周畅庞天宇相继离职，多模态生成在大厂还吃香吗？

本文作者为字母AI，钛媒体经授权发布

梁文锋此前讲过：“视频生成、3D生成、世界模型，跟智能主线没有太大关系，我们不会去做。”

这番话与当时的形势正好相反。2026年上半年，多模态生成还是AI大厂的主线，各部门、各产品线、各负责人都是独立配置。

腾讯这边，大语言模型部和多模态模型部同级并行，图像、视频、3D生成由后者单独管；字节的多模态交互、世界模型、Seedream、Seedance等视觉生成业务，再加上机器人团队，都归周畅统一汇报；阿里则在4月推出了基于原生多模态架构的世界模型。

那阵子，多模态生成被看成“AI企业资金的共识出口”，大厂纷纷把它当成AI的新故事来讲。

可就在最近一周，两条消息接连传出。

10月31日，据Z Finance报道，字节Seed核心负责人周畅已经离职创业，方向是Physical AI，并拿到头部美元基金的支持。11月2日，多家信源称，腾讯混元首席研究科学家、多模态强化学习负责人庞天宇也已离职，他在职还不到9个月。

人才流失的背后，是大厂对多模态生成的态度变了。Agent等方向跑得快，算力和预算就被挪到了这些能看到增长的业务上。

在当下的叙事里，多模态生成更像一种“期权型业务”：大厂投点小钱，赢了收益不封顶，输了马上撤，本金还能收回来。

多模态生成是期权型业务？

多模态这门生意，token烧得厉害。

以图片为例，模型要先看懂图，就得把图拆成一块块小图像块。

一张224×224的图按14×14切块，是256个token；336×336则是576个。分辨率再往上，单图就上千；长视频是帧数乘以每帧的块数，数量级地往上涨。Transformer的注意力开销随序列长度平方增长，视觉序列一长，成本立刻被推高。

视觉理解加扩散式生成（VLM+DiT）这类架构要同时跑自回归和扩散，token消耗只多不少。

最典型的是OpenAI的Sora。App上线到OpenAI宣布关停，前后也就半年左右。外媒称，Sora每天算力成本100万美元，用户数量还在下滑。成本明显高过收入，公司最后选择止损。

推理端更烧钱。文本模型能把几十个请求批在一张卡上，多模态生成模型做不到，它每隔几毫秒就要生成一次环境状态，实时流式往外送，每个用户相当于独占一条GPU管道。

多模态生成还有个大麻烦是评分难，得靠大量评价人员给模型生成的内容打分。Seedance背后的数据评价团队就有上千人。

LLM可以用相对统一的基准打分，推理、代码、数学都行，版本之间能直接比，团队KPI也好对齐。

多模态生成恰恰相反。MMMG基准的作者说，多模态生成的可复现评测落后于模型本身的发展。人工评测被当作金标准，却没法大规模做，主观性又强，很难系统定位模型的弱点。

所以字节才要拉上千人的评测团队给Seedance做评测，核心就是靠人数堆叠，压低主观性对模型性能的影响。

一旦评价要依赖美学、时序连贯和人类偏好，你就很难用分数判断模型好坏，也很难判断这个模型团队还值不值得继续投资源。

比起“这个视频好看吗”这种明显主观的讨论，大家还是觉得“这个版本在基准上提升了几个点”更有讨论价值。

字节在Seedance上收入不错，但最关键的技术拐点其实是AGI，它就相当于行权价。

如果AGI真的非多模态生成不可，那就相当于兑现了；如果发现AGI并不需要多模态生成，那就是全部权利金归零。

大厂每月消耗的token，本质上就是一笔按月滚动的权利金。

眼下，认为AGI与多模态生成无关的人正变得越来越多。

GLM-5.2到5.3、DeepSeek V4 Flash到Pro，这两组模型都没做视觉扩展，仅靠后训练就把性能提了上去。K3的消融实验里，研究员直言“多模态数据每多一点，文本理解、Coding或者数学可能就会变差”。

杨立昆的表态更像一记重拳。随着他的H-JEPA论文走红，其主张的JEPA路线正被越来越多人接受。

JEPA的思路是在抽象表征空间里预测世界，整个过程不生成任何一个像素。理由是物理世界充斥着不可预测的随机细节，逐像素重建既浪费也不准确。这相当于从技术上论证了“AGI不需要像素级生成”。

业务部门的收缩也就顺理成章。腾讯二季度财报电话会后，资金明显向WorkBuddy倾斜，其他新AI产品的优先级则在往下调。

多模态生成究竟出了什么问题？

7月24日，腾讯TEG下发内部通知：大语言模型部、多模态模型部一并撤销，改设基础模型部，首席AI科学家姚顺雨兼任负责人，向TEG总裁卢山汇报。

腾讯当时给出的说法是“提升模型研发和协同效率，探索全模态模型的智能上限”。

这两个被撤的部门，是2025年4月拆分出来的。语言线负责文本推理，多模态线负责图像、视频与3D生成，两条线平级并行，腾讯内部叫“双轨研发”。

更早在3月20日，腾讯已经撤掉成立近十年的AI Lab，一部分人员转入大语言模型部，一部分去了产学研合作中心，计算机视觉、语音等原本独立的能力统一并入混元体系。

外界当时的普遍判断是，合并的真正原因在于大语言模型与多模态模型的训练标准不统一，技术难以互通，还会造成算力资源内耗。

一个月后，字节也动了。8月的组织调整中，周畅起家的视觉语言模型VLM被并入大模型LLM体系，成为LLM下面的一个数据子部门。一位Seed人士对36氪表示，“他丢了龙兴之地，基本就没有核心地盘了”。

