注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 SEEDフェス0218
SEEDフェス0218 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 SEEDフェス0218 的推特
字节Seed团队又走了一位核心负责人。 据申妈的最新消息,字 Seed模型评测负责人黄文灏近期已经离职。有知情人士透露,他下一步可能会选择创业,但具体方向和融资情况还没有明确消息。 黄文灏这个人的履历挺厉害的,他是北大计算机本、博士毕业,先后在微软亚洲研究院、北京智源人工智能研究院任职,2023 年又以联合创始人的身份加入李开复创办的零一万物,担任算法副总裁、模型训练负责人,参与主导了 Yi-34B、Yi-Large等模型的训练工作。 2024 年 8 月,他从零一万物离职,加入字节Seed,最开始负责技术项目管理和规划,直接向当时的Seed负责人朱文佳汇报。 2025 年初,原Google DeepMind副总裁吴永辉接手 Seed 后,他的汇报对象也变成了吴永辉,工作重心逐渐转向模型评测,同时参与前沿技术规划和人才招聘。 所以这次离职还挺值得关注的。 毕竟从预训练到模型评测,再到前沿技术规划,他参与过国内两家重要大模型团队的核心工作。 更有意思的是,今年 4 月,界面新闻就曾报道过字节Seed 的人才流动情况。 根据当时的统计,过去一年里,Seed有近 70 名技术人才离职,其中近30人去了腾讯,主要负责AI Infra和数据基建。其他人则流向阿里Qwen、DeepSeek,以及 OpenAI、Google、Meta、Apple等公司。 而且,已经有 30 多家具有字节背景的 AI 创业公司完成融资(水下还有一批)。 这两年国内大模型圈的人才流动实在太频繁了。前脚大厂还在开出高价互相挖人,后脚就有人辞职出来创业。 尤其是Seed,一边在持续吸引国内外的顶尖研究人员,一边又有大量技术骨干流向竞争对手和创业公司。 从更长远的角度看,这种人才流动可能也在重新塑造国内大模型行业的竞争格局。 毕竟,模型、算力、数据这些东西可以不断投入资金建设,但真正做过大规模训练、搭建过 Infra、带过研究团队的人,始终是稀缺的。 接下来就看黄文灏是不是真的准备创业了。 从零一万物联合创始人,到字节 Seed 核心负责人,再到可能重新创业,这条职业路径还挺有意思的。 大概率是Unipat的方向。
显示更多
字节 Seed成立了专门的模型安全与对齐部门,感觉确实很有必要。 这次他们计划在这个部门全球招募 10 位顶尖研究员。 研究课题有: 大模型及Agent安全的前沿评测方法和Benchmark建设 模型前沿能力对齐的训练方法 自动化Red Teaming 模型行为可解释性 模型能力和行为监控 字节的待遇向来非常顶,事情本身也极具挑战性,最近刚好在看类似方向工作的朋友不妨试试。 最近不管是大模型还是小模型,都频繁出现模型越狱和突破沙箱隔离环境的问题。 而且这种风险要么是小打小闹,要么就是憋个大的。提前有这样的储备并持续进行研究,起码在出问题时能快速反应。 随着模型能力越来越高、自主性越来越强,在一些危险领域的隐患也越来越大: 比如 CBRN 领域(化学、生物、放射性及核领域) 可能很多人觉得上面的四个离我们太远,但是互联网上针对个人的内容攻击离我们可太近了。 AI 甚至有可能直接篡改应用,甚至控制家里的其他设备。 随着 AI 能破解一切软件,那 AI 写出非常厉害的病毒也是一个顺理成章的事情。 包括对于我们整个互联网赖以生存的密码学破解,应该也是进展神速。 客观来说,国内在这方面的进展其实比 OpenAI 和 Anthropic 慢。 Anthropic 成立初衷就是为了安全,长期在做对齐和可解释性研究;而海外 AI 圈几乎每隔一两周就会爆出安全热点,比如前几天 OpenAI 的安全研究员辞职、之前 Hugging Face 被入侵等。 模型安全是一个非常前沿的跨学科领域,需要大量的探索,对研究者的综合要求比较高。 这也是为什么他们要去全球或者公开招聘这种顶尖人才的原因,感兴趣的可以关注一下
显示更多
