企业官网建设流程全解析

前几天刷到京东刚发布的一个新模型，叫 JoyAI-VL-Interaction。

有意思的不是它又刷了什么榜，也不是参数又涨了多少。恰恰相反，这个模型只有8B 参数，放在今天动不动几十上百亿的大模型里，简直算个小个子。

却做了一件以前 AI 不会做的事。

你有没有过这种感觉，用 AI 的时候总觉得它慢半拍。锅里的汤扑出来了，你得先喊一声，它才反应过来。老人在家摔倒了，等你想到要 AI 去看一眼，人可能已经在地上躺了好几分钟。

以前我一直以为这是速度问题。模型不够快，网络不够好。

看完这个模型的技术报告和演示，我才发现这根本不是快不快的问题。是设计问题。

一、你不问，它不说

今天我们用的所有 AI，骨子里都是一个模式，回合制。

你问一句，它答一句。你不问，它就不说。哪怕有视频通话功能，能看见你屏幕上的内容，说到底也还是你触发一下，它反应一下。

聊天、查资料、写东西，这模式没问题，甚至挺好的——需要的时候才出现，不打扰你。

但放到真实世界里，这个设计就有大问题了。真实世界不会等你。汤扑出来不会等你喊完再扑，人摔倒了不会等你想起来再摔。

而回合制的 AI，永远是在你问的那个瞬间才开始「看」。之前发生了什么不知道，之后会发生什么也不关心，只处理你抛给它的那一帧、那一个问题。

问题出在「谁决定什么时候说话」。回合制 AI，决策权在你手里。它永远不会主动开口，哪怕天塌下来了，只要你没问，它就假装没看见。

二、一个新东西，叫交互模型

那有没有一种 AI，不是这样工作的？

有。京东这次发布的 JoyAI-VL-Interaction，走的就是另一条路。官方把它叫做「视觉驱动的交互模型」。

最简单的理解，就是把「什么时候说话」的决策权，从你手里交到了 AI 手里。

它不是等你问了才看、才想、才说。它是一直在看，一直在判断，然后自己决定，这个时刻值不值得开口。

值得，它就说。不值得，它就闭嘴。

就这么一个变化，把整个 AI 的工作方式都改变了。

以前的 AI 像顾问，你去找它，它才出主意。交互模型像一个跟你一起在场的人，同处一个空间，看着同一件事发生。它不会一直说话烦你，但关键时刻会开口。

这个差异说起来好像不大，不就是主动和被动的区别吗。

但你仔细想，这个区别太大了。我觉得是从命令行到图形界面那么大——不是功能更强了，是整个交互的范式变了。

图形界面为什么是范式跃迁？因为它把「你告诉电脑做什么」变成了「电脑展示选项，你选」。决策权和信息呈现的方式，整个反过来了。

交互模型也是一样。以前你得知道「什么时候该问 AI 什么」，AI 再聪明，你想不到问，它就等于不存在。以后 AI 一直在那儿，它判断什么时候该说话。大多数时候它是安静的，但该出现的时候，它就在。

难的不是「能说话」，是「知道什么时候该说话、什么时候该闭嘴」。

三、每秒都在做选择，以及怎么做到的

难在哪里呢。难在分寸感。

说早了聒噪，说晚了错过时机，说多了烦人，说少了像摆设。你想想那些聚会里总插话的人，或者该说话时又沉默的人，就知道「知道什么时候开口」有多难。

JoyAI-VL-Interaction 的核心机制说起来简单，每秒钟做一次决策，有三个选项。

说话，觉得值得说就开口。沉默，没什么好说的就继续看。委托，觉得自己搞不定就丢给后台大模型处理，自己继续盯着画面。

就这三个选项，每秒选一次。

要把这三个选择做得像个正常人，背后需要的东西不少。得看懂眼前发生了什么，能持续跟踪场景；得有时间感和记忆；最难的是，得有「判断什么时候该说」的直觉，这个没法用规则写死。

