JoyAI-VL-Interaction

JoyAI-VL-Interaction 是一个开源的实时视频-语言交互模型，旨在实现视觉驱动的主动式多模态交互。其核心功能包括：毫秒级延迟的连续视频流理解、基于视觉事件触发的自主响应（而非被动问答）、轻量级8B模型设计支持本地部署，以及可扩展的代理委托机制（如将复杂任务转交后台大模型）。技术上采用时间对齐的视频-语言交互数据训练，整套系统包含模型、训练方案、数据集和可直接部署的实时推理框架。适用于智能家居监护、工业安全巡检、无障碍辅助、教育陪伴等需低延迟、高上下文感知能力的实时人机共现场景。