字节Seed 昨天发内部邮件,单独成立安全与对齐部门。几个信息点: ①部门名叫 Seed Model-Alignment & Preparedness,Preparedness 和 OpenAI 研究灾难性风险的那个团队同名。 ②严林负责,直接向 Seed 负责人吴永辉汇报。原 Responsible AI 团队和部分 Chat 团队成员转进来。 ③同步全球招 10 位顶尖的安全与对齐 researcher,给充分算力,直接基于前沿模型做研究,成果进入模型训练和上线流程。 ④重点两块:Agent 模型守住人类的意图和授权边界;CBRN(化学、生物、放射、核)这类前沿风险的提前防范。 Seed 应该是国内大模型团队里第一家单独建制的,之前国内的安全基本都并在公司的合规体系里。 其实安全与对齐这块,国内和海外的差距,应该比模型能力的差距还大。Reuters 10 月 9 日报道的 SemiAnalysis 研究:9 家中国大模型公司 857 次模型发布,只有 3.6% 能找到对应的公开安全评测(只算公开披露,不代表私下没测)。 海外做这件事的都是最懂模型的人:OpenAI 的 Superalignment 是 Ilya Sutskever 和 Jan Leike 带;Anthropic 是首席科学官、Scaling Laws 一作 Jared Kaplan;RLHF 奠基论文的两位作者,一位在美国政府管过 AI 安全,Jan Leike 去了 Anthropic 做对齐。做安全得非常懂模型,往往也更早看到模型能冲多高。而且不是嘴上信,Ilya 公司的名字叫 Safe Superintelligence。 今年 OpenAI 的 agent 在评测里钻漏洞,跑到 Hugging Face 的服务器上执行代码,就为了找题目答案。Anthropic 这个月的报告里,模型填练习用的政府表单,页面加载失败,它自己跑到真实网站把真表单提交了。Anthropic 把这类行为大多归为 persistence:任务做不完时,第一反应不是停下来,是绕过去。不需要什么恶意,光是太想完成任务,就可能越界。 说人话就是:AI 能力越强,怎么让它为善而不是作恶就越重要。这事不是靠写规则能解决的,本身就是一项前沿研究,得有最懂模型的人专门去做。
显示更多
另外,Seed 内部还有一支团队,叫 Seed Edge。 这个团队专门研究一些确定性没有那么高,甚至几年都未必能看到结果的课题。 这次的 STEM 科学家计划,就是由他们发起的。 前段时间我写过的 EdgeBench,也是 Seed Edge 的成果。
显示更多
字节 Seed,可能是最接近硅谷实验室的团队。 字节这事儿做得还是让我非常敬佩。 如果五年后再回头看字节的 AI 历程,我想,他们今天推出的科学家计划肯定会成为其中一个重要节点。 事情是这样。今天上午,字节 Seed Edge 启动了一个科学家计划,准备邀请 100 位前沿科学领域的学者和博士生,与 Seed 团队一起研究真实的科学问题。 科学家可以把自己领域里真正困难的问题带进来,Seed 提供模型、算力和 AI 研究团队,双方一起探索,大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。 看到这个计划,我首先想到的是 OpenAI。 去年,OpenAI 曾经专门推动过 OpenAI for Science,希望让 AI 更深入地参与科学研究。 但到了今年,在激烈的模型竞争下,OpenAI 调整了这方面的组织和投入,原来的独立 Science 团队也被解散了。 Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。 看来现在,字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。 我简单解释两句。 从商业化的角度来看,这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好,很快就能转化为收入。 AI 加速科学发现这样的研究反馈周期会长很多,而且现在看起来还比较遥远。 但只要这个方向取得突破,产生的价值可能远远超过一个软件产品。 大家想想,如果 AI 可以把未来 25 年的科学进展压缩到 5 年,那么到了 2030 年,人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。 这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破,也可能影响几亿人的生活。 