本报讯 （记者陈红）据Xmax AI官方消息，Xmax AI近日正式发布全球首个虚实融合的实时交互视频生成模型——X1。该模型实现毫秒级实时视频生成和低门槛的手势交互，可将虚拟内容实时、无缝地融入现实物理空间，打破了AI视频生成“预制内容”的传统范式。目前，Xmax AI已通过技术演示应用X-cam beta开放了X1模型的能力体验，用户可通过TestFlight下载。

　　当前，全球AI视频生成领域发展势头迅猛，行业企业纷纷在画质、时长和分辨率上展开技术角逐，相关技术主要服务于影视、广告等专业领域的生产力需求。但现有技术路线多聚焦于“文生视频”的单向输出，对于普通用户而言，复杂的操作流程、漫长的生成等待时间以及内容缺乏互动性，使得AI视频生成难以真正融入日常生活。

　　针对这一行业痛点，Xmax AI选择“虚实融合+实时交互”的技术路线，X1模型无需复杂的提示词，也无需漫长的云端渲染等待，仅凭手机摄像头和直觉化手势，即可实现虚拟与现实的无缝融合，推动AI视频从“被动的消费内容”向“共创体验”跃迁，让AI视频实现“人人可玩”。

　　基于X1模型的实时生成能力，Xmax AI落地了四大核心玩法，覆盖多元交互场景。一是次元互动，上传任意角色图，通过手机摄像头对准现实平面，即可将角色实时置入现实场景，虚拟角色能对触摸、捏握等手势做出精准的动态与物理反馈；二是世界滤镜，上传指定风格图片后，摄像头捕捉的现实画面可实现实时全域风格化转化，动作同步保持风格一致性与连贯性；三是触控动图，上传静态照片后，通过触摸屏拖拽照片中的元素，可唤醒并操控角色做出相应动作；四是表情捕手，镜头对准人物后选择指定表情Emoji，AI可实时生成神态精准的动态表情包。

　　X1模型的技术实现，源于团队在算法与工程层面的核心突破。为实现极速响应与精准意图理解，Xmax AI团队创新端到端流式重渲染架构，实现帧级自回归DiT模型，通过多阶段蒸馏压缩与对抗训练，将扩散采样速度大幅提升；同时构建统一交互模型架构，融合空间三维关系与屏幕二维操作，让模型能精准解析“捏”“拖拽”等复杂用户意图。针对虚实融合数据稀缺的行业困境，团队还搭建了半自动化合成管线，筑牢技术壁垒的同时，也为AI视频生成领域储备了数字资产。

　　硬核技术的突破，依托专业的研发团队。据悉，Xmax AI团队汇聚了来自华为“天才少年”计划、清华大学KEG与HCI实验室、香港科技大学（广州），以及字节跳动、快手等高校和头部企业的顶尖人才，兼具算法研发与工程落地能力。

　　Xmax AI方面表示，X1模型和X-cam应用只是企业布局的开端，团队正致力于定义全新的内容交互范式，搭建下一代内容交互引擎。X1模型的推出，让AI视频从单纯的内容生成走向虚实融合的实时交互，为行业发展提供了全新的技术方向。