论文: Yicheng Xiao, Wenxun Dai 等 (京东 Joy Future Academy). JoyAI-Video-Edit: Real-Time Open-Ended Video Editing with Autoregressive Diffusion. arXiv:2608.03974, 2026.
补漏四条：
- "LongV2VBench" 的 229 个任务、视频长度统一 1 分钟,这条基准本身是论文真正的贡献之一。原帖讲"行业此前的盲区——评测集大多是不到 10 秒的短片段",但更关键的是 1 分钟视频下其他流式方案从短片的 2.0+ 综合分断崖式掉到 1.2-1.7——这个数据揭示的是"短期表现好 ≠ 长期可靠"这条行业最隐蔽的坑。京东团队等于在做产品的同时,把"评测维度必须包含长视频"这条新基准立起来了——这是 HuggingFace / 学术榜单未来半年最该抄走的部分。
- "Source-Anchored DMD" 的精妙在"训练时锚定、推理时脱钩"。原帖讲 SA-DMD 是把"文本指令引导强度"和"源视频保真度引导强度"通过 CFG 拆成两个独立旋钮,但更深一层是"这一拆只在训练阶段做、教师目标上做、部署后单一推理分支"——这种"考前抱佛脚、考试凭记忆"的工程哲学,本质是把推理时的计算负担提前转移到训练阶段消化。实时语音翻译、实时人脸重建、实时会议纪要——任何"实时 + 高质量"的场景都能套这个模板。这条经验比 JoyAI 本身更值钱。
- "16B + B200" 这两个数字绑在一起,等于把"实时视频编辑"锁在了高端硬件赛道。原帖讲京东正在优化 RTX 5090 支持,但消费级显卡跑 16B 参数 + 30 FPS 在 2026 H2 仍不现实——视频编辑的"普惠"门槛还卡在 GPU 价位。B200 单卡 4 万美元、RTX 5090 单卡 2500 美元——后者跑同模型大概只能到 8-10 FPS。JoyAI 在企业级直播 SaaS 里会有市场(京东自有电商直播、抖音 / 淘宝头部直播间),但到消费创作者手里还要再等一年半。
- "LongV2VBench vs OpenVE-Bench" 这两套基准的差异,实际上把"实时视频编辑"这条赛道劈成了两个子任务。OpenVE-Bench 评短片质量、LongV2VBench 评长视频稳定性——任何只在其中一个基准上得高分的方法都不算真的"实时编辑 SOTA"。这点原帖没讲清楚:JoyAI 3.60/3.30 双榜高分是真正难拿的,SANA-Streaming 在短片 2.62 但长视频 1.64,意味着它的"实时性"靠的是短时红利,长视频立刻现原形——这种细节对 B 端选型比单榜分数有用得多。