京东的做法是，用400 万+带时间戳的交互样本去训练，让模型自己从数据里学出分寸感。

8B 的小模型，又要实时跑又要做决策，怎么做到的。有几个关键设计。

第一个是双循环架构。前台是 8B 交互模型，快、轻，负责实时盯画面、做决策；后台接更大的模型和工具，处理前台搞不定的任务。前台把重活丢给后台，自己继续盯着画面不中断。小的干轻活、大的干重活，各司其职。

另外两个关键设计是AdaCodec预测性视频编码和时间对齐的训练数据。前者挑变化大的帧细看、变化小的帧略过，省 token；后者的核心是 400 万+样本每一帧都标注了「该不该说话」，是连续的时序标注。数据的形态变了，模型长出来的能力就变了。

四、这些事，以前真的做不到

说起来有点抽象，我挑一个最有代表性的场景——监控告警。

这个场景最能体现交互模型和回合制的区别。你让回合制 AI 「帮我盯着，有人摔倒了告诉我」，官网上的对比演示里，Doubao 在摔倒发生后大约 20 秒才反应过来，Gemini 干脆把它当成了视频问答任务，往后看而不是实时告警。

20 秒是什么概念。老人摔到地上，黄金救助时间可能就那几分钟。20 秒延迟，放在安全监控里，基本等于没用。

JoyAI-VL-Interaction 呢，摔倒发生的瞬间就发出警告了。不是因为它推理更快，是因为它一直在看，事件发生的那一刻它就在场。

这不是速度的胜利，是范式的胜利。

实时翻译、实时计数、长时记忆这些场景也是一个道理——不是大模型能力不行，是「持续跟进」这个动作，回合制模型根本就不会。官网展示的九大能力，有一个共同点：都需要持续在场这个前提。而持续在场，恰恰是回合制模型的设计盲区。

就像一条鱼，在水里游得比谁都快，但你让它在路上走，它一步都走不了。不是不够强壮，是身体结构不对。

五、8B 的小个子，赢了大模型

光看演示可能有人会说，是不是挑了对自己有利的场景啊。有没有更客观的评估。

有的。

京东做了一个挺扎实的评测，找了 58 个真实的视觉交互场景，涵盖监控告警、实时翻译、直播解说、实时计数、时间感知、长时记忆这些方向，然后让人来做两两对比评估。

对比的对手是豆包和 Gemini 的视频通话助手。

结果是这样的，人类评估员认为 JoyAI-VL-Interaction 表现更好的比例，对豆包是77.6%，对 Gemini 是87.9%。

这个数字挺震撼的。因为 JoyAI-VL-Interaction 只有 8B 参数。而它对比的这两位，都是比它大得多的模型。

小模型赢大模型，而且赢的幅度还不小，这在 AI 领域是挺少见的事。

分场景看更有意思。监控告警 100% 赢两者，范式碾压。实时翻译 80% 赢豆包，实时计数 70% 赢豆包，长时视觉记忆 77.8% 赢两者。这些数据来源是官方技术报告和官网的评估页面，测试方法是人类评估员的两两对比。

当然这里得说一句，这个评测是京东自己做的，场景也是他们选的。你可以说它有偏向性，专门挑了自己擅长的场景。这也合理。

但我觉得哪怕打个折看，结论也是站得住的。就是在「需要持续在场、主动决策」的场景里，一个专门为交互设计的小模型，确实比一个大得多的回合制模型表现更好。

这不是因为小模型更聪明。

是因为路线对了。

六、一个彩蛋，没教过也会

我觉得这篇报告里最有意思的发现，是涌现能力。

什么叫涌现呢，就是训练的时候没教过，但模型练完了自己就会了。

最典型的是购物 APP 引导——跟着用户在 APP 里操作，实时指路。训练数据里根本没这个，主要是监控、翻译、计数这些场景，没教过它怎么陪人逛购物 APP。但它就是会了。还有即兴演讲也一样，给个幻灯片能一边翻页一边即兴讲解，跟上节奏，这个训练数据里也完全没有。

