周畅从字节Seed离职，背后是多模态统一路线之争
为何多模态理解、生成很难统一
周畅的离职传闻已经不是第一次了。
2024年8月加入字节跳动Seed团队后，他至少两次被传出离职。第一次是在2025年12月。当时周畅曾发朋友圈否认，并表示相关传闻已经影响到自己的工作。今年10月，他再次被传出已提出离职。
事实上在字节期间，周畅不止一两次动过离开的念头。一位Seed内部人士告诉我们：“周畅总是玩乌龙，他每次想走，过两周又留下来。”
但这一次有了不同的结果。据Z Finance报道，周畅已经离开字节，转向Physical AI方向创业，并获得头部美元基金投资。但是接近字节的人士否认了离职消息。
据传离职前，周畅已不再掌管多模态的半壁江山。我们了解到，周畅在字节的龙兴之地是视觉语言模型VLM，但VLM一直没有实现明显的AGI效果。在今年8月Seed的一次组织调整中，周畅赖以起家的VLM被并入大模型（LLM）体系，相当于成为LLM的一个数据子部门。
"他丢了龙兴之地，基本就没有核心地盘了。"上述Seed人士说。这或许是他决定离职的直接导火索。
外界对周畅最大的争论是，他对于Seedance到底贡献有多大。在这位Seed人士看来，曾妍才是Seedance的实际leader，技术和决策就是她这一层做的。
抛开人事关系这一层，周畅的离职，也标志着字节"多模态理解、生成统一"叙事的终局。
01
丢了"龙兴之地"
2024年，周畅从阿里通义千问出走，加入字节Seed，职级4-2，年薪包据称达到八位数，还带走了十余名阿里旧部。这场人才迁徙一度引发阿里不满，双方甚至因此卷入竞业限制劳动仲裁。
周畅并非单纯的业务管理者，还有着深厚的学术背景。他本科毕业于复旦大学计算机科学与技术专业，随后进入北京大学攻读计算机软件与理论博士，研究方向涵盖深度学习、图挖掘与分布式计算。
2017年7月，他加入阿里巴巴，从电商推荐算法、图神经网络一路做到多模态预训练。几年后，他带队研发M6多模态预训练模型。
2023年大模型浪潮兴起，他又转向通义千问，担任核心技术负责人，推动Qwen从早期模型走向系列化研发与开源，逐渐成为阿里大模型体系中的关键人物。
加入字节，周畅被安排负责多模态交互与世界模型方向。这恰好是他过去多年技术积累的延伸。无论是视觉语言模型，还是更进一步的世界模型，都要求模型具备对视觉信息的理解、推理和表征能力，而多模态理解正是周畅的优势。
转折发生在2025年。2月，在谷歌工作17年、参与过Gemini核心研发的吴永辉加入字节，执掌Seed，重构了团队汇报线。彼时杨建朝是豆包视觉多模态生成负责人，负责图片生成、视频生成及视觉模型基础研究，7月，Seed进行组织调整，杨建朝突然宣布"暂时休息"。
外界看到的版本是杨建朝因家庭原因暂休，工作由周畅接手。事实上这次组织调整动摇了他的地位，上述Seed人士透露，组织要求杨建朝向时光（周畅花名）汇报，杨建朝对此不满，随即离开，转身投入视频模型方向的创业。
最近有报道称杨建朝已加入创意软件巨头Adobe，担任研究与AI技术副总裁。
接任杨建朝后意味着，周畅不仅负责多模态理解业务，还接手视觉生成业务。此后，周畅在字节内部开始推动一套新的技术叙事——多模态理解与生成统一。
但这个故事并不好讲。字节此前已经开源了BAGEL，一个探索「理解与生成统一」路线的模型，这条技术路线本身仍处于早期探索阶段。
周畅接手相关业务后，公开发布且明确体现理解与生成架构融合思路的成果并不多。其中，最具代表性的是2026年2月与Seedance 2.0同期发布的豆包图像创作模型Seedream 5.0 Lite。
这个模型在评测结果上表现不是很突出，字节自己对这个模型评价是“a relatively small model”，在结构稳定性、写实度、审美上“仍有改进空间”。
在业内看来，周畅的技术积累更多集中在多模态理解，而对多模态生成并没有那么熟悉。
更重要的变化发生在技术路线层面。今年以来，行业叙事的重心正在转移：相比将多模态理解与生成整合进同一个模型，越来越多厂商开始优先推动视觉语言模型（VLM）与大语言模型（LLM）的融合。
今年8月，Seed启动新一轮组织调整，周畅原本负责的VLM业务被并入LLM体系。这意味着，他最熟悉、也最有技术积累的一部分业务，也从原有的组织架构中拆分了出去。
