周畅庞天宇接连离职，多模态生成在大厂沦为期权型业务？

梁文锋说过一句话：“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。”

放到当时的环境里看，这话跟主流做法正好相反。2026年上半年，多模态生成还是AI大厂的主线，部门独立、产品线独立、负责人也独立。

腾讯那边，大语言模型部和多模态模型部平级并存，图像、视频、3D生成归后者单独管；字节的视觉生成盘子更大，多模态交互、世界模型、Seedream、Seedance，加上机器人团队，统一向周畅汇报；阿里则在4月发布了基于原生多模态架构的世界模型。

那阵子，多模态生成被看作“AI企业资金的共识出口”，大厂几乎都把它当成新的AI叙事。

但最近一周之内，两条消息接连出来。

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，拿到头部美元基金支持。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离职，在职不到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，算力和预算自然往这些看得见增长的业务上倾斜。

按现在的叙事，多模态生成更像一种“期权型业务”：大厂花点小钱，赢了上不封顶，输了立刻撤退，把本金收回来。

多模态生成是期权型业务？

多模态这门生意，token消耗极大。

先说图片。模型要理解一张图，第一步就是把图切成若干小图像块。

一张224×224的图按14×14切块是256个token，336×336是576个，分辨率再往上走，单图就上千；长视频则是帧数乘每帧的块数，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，成本立刻上去。

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消耗只会更多。

OpenAI的Sora是最典型的例子。App上线到OpenAI宣布关停，前后只有半年左右。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。

推理环节更贵。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，它得每几毫秒生成一次环境状态、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问题：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高达上千人。

LLM不一样，推理、代码、数学都有相对统一的基准，版本之间能直接比较，团队KPI也容易对齐。

多模态生成正相反。MMMG基准的作者表示，多模态生成的可复现评测落后于模型本身的发展。人工评测被视为金标准，却没法大规模做，主观性又强，难以系统定位模型弱点。

所以字节才要找上千人的评测团队给Seedance做评测，核心思路就是堆人数，压低主观性对模型性能的影响。

一旦评价要靠美学、时序连贯、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”这种明摆着主观的讨论，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。

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

而大厂每个月烧掉的token，就是滚动支付的权利金。

眼下有一种判断正在扩散：AGI跟多模态生成，关系没那么大。

GLM-5.2升到5.3以及DeepSeekV4 Flash迭代到Pro，两组模型都没有往视觉方向扩，光靠后训练就把性能拉了上去。K3的消融实验里，研究员给出的说法是"多模态数据每多一点，文本理解、Coding或者数学可能就会变差"。

杨立昆那篇爆火的H-JEPA论文，又往这个方向添了一把力。他所主张的JEPA路线，正让越来越多人点头。

这条路线要在抽象表征空间里预测世界，一个像素都不生成。理由也直白：物理世界塞满了不可预测的随机细节，逐像素重建既费劲又容易出错。说到底，这是从技术上给"AGI用不着像素级生成"找了依据。

业务层面的收缩也跟着来了。腾讯二季度财报电话会之后，钱往哪儿走已经清楚——WorkBuddy拿到了优先的资源倾斜，其余新AI产品的优先级则在往下调。

多模态生成到底怎么了？

7月24日，腾讯TEG发了一份内部通知：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科学家姚顺雨兼任该部门负责人，汇报对象是TEG总裁卢山。

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，2025年4月才拆出来。语言那条线负责文本推理，多模态那条线负责图像、视频与3D生成，级别相同，各干各的，腾讯管这叫"双轨研发"。

再往前，3月20日腾讯已经关掉了办了近十年的AI Lab：一部分人进了大语言模型部，一部分转去产学研合作中心，计算机视觉、语音这些原先独立的能力，统一收进混元体系。

外界当时的普遍看法是，合并的根子在于大语言模型和多模态模型的训练标准对不上，技术因此打不通，算力也跟着内耗。

一个月后，轮到字节。8月的组织调整中，周畅起家的视觉语言模型VLM被塞进大模型LLM体系，变成LLM下面一个管数据的子部门。一位Seed人士对36氪说，"他丢了龙兴之地，基本就没有核心地盘了"。