为什么会这样呢。

我自己的理解是，当模型真正学会了「持续在场 + 主动决策」这个底层能力之后，很多具体的应用场景就自然长出来了。底层能力通了，上层的具体表现就会自动涌现。

「在场」是一个底层能力。一旦模型真的理解了「我要一直看着，该说的时候说，不该说的时候不说」，那么监控、翻译、购物引导，其实只是换了个内容而已，形式是一样的。

这意味着交互模型可能还有很多我们没想到的应用场景。现在展示的九大能力，可能只是冰山一角。

七、它的边界在哪里

说了这么多好的，也得说说不好的。我一直觉得，看一个技术靠不靠谱，很重要的标准就是看它敢不敢说自己不行的地方。

JoyAI-VL-Interaction 的局限性，官方自己也列了，挺实在的。

第一个就是规模差距。8B 毕竟是 8B，在需要深度推理、复杂知识的任务上，跟大模型还是有差距的。比如数学证明、复杂代码，它肯定不如 GPT 或 Claude。这也是为什么它设计了双循环架构，遇到难的就丢给后台。前台 8B 模型的定位就是「看场子的」，不是「干重活的」。

第二个是幻觉问题。所有大模型都有幻觉，交互模型也不例外。而且因为它是主动说话的，幻觉可能更麻烦——被动的 AI 你问了它才瞎答，主动的 AI 可能自己就开始瞎说了。官方也承认，某些场景下会出现不准确的描述，长时间观察后记忆偏差的概率更高。这个问题短期内不会完全解决，是整个行业的通病。

除此之外，目前评测的 58 个场景主要集中在视觉交互比较直接的领域，更复杂的场景效果还有待验证。隐私问题也是一个现实挑战。

所以我觉得，交互模型是一个很重要的方向，但现在还很早。它打开了一扇门，但门后面的路还很长。

八、全栈开源，才是真正的杀招

说到这儿还得提一下开源。

京东这次不是只开源了模型权重，是全栈开源。模型、训练配方、数据、完整的可部署系统，全放出来了。官方说计划 2026 年 6 月 20 日在 GitHub 完整发布。

什么概念呢，拿到仓库照着文档搭一下，自己就能跑一个实时在场的 AI 助手。接个摄像头就能用，不用依赖任何大厂的 API。

我觉得这个事的意义，可能比模型本身还大。

一个范式能不能普及，关键看门槛。只有少数大厂能玩，发展速度就有限。人人都能拿来用、拿来改、做自己的东西，生态速度就完全不一样了。

而且这个模型只有 8B，一张消费级显卡就能跑。门槛低到什么程度，一个学生、一个小团队，就能基于它做自己的交互应用。

不是这个模型有多厉害。是从此以后，「在场 AI」不再是只有大厂实验室里才有的概念，变成了人人都能摸到、能玩、能改的东西。

九、从工具到在场者

收尾的时候，我想聊点更远的。

我一直在想，AI 到底会以什么样的方式进入我们的生活。最早以为是工具，需要的时候打开，用完就关掉。后来大模型出来了，以为是助理，对话式地帮你完成任务。

但现在我越来越觉得，可能都不是。

AI 最终的形态，可能是「在场」。它不是你打开 APP 才能用的东西，也不是喊一声才出现的东西。它一直在那儿，像空气一样，大多数时候沉默，但关键时刻永远在场。

人类发明工具的历史，就是不断「延长在场」的过程。望远镜让视线到场，电话让声音到场，视频让影像到场。而 AI，第一次让「注意力」和「判断力」也能到场。你的人不用在那儿，但 AI 代理可以替你看着、听着、判断着。

这不是遥远的科幻。京东这个 8B 的小模型，已经在这条路上走出了扎扎实实的第一步。

当然，这条路还很长。技术的、伦理的、法律的，问题一大堆。但方向，我觉得是对的。

从「你问我答」到「主动在场」。

从「工具」到「在场者」。

这可能就是 AI 的下一个范式。而我们，刚好站在这个转变的起点上。

如果你对大模型、视频生成这些方向感兴趣，也欢迎来群里一起学习交流。 扫码即可加入：