你有没有过这种时刻：手上沾着面粉，锅里水快溢出来了，小孩正往灶台边跑。你手忙脚乱的时候忽然想起，要是能问一句AI就好了。可等你擦干手、打开手机、打完字，那个该提醒你的瞬间，早就过去了。
现实世界不会暂停等你提问。而你现在用的AI，不管是聊天框里的，还是视频通话里的，本质上都守着同一条规矩：你问一句，它答一句；你不说话，它就安安静静待着。
京东6月干了一件事，开源了一个叫JoyAI-VL-Interaction的实时视频交互模型。它的做法跟过去完全不一样：不等你问，它一直在看，该开口的时候，自己开口。
现在的AI，为什么关键时刻总慢半拍
要理解京东这次做了什么，得先看清今天所有大模型的一个共同毛病：它们是”轮次制”的。
什么叫轮次制？就是你问一句它答一句，你不触发它就不响应。哪怕你打开某些App的视频通话功能，看起来你们在实时对话，底下跑的还是问答系统。
这套设计原本就是用来做对话的，不是用来待在一个一直变化的真实世界里。所以关键时刻它总慢半拍：监控里事故发生了，它二十秒后才反应；直播里观众想要的产品一闪而过，它根本没跟上。
这不是算得不够快，是从设计那天起，就没打算让它主动。
京东推的是另一种思路：交互模型
“交互模型”这个概念，是Thinking Machines Lab最近提出来的。思路很朴素：让模型像个人一样待在场景里，一直在看现在发生了什么，自己判断这一秒值不值得开口，该说就说，不该说就闭嘴，遇到搞不定的难题就甩给后台更强的模型。
京东的JoyAI-VL-Interaction，是第一个把这种模型连同训练方法、数据、整套系统一起全栈开源的。8B参数规模，视觉优先，把”看画面”这件事放在第一位。
这个模型每秒只干一件事：自己决定这一秒是说话、保持沉默，还是把任务委托给后台模型。三选一，自己做主。
它到底能干什么
把”交互能力”直接训练进模型，而不是外挂一层调度程序，会自然长出一批传统助手做不到的能力。官方展示了九类，我挑几个好懂的：
-
• 实时翻译：视频里字幕一条条蹦出来，它实时翻，一条不落。 -
• 监控预警：有人摔倒、出现异常，它当场报警，比同类产品快二十秒。 -
• 实时计数：健身动作、飞镖中靶这种重复动作，它一下一下帮你数。 -
• 时间感知：让它”二十秒后提醒”或”每三秒响应一次”，它能掐准节奏。 -
• 长程记忆：记住几分钟前画面里某个细节，不会看完就忘。 -
• 委托解题：遇到画图表、做证明这种难题，它甩给后台模型，自己还能同时跟你聊天。 
这些任务，轮次制模型一个都做不好，不管它单次答得多快。
两个关键技术，说人话
光说能力不够，背后有两处设计值得一聊。
第一处，语音没有揉进模型里。它被做成了可插拔的输入输出，模型唯一的活就是看画面、判断时机，职责单一。语音进来走流式识别，出去走流式合成，谁都能换成自己的。
第二处叫AdaCodec，一个预测式的视频编码器。直觉是这样的：画面没怎么变的时候，它只用很少的”篇幅”来表示；等场景真发生变化了，才把完整细节补上去。这样消耗是慢慢涨，而不是每一帧都涨一截，模型才能撑住长时间实时，不会越看越卡。
训练数据是400多万条逐秒标注的片段，每一条都标好了”什么时候该说话、该沉默、该委托”，然后再用强化学习精调。整个行为是学出来的，不是写死的规则。
评测成绩：小模型在主场打赢大产品
评测做得挺扎实，也好懂。58个真实的事件驱动场景，每一个都同时录下JoyAI-VL-Interaction和豆包或Gemini的视频通话，然后人工逐对比较，既比说的好不好，也比说的及不及时。
结果：对豆包总胜率77.6%，对Gemini是87.9%。最能拉开差距的几个场景，恰恰都是最吃时间的，监控预警对两家都是全胜，实时翻译和实时计数几乎不输。
团队也很坦诚：豆包和Gemini背后是远比它大的模型，还经过好多年产品打磨，开放聊天、个人风格那种长尾知识，8B的小模型确实打不过。它只是在”实时在场、视觉触发主动性、对时间的感觉”这几块，也就是交互模型自己的优势区，这个小开源模型反倒领先了。
一个8B的开源小模型，能在自己的主场打赢那些被重度优化的大产品，想想还挺带劲。
开源的不是黑盒，是一整套能跑起来的东西
光有模型还不够，京东这次放出来的是完整的四件套：8B的模型权重、训练方法、400多万条逐秒标注的数据，还有整套能直接部署的系统。
整套系统跑在标准的vLLM推理框架上，设计思路很清楚：模型是唯一决定”什么时候行动”的部分，其他所有组件都可插拔。流式语音识别、流式语音合成、长程记忆模块、可视化界面，还有一个”桥接器”让模型把难题交给任意后台模型或API，拿到答案再折回来，而且整个过程里，模型还在继续盯着画面。
任何一个组件你都能换成自己的，不用推倒重来。对做具身智能、安防监控、直播、陪伴类应用的开发者来说，这是一个能直接拿去改的起点，不是个黑盒demo。代码在GitHub上，搜”jd-opensource”组织下的JoyAI-VL-Interaction就能找到。
最后几句话
团队在报告最后写了一个画面，我觉得挺打动人的。
你累了一天回到家，还没开口，一个声音就先注意到你，说：”我看你今天挺累的，这一天一定很辛苦。”
这种不需要你开口请求、主动给你的”在场感”，是交互模型能做到、而轮次制模型永远做不到的。这扇通向”实时在场”的大门，京东这次算是给撬开了。