周畅、庞天宇接连离职，多模态生成在大厂沦为“期权型业务”？

梁文锋此前有过一句判断：“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。”

可这话放到当时的环境里，几乎站不住脚。2026年上半年，多模态生成正是AI大厂的主线，部门、产品线、负责人各自独立。腾讯的大语言模型部与多模态模型部平级设置，后者单独管图像、视频和3D生成；字节这边，多模态交互、世界模型、Seedream与Seedance等视觉生成业务，加上机器人团队，都向周畅汇报；阿里则在4月拿出了基于原生多模态架构的世界模型。

那阵子，多模态生成被看作“AI企业资金的共识出口”，大厂无一不把它当成新的AI叙事。

变化来得很快，最近一周内先后冒出两条消息。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，在职时间不足9个月。

人才走了，背后是大厂对多模态生成的态度在变。Agent等方向跑得快，算力和预算自然被挪到这些看得见增长的业务上。

于是多模态生成在新叙事里更像“期权型业务”：大厂投一点小钱，赢了收益上不封顶，输了马上撤，本金收回来。

多模态生成是期权型业务？

多模态本身就是个很吃token的业务。以图片为例，模型要先看懂图，就得把图拆成若干小图像块。

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，单图就上千；长视频则是帧数乘每帧的块数，数量级地涨。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最典型。从App上线到OpenAI宣布关停，前后仅半年左右。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，它每隔几毫秒就要生成一次环境状态、实时流式送出，每个用户等于独占一条GPU管道。

评分难是多模态生成的另一道坎，得靠大量评价人员给生成内容打分，Seedance背后的数据评价团队多达上千人。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，团队KPI也好对齐。

多模态生成恰好相反。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。人工评测被当成金标准，却没法大规模做，主观性又强，很难系统定位模型弱点。

字节找上千人的评测团队给Seedance做评测，原因就在这里：靠人数堆叠，压低主观性对模型性能判断的影响。

一旦评价依赖美学、时序连贯和人类偏好，用分数判断模型好坏就变得很难，判断这个模型团队还值不值得继续投资源，同样很难。

相比“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，可最关键的技术拐点其实是AGI，它就相当于行权价。AGI真非多模态生成不可，那就算兑现；一旦发现AGI并不需要多模态生成，权利金就全部归零。

大厂每个月烧掉的token，就是滚动支付的权利金。

眼下，认为AGI与多模态生成没有关系的人正变得越来越多。

这种判断有具体的模型变化作支撑。GLM-5.2升到5.3、DeepSeek V4 Flash升到Pro，两组模型都没有做视觉扩展，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”。

杨立昆的表态被视作更重的一击。H-JEPA论文走红之后，他所主张的JEPA路线得到了更多人认同。

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。它的依据是物理世界到处是不可预测的随机细节，逐像素重建既浪费也不准确。这实际上为“AGI不需要像素级生成”提供了一套技术论证。

业务部门随之收缩也就在所难免。腾讯二季度财报电话会之后，资金分配上WorkBuddy拿到了优先资源倾斜，其他新AI产品的优先级则在往下调。

多模态生成到底出了什么问题？

7月24日，腾讯TEG发出内部通知：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，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”。

这两个被撤掉的部门，是2025年4月才拆分出来的。语言一条线负责文本推理，多模态一条线负责图像、视频与3D生成，两条线平级，各自独立运转，腾讯把它叫作“双轨研发”。

更早的3月20日，腾讯已经撤掉成立近十年的AI Lab，一部分人员并入大语言模型部，另一部分去了产学研合作中心，计算机视觉、语音这些原本独立的能力也一并归入混元体系。

当时外界的普遍看法是，合并的真正原因在于大语言模型和多模态模型的训练标准不一致，技术之间无法互通，算力资源还会互相消耗。

一个月后，轮到了字节。8月的组织调整中，周畅起家的视觉语言模型VLM被并进大模型LLM体系，降为LLM下面的一个数据子部门。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”。

