清华 Xmax AI 推出实时交互视频模型 X1：伸手就能与虚拟角色互动

如果想跟屏幕里的数码宠物互动，通常要么得用手柄，要么得戳屏幕。清华大学 Xmax AI 团队想把这个边界抹平。

把手伸进视频里

他们推出了实时交互视频模型 X1。

X1 最大的亮点在于支持手机摄像头捕捉。你不用外接任何手柄或传感器，只要伸出手，模型就能通过手势识别实时响应你的动作，让你直接触摸并操控画面里的虚拟角色。

按照团队的说法，X1 具备毫秒级超低延迟以及无限时长生成的特性。目前团队已经在社交平台上开放了免费内测申请。

为什么重要

生成式视频从单向播放走向实时交互，是一个必然的技术拐点。

过去大部分视频生成模型只能算「离线渲染」，生成完了大家看个热闹。X1 聪明的地方在于切入了轻量级的手机交互场景，把硬件门槛压到了最低。

不过从演示走到日常可用，毫秒级响应下如何保证画面不崩溃、手势物理反馈是否自然，都是摆在前面的硬骨头。感兴趣的开发者和玩家，倒不妨先去申请个内测探探虚实。