原因在于，那时候要让大模型看见东西，得靠一种“胶水科技”。

做法是拿一个训好的纯文本LLM，前面接视觉编码器，把图片切成小块转成向量，中间再训一层投影，把向量翻译进语言模型的词表空间，最后与文字拼在一起喂进去。LLaVA、Qwen2-VL、DeepSeek-VL2当时走的都是这条路。

这套方案最大的优势就是便宜。

视觉编码器有开源的可用，语言模型是自家现成的，中间那层只需一层胶水把两边粘住。

独立的多模态部门，基本就是围绕这层胶水搭建的。有人负责视觉编码器，有人负责对齐数据，有人负责图文指令微调，有人负责评测。胶水还在，部门就有存在的理由。

可如今这层胶水已经没了，大厂纷纷转向原生多模态。从预训练第一层起，就把图像、文本、音频、视频的token混进同一条主干。

今年2月，阿里从Qwen3.5开始，通过早期融合把视觉能力放进主线模型，此后没有再发布新的通用VL理解模型。

目前大厂的多模态路线主要分两条。第一条是梁文锋的理解路线，让模型看懂图片、视频，回答的是怎么感知世界。这条路确实跑通了。

第二条则把视觉理解和扩散式生成塞进同一套架构，让模型在理解世界之外还能生成内容。

2025年GPT-4o问世后，谷歌、阿里、字节都试过这条路，但都没能跑通。

图像和视频生成依赖扩散模型，在连续潜空间里一步步去噪。训练目标、数据表征、计算机制都不同，硬塞进同一个模型，光是防止任务之间互相拖后腿就够头疼。

一位腾讯混元的多模态研究员向36氪表示，“多模理解和生成没那么统一，理解一般和LLM团队在一起，生成相对独立”。阿里Qwen的研究员说法类似：“理解、生成统一”基本没有已知很有效的方案。评测这一环同样没立起来，一张图好不好看、一段视频合不合意图，判定难度远高于一道数学题算没算对。

周畅在字节力推的叙事，正是“多模态理解与生成统一”，属于第二条路线。

放在期权里这叫虚值，企业收缩部门等于放弃行权。

落差

业务部门一旦收缩，原先分管该业务的负责人，降级几乎是顺理成章的事。

周畅2024年8月从阿里转投字节，职级4-2。报道称其年包为八位数，随他一同来的还有十余名阿里旧部，双方一度卷入竞业限制劳动仲裁。

在阿里，他曾任通义大模型核心技术负责人，离职前发布的Qwen2在Hugging Face开源榜登顶，压过当时的Llama 3-70B。进入Seed后，他负责多模态交互与世界模型，向吴永辉汇报。

此后两年，他的管辖范围持续扩张。2025年7月，豆包视觉多模态生成负责人杨建朝宣布“暂时休息”，据36氪援引Seed内部人士消息，组织要求杨建朝向周畅汇报，杨建朝随即离开，Seedream、Seedance两条视觉生成线归到周畅名下。

2026年6月2日，据晚点报道，字节内部调整架构。原由李航负责的Seed Robotics团队已向周畅汇报月余，字节还在招一位职级L8、对标阿里P10-P11的具身智能技术负责人，同样向他汇报。

按报道的说法，周畅之所以再次扩大管理范围，是因为机器人能够和多模态交互、世界模型在数据与技术层面彼此衔接。四条业务线由他一人统管，媒体称，他当时是Seed内部管理边界最宽的技术负责人之一。

6月刚扩完地盘，8月VLM就并入LLM、降为数据子部门。

庞天宇进场时的动静，比周畅还大一些。

庞天宇去的是混元多模态部Exploration Center，职责写的是“强化学习前沿算法探索”。

1月29日，他通过小红书发布招聘启事，同时对外宣布加入；2月4日完成正式入职；到6月，他带队将UniRL框架开源，扩散模型、自回归模型以及生成理解统一模型的强化学习后训练，被放进同一套流程；10月，该框架升级至v0.2.0，核心署名作者中依然有他。

可到了11月2日，媒体报道称，他在混元从分散走向集权的收拢中，“失去了他在组织版图上最初被许诺的那个位置”。

1月26日员工大会上，Pony说“姚顺雨加入之后，公司加大吸引人才的力度，重构研发团队”，还提到内部要加快Co-design、强化混元与元宝的协同。

1月28日，混元开源图像3.0的图生图版本，并接入元宝。按当时披露的数据，混元图像与视频衍生模型合计3000个，视频模型在社区下载量超过500万，混元3D系列超过300万。那个时候，多模态模型部还是与大语言模型部同级的一级部门。

随后7月24日两部合并，9月前OpenAI研究员田永龙出任混元多模态负责人。

没有人被降职，头衔还在，代码还在，成果也还在。

但有人起就总有人落——从别人向他汇报、单独负责一条线，到向别人汇报、负责主线的组件，以高姿态入场却经历这种转换，心理上的落差难免。

对大厂而言，期权就是花点小钱赌一把。真正遭罪的，是那些被卷进来的人。