智東西
作者 江宇
編輯 漠影

大廠AI戰(zhàn)局升溫，轉(zhuǎn)型幾乎成為共識。模型在進化，Agent在落地，但成本高、落地難、數(shù)據(jù)不夠，行業(yè)還在補課。

而京東在AI上的布局已然聚焦清晰：圍繞供應(yīng)鏈優(yōu)勢，推進具身智能，讓AI真正進入物理世界。此次推出的一體化圖像模型——JoyAI-Image-Edit，高度適用于生成電商、具身智能訓(xùn)練圖片。

近日，京東開源圖像模型JoyAI-Image-Edit，將空間智能納入圖像理解與編輯，讓AI開始處理真實世界中的空間關(guān)系，讓模型真正“理解空間，編輯空間”。

簡單解釋，這是一個以空間智能為核心的圖像生成與編輯模型，讓AI真正“看懂”三維空間，從而讓生成更合理、編輯更精準。

從公開評測來看，JoyAI-Image-Edit各項指標顯著領(lǐng)先，邁進了國際第一梯隊：空間理解刷新同量級開源模型SOTA，達到世界一流水平，大部分指標媲美或超越閉源模型 Gemini 2.5 Pro。長文本生成中英文雙語領(lǐng)先，圖像編輯能力全面覆蓋，空間編輯精度甚至超過部分視頻世界模型。

智東西也實測了一番，在物體位置調(diào)整這類場景中，模型能夠穩(wěn)定保持結(jié)構(gòu)一致性。

值得注意的是，此番調(diào)整的物體在畫幅中僅占據(jù)很小比例，且原物體并非形狀規(guī)則，為毛絨材質(zhì)，并帶有手部細節(jié)。即便如此，模型在移動或旋轉(zhuǎn)時仍能有效減少透視錯亂與遮擋問題，畫面整體保持自然。

▲輸入圖與指令（左）、輸出圖（右）

進一步看，這類能力的主要落點，在電商內(nèi)容生產(chǎn)與具身智能訓(xùn)練這兩類場景尤為適配，進而也能延展到建筑設(shè)計、游戲開發(fā)和影視制作等場景。電商和具身，恰好與京東現(xiàn)有的AI布局形成了直接呼應(yīng)。

一、把“空間智能”寫進模型：從“會改圖”到“會動空間”，圖像編輯能力開始分層

傳統(tǒng)圖像編輯模型的短板集中在空間層。語義能跟上，但空間關(guān)系容易崩，例如替換物體、修改姿態(tài)時，常出現(xiàn)比例失真、遮擋錯誤、光影不一致等問題，本質(zhì)是缺乏幾何層面的理解能力。

JoyAI-Image-Edit則把“空間編輯”單獨拉出來做能力核心。模型在支持15類通用編輯任務(wù)之外，進一步支持物體移動、旋轉(zhuǎn)、視角變換等空間級操作，并可理解“移動0.3米”“旋轉(zhuǎn)45度”等具備明確幾何參數(shù)的指令，讓編輯過程具備“可控性”。

在能力結(jié)構(gòu)上，模型還采用MLLM+VAE+擴散模型（MMDiT）的統(tǒng)一架構(gòu)。

具體來說，MLLM負責(zé)空間理解與語義建模，擴散模型執(zhí)行生成與編輯，空間信息直接參與生成過程，形成“理解—生成—再理解”的循環(huán)。

空間能力是怎么提升起來的？答案在于數(shù)據(jù)體系的重構(gòu)——包括300萬規(guī)模的OpenSpatial-3M數(shù)據(jù)集、多視角生成數(shù)據(jù)，以及可記錄精確位姿參數(shù)的空間編輯數(shù)據(jù)。這些數(shù)據(jù)引導(dǎo)模型在訓(xùn)練階段學(xué)習(xí)真實幾何關(guān)系。

得益于這種設(shè)計，在2D語義感知、3D空間理解、4D時空推理三個層級共13項Benchmark上，JoyAI-Image-Edit在9項空間理解Benchmark上均取得顯著提升，平均分達到64.4，追平閉源的Gemini-2.5-Pro。

在SpatialEdit-Bench上，JoyAI-Image-Edit的空間編輯能力表現(xiàn)尤為突出：Object Overall Score為0.649、Camera Overall Score為0.571，大幅領(lǐng)先所有圖像編輯模型，空間編輯精度超越Veo3.1、ViduQ2-Turbo和Kling等視頻世界模型。

與此同時，在業(yè)界權(quán)威的榜單GEdit（偏向中文指令評測和真實用戶需求）和ImgEdit（偏向全面覆蓋的能力評測，強調(diào)推理和精細化編輯能力）上，JoyAI-Image-Edit得分分別為8.27和4.57，刷新開源圖像編輯模型SOTA。

