又一国产模型黑马出世，追平Gemini 2.5 Pro，空间编辑反超视频模型？

智东西
作者 江宇
编辑 漠影

大厂AI战局升温，转型几乎成为共识。模型在进化，Agent在落地，但成本高、落地难、数据不够，行业还在补课。

而京东在AI上的布局已然聚焦清晰：围绕供应链优势，推进具身智能，让AI真正进入物理世界。此次推出的一体化图像模型——JoyAI-Image-Edit，高度适用于生成电商、具身智能训练图片。

近日，京东开源图像模型JoyAI-Image-Edit，将空间智能纳入图像理解与编辑，让AI开始处理真实世界中的空间关系，让模型真正“理解空间，编辑空间”。

简单解释，这是一个以空间智能为核心的图像生成与编辑模型，让AI真正“看懂”三维空间，从而让生成更合理、编辑更精准。

从公开评测来看，JoyAI-Image-Edit各项指标显著领先，迈进了国际第一梯队：空间理解刷新同量级开源模型SOTA，达到世界一流水平，大部分指标媲美或超越闭源模型 Gemini 2.5 Pro。长文本生成中英文双语领先，图像编辑能力全面覆盖，空间编辑精度甚至超过部分视频世界模型。

智东西也实测了一番，在物体位置调整这类场景中，模型能够稳定保持结构一致性。

值得注意的是，此番调整的物体在画幅中仅占据很小比例，且原物体并非形状规则，为毛绒材质，并带有手部细节。即便如此，模型在移动或旋转时仍能有效减少透视错乱与遮挡问题，画面整体保持自然。

▲输入图与指令（左）、输出图（右）

进一步看，这类能力的主要落点，在电商内容生产与具身智能训练这两类场景尤为适配，进而也能延展到建筑设计、游戏开发和影视制作等场景。电商和具身，恰好与京东现有的AI布局形成了直接呼应。

一、把“空间智能”写进模型：从“会改图”到“会动空间”，图像编辑能力开始分层

传统图像编辑模型的短板集中在空间层。语义能跟上，但空间关系容易崩，例如替换物体、修改姿态时，常出现比例失真、遮挡错误、光影不一致等问题，本质是缺乏几何层面的理解能力。

JoyAI-Image-Edit则把“空间编辑”单独拉出来做能力核心。模型在支持15类通用编辑任务之外，进一步支持物体移动、旋转、视角变换等空间级操作，并可理解“移动0.3米”“旋转45度”等具备明确几何参数的指令，让编辑过程具备“可控性”。

在能力结构上，模型还采用MLLM+VAE+扩散模型（MMDiT）的统一架构。

具体来说，MLLM负责空间理解与语义建模，扩散模型执行生成与编辑，空间信息直接参与生成过程，形成“理解—生成—再理解”的循环。

空间能力是怎么提升起来的？答案在于数据体系的重构——包括300万规模的OpenSpatial-3M数据集、多视角生成数据，以及可记录精确位姿参数的空间编辑数据。这些数据引导模型在训练阶段学习真实几何关系。

得益于这种设计，在2D语义感知、3D空间理解、4D时空推理三个层级共13项Benchmark上，JoyAI-Image-Edit在9项空间理解Benchmark上均取得显著提升，平均分达到64.4，追平闭源的Gemini-2.5-Pro。

在SpatialEdit-Bench上，JoyAI-Image-Edit的空间编辑能力表现尤为突出：Object Overall Score为0.649、Camera Overall Score为0.571，大幅领先所有图像编辑模型，空间编辑精度超越Veo3.1、ViduQ2-Turbo和Kling等视频世界模型。

与此同时，在业界权威的榜单GEdit（偏向中文指令评测和真实用户需求）和ImgEdit（偏向全面覆盖的能力评测，强调推理和精细化编辑能力）上，JoyAI-Image-Edit得分分别为8.27和4.57，刷新开源图像编辑模型SOTA。