02
为何多模态理解、生成很难统一
周畅名义上接管了Seedream、Seedance等视觉生成业务，但Seedance真正的主导者是曾妍。她2021年校招入职，五年做到4-2职级，是Seedance 2.0的技术负责人。
实际上Seedance的技术路线，与周畅所强调的“多模态理解、生成统一”并没有直接关系，它有自己的研发逻辑和技术积累，不是这套统一叙事的产物。
字节最成功、最赚钱的模型Seedance 2.0，它的核心技术是"双分支扩散Transformer（DB-DiT）"架构，在一个模型里并行生成视频与音频，共享同一个理解编码器，实现音画原生协同。
这是一种生成模态内部的统一，打通的是音与画，而不是理解与生成。模型能够理解多模态参考素材，并据此生成内容，但这与把视觉理解和视觉生成真正整合进同一个基础模型，仍是两回事。
换句话说，Seedance 2.0的成功，靠的是曾妍们把视频和音频做进了同一个DiT，与"理解生成统一"的联系不大。
多模态统一包含两个不同的层次。第一层，是LLM与VLM的统一，把视觉编码能力接入大语言模型，让AI不再只会处理文字，也能看懂图片、视频，理解物体、场景和动作。这解决的是模型如何感知和理解世界。
第二层，是VLM与DiT的统一，把原本相对独立的视觉理解与扩散式生成能力，整合进同一套模型架构或参数体系，让模型既能理解视觉内容，也能生成图片和视频。这解决的是模型能否在理解世界的基础上，进一步创造世界。
2025年OpenAI发布的GPT4o，引发了业内对多模态理解和生成同一框架的兴趣。无论谷歌，还是国内大厂，阿里、字节等，普遍都在尝试第二层的统一。
但经过大半年的摸索，普遍遭遇VLM与DiT统一的现实困境，比如多模态数据高纬度的计算瓶颈和现有评估上的难题。这一统一路径仍属于早期，路线远未收敛。
腾讯混元一位多模态研究员告诉我们，“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。”一位阿里Qwen的研究员也直言，“理解、生成统一”基本没有已知很有效的方案，目前没谁能做到。
总的来看，多模态人士更相信LLM和VLM统一，而对VLM和DiT统一普遍有质疑。
技术上的道理并不复杂。理解模型通常采用自回归架构，通过预测下一个Token完成理解与推理。而图像、视频生成则大量依赖扩散模型，在连续潜空间中逐步去噪。两套体系的训练目标、数据表征和计算机制并不相同，把它们塞进同一个模型，如何避免不同任务之间的能力干扰，本身就是一道难题。
国内外大厂都经历了一段时间的技术路线摇摆。谷歌早期也没有做"VLM+DiT"式的统一，它以Gemini作为原生多模态理解与推理的核心，同时长期保留Imagen、Veo等专业生成模型。
后来，Gemini 2.0开始尝试原生图像生成，Gemini 2.5 Flash Image进一步把理解、生成和编辑整合起来。
但这不意味着Google已经用一套参数、一个架构，解决了所有理解与生成问题。但到了Gemini 3.0，谷歌又将多模态映射到统一表征空间，这意味着又变回到多模态和大语言模型的统一。
阿里去年开始从论文到实践，都在针对多模态理解和生成统一上的研究。但到了今年2月，从Qwen3.5起，视觉能力通过早期融合进入主线模型，Qwen未再发布新的通用VL理解模型。
今年7月，腾讯也开始主导多模态并入大语言基础模型的叙事。不过今天有消息传出，腾讯混元首席研究科学家（Principal Research Scientist）、多模态强化学习（Multimodal RL）技术负责人庞天宇离职，他今年1月底才从新加坡Sea AI Lab加入腾讯，入职尚不足一年。
正如杨建朝的离开，或因为技术叙事路线的转变，周畅的离开也与新路线转变有关。
他带着"统一"的叙事离开字节，转身去做Physical AI。Physical AI恰恰需要世界模型，和多模态理解和生成能力，模型既要看懂物理世界，理解物体、空间与运动，又要预测世界如何变化，最终生成能够指导行动的决策与轨迹。
不管怎样，周畅试图在大厂内部实现的技术理想，如今换了一个地方重新开始。