▲在249道評測集黑盒人工評測成績：JoyAI-Image-Edit表現(xiàn)優(yōu)于Qwen-Image-Edit-2511以及Flux2.Dev

由此可見，將空間理解、生成和編輯整合在同一體系，可以使模型不僅知道“畫什么”，還知道“物體在什么位置、如何變化、是否合理”。

當圖像可以被真正“操作”，而不只是簡單修改時，圖像模型的能力邊界也隨之被重新定義。

二、電商+具身場景高可用，空間能力開始直接“變現(xiàn)”

空間能力成立以后，最先吃到紅利的，就是最依賴“真實世界”的場景。

在電商領(lǐng)域，商品多視角生成、虛擬試衣、商品擺位調(diào)整等任務(wù)對空間一致性要求極高。

JoyAI-Image-Edit的空間編輯能力——可以移動物體、旋轉(zhuǎn)角度、調(diào)整視角，并理解具體幾何參數(shù)——在電商場景下帶來了非常直觀的應(yīng)用價值。

比如服飾和鞋類商品，經(jīng)常需要展示不同角度、姿態(tài)或搭配組合。使用該模型，可以在原始圖片基礎(chǔ)上一鍵調(diào)整衣服折疊角度、鞋子擺放方向或包包手持位置，生成多角度素材，同時保持整體比例、光影和背景一致。

▲輸入圖（左）、輸出圖（右）、指令：Rotate the sneaker to show the front view

類似地，對于家電、家具或小型電子產(chǎn)品，空間編輯可讓商品在不同場景下“自動換位”或旋轉(zhuǎn)展示，如沙發(fā)在不同房間角度、咖啡機在不同臺面布局，無需重拍，就能生成多角度素材。

結(jié)合模型的通用編輯能力，還可以同時進行文字標注、色彩微調(diào)和背景修飾等“一鍵精修”式功能，實現(xiàn)一次操作完成多種需求。

這樣，電商團隊能夠快速產(chǎn)出多角度、精修、高可用的商品圖，大幅降低拍攝成本，同時保證展示效果的統(tǒng)一。

在具身智能訓(xùn)練中，這些能力同樣適用。

機器人依賴大量真實世界數(shù)據(jù)，但采集成本高、周期長。該模型可以生成具備空間一致性的高質(zhì)量圖像數(shù)據(jù)，用于補充訓(xùn)練數(shù)據(jù)，與真實采集數(shù)據(jù)形成互補，從而提高訓(xùn)練效率和模型效果，輔助解決具身行業(yè)的數(shù)據(jù)難題。

此外，通過生成新視角輔助空間推理（Thinking with Novel Views），模型不僅用于內(nèi)容生產(chǎn)，也能反向提升空間理解能力，為機器人“看懂世界”提供支持。

由此可見，無論是電商還是具身智能，本質(zhì)都依賴空間理解能力，而JoyAI-Image-Edit正是最直接落地的工具。

三、開源模型亮相，AI全景布局浮現(xiàn)端倪

這次開源JoyAI-Image-Edit顯然是京東聚焦于走向?qū)嶓w世界這一宏大AI布局的一部分，但通過觀察可以發(fā)現(xiàn)，開源并不是它唯一的動作。

除了這一模型，京東不久前還開源了JoyAI-LLM Flash模型，能力上在同等參數(shù)規(guī)模下顯著提升了性能與效率，降低開發(fā)者使用門檻，避免單純的參數(shù)規(guī)模競爭。

與此同時，京東在供應(yīng)鏈和線下場景中的動作也在悄然推進：一方面，建設(shè)全球最大的具身智能數(shù)據(jù)采集中心，結(jié)合模型生成能力進行訓(xùn)練，為數(shù)據(jù)難題提供了新的解法；另一方面，通過JoyInside將AI能力嵌入家電、機器人、AI玩具終端，讓模型直接落地真實環(huán)境，和用戶產(chǎn)生大量深度交互。

從開源模型的應(yīng)用和這些場景動作結(jié)合來看，可以明顯感受到京東在模型、數(shù)據(jù)和終端之間嘗試形成閉環(huán)。

開源或許只是早期的一步，而京東在產(chǎn)業(yè)場景中不斷深挖AI實踐與價值，則讓我們得以觀察到其AI能力的潛在落地路徑。

結(jié)語：京東一手開源，一手落地

從JoyAI-Image-Edit這次開源動作可以看到，京東在AI上的選擇很明確：一手開源，一手落地。

在模型側(cè)，持續(xù)開放能力，把門檻降下來，讓更多開發(fā)者可以直接用起來；在場景側(cè)，把AI嵌入供應(yīng)鏈、物理世界、真實產(chǎn)業(yè)場景，從數(shù)據(jù)、模型到終端形成閉環(huán)，讓能力在真實環(huán)境中跑通。

可見，京東的AI戰(zhàn)略更為務(wù)實。

供應(yīng)鏈是京東最硬的一張牌。在AI時代，這張牌的價值進一步放大——模型可以嵌入商品、物流與設(shè)備，數(shù)據(jù)可以持續(xù)回流，能力可以不斷迭代。

在今天，AI有望成為京東的另一張“增長引擎牌”。

注：文中部分輸入圖來源于Arena