实时视频版 Nano Banana 来了：京东开源 JoyAI-Video-Edit 160 亿参数¶

Ch01.1087 实时视频版 Nano Banana 来了：京东开源 JoyAI-Video-Edit 160 亿参数¶

📊 Level ⭐⭐ | 5.7KB | entities/实时视频编辑模型-nano-banana-160亿.md

JoyAI-Video-Edit：160 亿参数的实时流式视频编辑模型¶

2026 年 8 月，京东开源 JoyAI-Video-Edit——视频编辑赛道里第一个同时做到"流式架构 + 实时速度 + 可用质量"的模型，被媒体称为"实时视频版的 Nano Banana"。720P 分辨率下模型推理速度达每秒 30 帧，系统端到端稳定在 24FPS，支持任意时长的稳定流式编辑：对着视频不断动嘴，就能实时渲染变老、变年轻、换装、换背景等视觉特效，直播、视频通话、摄像头画面、游戏画面都能"边播边改"。部署代码、技术报告、在线 Demo 和模型权重同天在 Hugging Face 和 GitHub 放出。

与 Seedance 2.5、MiniMax H3 等视频生成模型（从文字/图片造视频）和 Runway Aleph、VACE 等离线视频编辑模型（整段吃进、整段处理、整段吐出）不同，流式视频编辑是"第三件事"：实时处理任何一条"活的"视频流。此前流式模型（StreamDiffusionV2、LiveEdit 1.3B，SANA-Streaming 2B）为跑得快把模型做小、分辨率压到 480P，"快而废"；JoyAI-Video-Edit 用 16B 参数 + 720P，速度快 1.4 到 2 倍。

过两道硬坎：速度与时长¶

第一道坎是速度。 底层架构是 MLLM 条件编码器 + 因果视频 VAE + 16B 多模态扩散 Transformer，按自回归扩散编辑器训练部署。160 亿参数按正常流程跑一帧要迭代很多步，团队用 SA-DMD 训练方法把十几步迭代压缩到两步出图。单张 Nvidia B200 GPU 上：VAE 编码 22ms、DiT 去噪 185ms、VAE 解码 19ms，请求到响应延迟仅 226ms，端到端吞吐 30.1 FPS。

第二道坎是时长。 此前流式模型只能处理几秒到一两分钟，越往后画面越"漂"——自回归模型不断消费自己之前的输出，误差多轮累积成肉眼可见的崩坏。流式编辑比流式生成更难：要同时满足三个互相打架的约束（前面改的不能和后面打架、结果不能与原视频面目全非、同一条指令从头到尾改得一样）。解法是有界 KV 状态推理：只记住最近几段画面加视频开头第一帧当参照，其余扔掉，计算量和内存占用恒定；训练阶段专门让模型练习"只记一点点"条件下编辑长视频。结果是视频可以一直播、一直改，效果稳定。

评测成绩：流式断层第一，追平离线主流¶

短视频评测 OpenVE-Bench：JoyAI-Video-Edit 总分 3.60，对比流式模型 SANA-Streaming（2.62）、LiveEdit（2.00）、XMax-X2.0（1.87）、StreamDiffusionV2（1.23），五个子任务中四个拿下流式第一，局部删除 4.06 分甚至超过所有离线模型；此前流式模型区间 1.23-2.62 基本不可用，而商业闭源 Runway Aleph 3.45、PixVerse V6 3.05——3.60 已站进离线商业模型区间。长视频评测 LongV2VBench：全部五个类别排第一，总分 3.30，比最强对手 XMax-X2.0 高 1.59 分，速度 30.19 FPS 快 44.4%。人类评估对四个流式模型偏好率 90%、87%、87%、81%，对强离线模型 Bernini-R 为 48% 对 44% 微弱优势。

改变干活方式：从"等渲染"到"现场创作"¶

三层变化：第一，"等渲染"消失，226ms 延迟把后期变成现场；第二，从"一次拍摄 = 一个成品"变成"一次拍摄 = 无数个成品"，通过参考图引导编辑（RV2V）上传衣服图片即可实时换装、动作姿态全保留，电商直播里每件衣服都可能是为观众实时生成的版本；第三，摄像头和屏幕之间第一次多了一个可编程的语义层——流式编辑"看懂画面内容再改"且前后帧连贯，与逐帧套效果的滤镜本质不同。这类能力很可能先进预演、评审、远程协作环节。