么时候自己解决，什么时候交由agent解决。

  很多开源模型只提供基础推理能力。开发者如果要真正用起来，还需要自己处理视频接入、语音交互、记忆模块、前后端协同等工程问题。JoyAI-VL-Interaction开源的是完整技术栈，包括模型权重、交互数据集、训练方案和完整可部署系统，可以帮助开发者更快从模型研究走向真实场景落地。

  JoyAI-VL-Interaction支持摄像头、直播流、监控流等多种视频输入，也支持语音输入输出、可视化界面、长期记忆、后台模型接口和vLLM部署方案。ASR、TTS、可视化界面、后台模型、外部工具和业务模块，都可以按需替换。开发者可以接入自己的语音服务、Agent、API、业务系统或前端界面。

  换句话说，JoyAI-VL-Interaction不是封闭产品，而是一套开放框架。它既可以用于研究，也可以改造成安防监控、老人小孩看护、直播讲解、电商导购、操作指导、AI眼镜、无障碍辅助等实时AI助手。

  在评测中，JoyAI-VL-Interaction覆盖监控预警、实时计数、实时翻译、时间感知、直播导览解说等真实流式场景。

  今年以来，京东在模型基建方面取得多项重要进展。3月，京东开源基础大模型JoyAI-LLM Flash的Instruct版本，打破了大模型参数内卷的困局；4月，京东开源图像模型JoyAI-Image-Edit，空间理解与编辑能力达到世界一流水平。6月3日，京东又开源长视频生成模型JoyAI-Echo，推动长视频生成“所想即所得”时代到来，标志着京东在上述领域进入全球第一梯队。

  从“一问一答”到“边看边记边回应”，从离线视频理解到实时流式交互，从屏幕里的AI到物理世界里的AI——此次JoyAI-VL-Interaction的全栈开源，是京东把AI从数字世界推向物理世界的又一步。