▲在249道评测集黑盒人工评测成绩：JoyAI-Image-Edit表现优于Qwen-Image-Edit-2511以及Flux2.Dev

由此可见，将空间理解、生成和编辑整合在同一体系，可以使模型不仅知道“画什么”，还知道“物体在什么位置、如何变化、是否合理”。

当图像可以被真正“操作”，而不只是简单修改时，图像模型的能力边界也随之被重新定义。

二、电商+具身场景高可用，空间能力开始直接“变现”

空间能力成立以后，最先吃到红利的，就是最依赖“真实世界”的场景。

在电商领域，商品多视角生成、虚拟试衣、商品摆位调整等任务对空间一致性要求极高。

JoyAI-Image-Edit的空间编辑能力——可以移动物体、旋转角度、调整视角，并理解具体几何参数——在电商场景下带来了非常直观的应用价值。

比如服饰和鞋类商品，经常需要展示不同角度、姿态或搭配组合。使用该模型，可以在原始图片基础上一键调整衣服折叠角度、鞋子摆放方向或包包手持位置，生成多角度素材，同时保持整体比例、光影和背景一致。

▲输入图（左）、输出图（右）、指令：Rotate the sneaker to show the front view

类似地，对于家电、家具或小型电子产品，空间编辑可让商品在不同场景下“自动换位”或旋转展示，如沙发在不同房间角度、咖啡机在不同台面布局，无需重拍，就能生成多角度素材。

结合模型的通用编辑能力，还可以同时进行文字标注、色彩微调和背景修饰等“一键精修”式功能，实现一次操作完成多种需求。

这样，电商团队能够快速产出多角度、精修、高可用的商品图，大幅降低拍摄成本，同时保证展示效果的统一。

在具身智能训练中，这些能力同样适用。

机器人依赖大量真实世界数据，但采集成本高、周期长。该模型可以生成具备空间一致性的高质量图像数据，用于补充训练数据，与真实采集数据形成互补，从而提高训练效率和模型效果，辅助解决具身行业的数据难题。

此外，通过生成新视角辅助空间推理（Thinking with Novel Views），模型不仅用于内容生产，也能反向提升空间理解能力，为机器人“看懂世界”提供支持。

由此可见，无论是电商还是具身智能，本质都依赖空间理解能力，而JoyAI-Image-Edit正是最直接落地的工具。

三、开源模型亮相，AI全景布局浮现端倪

这次开源JoyAI-Image-Edit显然是京东聚焦于走向实体世界这一宏大AI布局的一部分，但通过观察可以发现，开源并不是它唯一的动作。

除了这一模型，京东不久前还开源了JoyAI-LLM Flash模型，能力上在同等参数规模下显著提升了性能与效率，降低开发者使用门槛，避免单纯的参数规模竞争。

与此同时，京东在供应链和线下场景中的动作也在悄然推进：一方面，建设全球最大的具身智能数据采集中心，结合模型生成能力进行训练，为数据难题提供了新的解法；另一方面，通过JoyInside将AI能力嵌入家电、机器人、AI玩具终端，让模型直接落地真实环境，和用户产生大量深度交互。

从开源模型的应用和这些场景动作结合来看，可以明显感受到京东在模型、数据和终端之间尝试形成闭环。

开源或许只是早期的一步，而京东在产业场景中不断深挖AI实践与价值，则让我们得以观察到其AI能力的潜在落地路径。

结语：京东一手开源，一手落地

从JoyAI-Image-Edit这次开源动作可以看到，京东在AI上的选择很明确：一手开源，一手落地。

在模型侧，持续开放能力，把门槛降下来，让更多开发者可以直接用起来；在场景侧，把AI嵌入供应链、物理世界、真实产业场景，从数据、模型到终端形成闭环，让能力在真实环境中跑通。

可见，京东的AI战略更为务实。

供应链是京东最硬的一张牌。在AI时代，这张牌的价值进一步放大——模型可以嵌入商品、物流与设备，数据可以持续回流，能力可以不断迭代。

在今天，AI有望成为京东的另一张“增长引擎牌”。

注：文中部分输入图来源于Arena