之所以要这么拼，是因为那会儿想让大模型"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，前面挂视觉编码器，图片被切成小块转成向量，中间再训一层投影，把向量译进语言模型的词表空间，最后和文字拼到一块儿喂进去。LLaVA、Qwen2-VL、DeepSeek-VL2，走的都是这条路。

它最讨巧的地方是省钱。

视觉编码器有开源的可以拿来用，语言模型自家就有现成的，中间那层不过是一层胶水，把两头粘上就行。

独立的多模态部门，基本上是围着这层胶水搭起来的：视觉编码器有人管，对齐数据有人管，图文指令微调有人管，评测也有人管。胶水还在，部门就立得住。

问题是这层胶水如今没了，大厂开始往原生多模态转——从预训练第一层起，就把图像、文本、音频、视频的token混进同一条主干里。

从今年2月阿里推出Qwen3.5起，视觉能力就被用早期融合的方式并进了主线模型，此后阿里再没发布新的通用VL理解模型。

眼下大厂做多模态基本走两条路。一条是梁文锋那条理解路线，让模型看懂图片和视频，解决的是怎么感知世界，这条路已经走通了。

另一条路，是把视觉理解和扩散式生成装进同一套架构，模型不光要理解世界，还得能生成内容。

2025年GPT-4o问世后，谷歌、阿里、字节都试过这条路，结果谁也没跑通。

难点在于图像和视频生成靠的是扩散模型，要在连续潜空间里一步步去噪。训练目标、数据表征、计算机制都对不上，硬凑进一个模型，光是不让任务之间互相拖累就够让人头疼。

腾讯混元一位多模态研究员对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的研究员也说，“理解、生成统一”基本没有已知很有效的方案。评测这关同样没立起来，一张图画得好不好、一段视频合不合意图，判断起来比一道数学题算没算对难得多。

周畅在字节主推的叙事叫“多模态理解与生成统一”，走的正是第二条路。

放到期权里，这叫虚值；企业收缩部门，等于放弃行权。

落差

业务部门一收缩，原先管这块的负责人，降级几乎是自然的事。

周畅2024年8月从阿里到字节，职级4-2。报道称他的年包为八位数，随他一起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。

在阿里时他当过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大。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，组织上要求杨建朝改向周畅汇报，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，字节内部又调整了架构。原本由李航负责的Seed Robotics团队已向周畅汇报一个多月，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，同样向周畅汇报。

报道给出的理由是，机器人能和多人模态交互、世界模型在数据与技术层面互相咬合。四条线压在一人身上，媒体称他是当时Seed里管理边界最宽的技术负责人之一。

6月刚扩完地盘，8月VLM就并入了LLM，降成数据子部门。

庞天宇进场时的动静，比周畅还要大一些。

他落脚在混元多模态部Exploration Center，职责一栏写的是“强化学习前沿算法探索”。

1月29日，他在小红书发了一则招聘启事，顺便官宣加入；2月4日正式入职；6月带队开源UniRL框架，把扩散模型、自回归模型和生成理解统一模型的强化学习后训练放进同一套流程；10月这套框架更新到v0.2.0，他仍在核心署名作者之列。

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

1月26日的员工大会上，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图生图版本，接入元宝。当时公布的数据是，混元图像、视频衍生模型总数3000个，视频模型社区下载超500万，混元3D系列超300万。那会儿多模态模型部还是和大语言模型部平级的一级部门。

之后7月24日两个部门合并，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。

有人起，就总得有人落。原先别人向他汇报，他单独管一条线；如今变成他向别人汇报，只管主线里的一个组件。以高姿态入场，再经历这种转换，心里难免有落差。

对大厂而言，期权说白了就是花点小钱赌一把。可那些被卷进来的人，日子就不好过了。