9月9日，京东全球科技探索者大会（JDD）上，京东探索研究院一口气亮出两张AI新牌：一个能连续生成超过10分钟音视频的模型JoyAI-Echo 1.5，另一个是开源的“可交互视听世界模型”EchoWM。前者把AI视频从几十秒拉到10分钟量级，后者让AI生成的内容不再只能看，还能走进去、动手探索。
先说说那个能拍10分钟长片的JoyAI-Echo 1.5。过去AI生成视频，画面里的人动不动就换脸、声音对不上嘴、故事讲着讲着就跑了。京东这次用了一个叫“音视频Memory Bank”的架构，说白了就是给AI配了一个记忆库，多镜头切换、长时间生成时，人物的长相、声音、故事线索都能牢牢记住不跑偏。速度上，经过长视频后训练，推理效率最高提升了7.5倍——只需要2张H200显卡，就能在480P画质下每秒生成24帧，做到1:1等时生成。什么意思？就是视频生成花多久，你看视频就花多久，不用干等。另外还有一个Director Agent，你用大白话跟它说故事，它能把故事展开、分镜规划、生成审核、成片组装整套流程全包了。
再来看EchoWM。现在市面上的世界模型基本分两派：一派能跟着你的操作实时生成画面，但没声音；另一派能同时生成音视频，但你想钻进去改内容就很难。EchoWM把这两类能力捏在了一起——原生联合生成720P视频、环境音、背景音乐和语音，声音会随着场景、镜头和人物运动同步变化。更关键的是，它通过一个统一的“相机意图”，同时支持第一人称导航、第三人称摄像机与主体协同控制，还有多轮连续探索。在WBench Navigation评测里，EchoWM和它的四步因果流式版本EchoWM-Flash直接包揽前两名，EchoWM在158个多轮导航案例的榜单上拿了综合第一。
底座层面，京东这次集中亮出了JoyAI基础模型矩阵，覆盖图像与视频生成、多模态理解、实时交互、世界建模、智能语音和具身操作，把JoyAI从单纯的内容生成往动态环境的感知、模拟与交互推。现场还展示了新一代音视频基础模型JoyAI-Video，重点强化商业视频生成、物理规律呈现、第一人称视角和多镜头连续叙事，瞄准电商广告、短剧创作和具身智能演练，计划10月正式发布。模型之外，京东同步展出了EgoLive真实数据、JoyAI-Sim仿真转换工具链和大模型基础设施，搭起从真实数据、仿真转换到模型研发的支撑体系。
产业落地上，零售、物流、医疗、工业、政务五大行业模型和智能体也集中亮相：零售多模态模型管图搜、智能导购和素材质检；物流超脑3.0用Agentic框架把决策、流程和物理执行串起来；京医千询3.0强化医疗影像分析、模拟问诊和可信推理；工业大模型扎进专业选型、维保和CAD设计；政务大模型服务政策咨询、智能办公和数据分析。
从能生成内容，到能进入内容、操控内容，京东这次在JDD上释放的信号很明确：AI不只是帮你写写画画的生产工具，它正在变成一个你可以走进去、动手玩的动态世界。基础模型创新与产业AI实践双线推进，这条从数字世界通往物理世界的路，京东已经迈出了实质性的一步。