之所以曾经需要独立的多模态部门，是因为那时要让大模型看见东西，得靠一种“胶水科技”。

具体做法是：拿一个已经训好的纯文本LLM，在前面接上视觉编码器，把图片切成小块转成向量，中间再训练一层投影，将这些向量翻译进语言模型的词表空间，最后和文字拼到一起喂进去。LLaVA、Qwen2-VL、DeepSeek-VL2当时走的都是这条路子。

这套方案最大的优势是便宜。

视觉编码器有开源成果可以参考，语言模型用自家现成的，中间那层只需要用一层胶水把两头粘住。

独立的多模态部门，基本就是围绕这层胶水搭建起来的：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，还有人负责评测。胶水还在，部门就有存在的理由。

可现在这层胶水已经不存在了。大厂开始转向原生多模态，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。

目前大厂在多模态上主要走两条路线。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，这条路已经跑通了。

另一条是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出来以后，谷歌、阿里、字节都尝试过这条路线，但都没能跑通。

图像和视频生成要靠扩散模型，在连续潜空间里一步步去噪。训练目标、数据表征、计算机制都不一样，硬塞进同一个模型，单是防止任务之间互相拖后腿就够让人头疼。

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。评测体系同样没建立起来，一张图画得好不好、一段视频合不合意图，比一道数学题有没有算对要难判断得多。

周畅在字节力推的那套说法，是“多模态理解与生成统一”，走的正是第二条路。

这个位置放在期权里，就是虚值；公司砍掉部门，等于不行权了。

落差

业务部门一收缩，原先管这块的人往下掉，几乎是顺理成章的事。

周畅是2024年8月从阿里到的字节，职级4-2。有报道写他的年包是八位数，随他一同过来的还有十多名阿里旧部，两边还一度打起了竞业限制的劳动仲裁。

在阿里那阵子，他做过通义大模型的核心技术负责人，走之前发布的Qwen2在Hugging Face开源榜上排到第一，盖过了当时的Llama 3-70B。到了Seed，他负责多模态交互和世界模型，汇报对象是吴永辉。

之后两年，他手上的盘子越铺越大。2025年7月，豆包视觉多模态生成负责人杨建朝说自己要“暂时休息”，36氪引Seed内部人士的说法是，组织上要杨建朝改向周畅汇报，杨建朝随后就走了，Seedream、Seedance两条视觉生成线归到周畅名下。

2026年6月2日，晚点报道字节内部调了架构：原本李航带的Seed Robotics团队，已经向周畅汇报了一个多月；字节还在物色一位职级L8、对标阿里P10-P11的具身智能技术负责人，也是向他汇报。

按报道的解释，周畅管辖范围能再扩一圈，是因为机器人这一块能和多模态交互、世界模型在数据和技术上互相接上。四条线都归一个人，有媒体说他是那时候Seed里管理边界最宽的技术负责人之一。

6月地盘刚加完，8月VLM就并进LLM，降成了数据子部门。

庞天宇登场时的声势，比周畅还要大一些。

他落脚的地方是混元多模态部的Exploration Center，写的职责是“强化学习前沿算法探索”。

1月29日，他在小红书贴出招聘启事，顺便把加入的事说了；2月4日正式入职；6月带团队开源UniRL框架，把扩散模型、自回归模型、生成理解统一模型的强化学习后训练装进同一套流程；到10月，这套框架更新到v0.2.0，核心署名作者里仍然有他。

可到了11月2日，有媒体报道说，混元从分散收向集权，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讲“姚顺雨加入之后，公司加大吸引人才的力度，重构研发团队”，也提到内部要加快Co-design，让混元和元宝多协同。

1月28日，混元开源图像3.0的图生图版本，接进了元宝。当时给出的数字是：混元图像、视频衍生模型总共3000个，视频模型在社区下载超过500万，混元3D系列超过300万。那阵子，多模态模型部还是和大语言模型部平级的一级部门。

再往后，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。

谁也没被降职，头衔还挂着，代码还在跑，成果也还摆在那儿。

可有人上去，就总有人下来：从别人向他汇报、自己单管一条线，变成他向别人汇报、只负责主线的某个组件。进场时姿态那么高，走到这一步，心里难免有落差。

对大厂而言，期权就是掏点小钱赌一把。真正被卷进去的人，日子就不好过了。