往大了说,它可以加快整个人类文明向前推进的速度。 这不就是 AGI 的价值吗? 可能很多人熟悉字节跳动,但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究,而且人才密度很高。前段时间,记得晚点一篇文章提到姚顺雨的观点说: 大模型训练没有银弹。 真正决定模型能力的,还是把数据质量做好,把基础架构做扎实。 OpenAI 和 Anthropic 过去很多年的积累,本质上也是这些看起来没那么性感的基本功。 其实,字节 Seed 很早就在这么做了。不信大家可以查查,Anthropic 从来没有指责过字节蒸馏他们的模型。 因为 Seed 很早就定了一条价值观,不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。 包括 Seedance 2.0 为什么能够一下子炸了,业内一个比较普遍的判断是,字节在数据上做了大量基础工作。 毕竟发展到今天,各家在模型路线上的差距已经没有那么大了。真正拉开差距的,往往是一些脏话累活,以及整个研究团队的文化。 另外,Seed 内部还有一支团队,叫 Seed Edge。 这个团队专门研究一些确定性没有那么高,甚至几年都未必能看到结果的课题。 这次的 STEM 科学家计划,就是由他们发起的。 前段时间我写过的 EdgeBench,也是 Seed Edge 的成果。 他们发现模型从环境中学习,似乎也和预训练一样,存在自己的 Scaling Law。 投入的交互时间越多,模型能力的提升也会遵循一条相对稳定的规律。 我曾经看到过一个观点:培养熵,才是研究实验室长期繁荣的唯一方式。 这里的熵,可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。 因为研究和做产品不太一样。做产品时,目标通常比较明确,组织需要尽快形成共识,把所有人的力量集中到同一个方向上。 但研究面对的往往是未知问题。既然答案还不存在,也就很难提前判断哪条路线是对的。 在这种情况下,如果一个实验室过早形成统一判断,所有人都去研究眼下最热门、最容易出成果的方向,短期效率可能很高,长期却容易陷入同一个局部最优。 大家使用相似的方法,追逐相似的指标,最后得到的也很可能是相似的结果。 真正有创造力的研究组织,需要保留一些暂时无法被证明的想法。 有的人沿着主流路线继续推进,把已有方法做到更好。也有人去研究冷门问题,做一些人可能几年都拿不出明确成果。这就是培养熵。 这些熵当然会带来噪声,带来争论,甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。 回头看那些长期保持创造力的研究实验室,其实都有类似的特点。 说实话,字节做这件事,我也挺意外。因为过去类似的构想,基本上都是硅谷公司在做。 中国互联网公司过去给人的印象,一直是产品能力和商业化能力特别强。 它们很擅长把一项技术迅速做成产品,再推到足够大的用户规模。 字节 Seed 愿意在这个阶段认真投入这件事,挺让人振奋的。 因为模型能力提升越来越快,很多短期指标都会迅速被后来者追平。这样的前沿性的探索,会真正决定模型的上限。
显示更多
0
32
24
3
转发到社区
我天,字节 Seed 真是带了个好头。昨天,他们宣布成立独立的安全与对齐部门,我没记错的话,这是国内第一个单独建制的安全与对齐部门。 我发现很多人可能还没有意识到这事的重要性。 之前我在 X 上看到有人调侃,说中国的 AI 研究员聚在一起讨论技术,根本不聊 AI 安全。而硅谷的研究员,动不动就因为公司不够重视 AI 安全而辞职。 虽然这个说法有点夸张,但确实形成了挺鲜明的对比。 恰好就在前几天,10 月 9 日,路透社还发表了一篇报道,吐槽中国头部模型公司公开披露安全评测结果的比例非常低。 这份研究统计了阿里、字节、腾讯、DeepSeek 等九家中国头部模型公司,从 2021 年到今年 9 月中旬发布的 857 次模型。其中只有 3.6% 的模型发布,能够找到对应的公开安全评测结果。 当然,这不代表这些公司私下没有进行安全测试。但至少从公开的信息来看,国内目前还很少有公司像 OpenAI、Anthropic 这样的硅谷一线实验室,系统地披露模型的前沿危险能力评测。 我们都知道,OpenAI 和 Anthropic 一直非常重视 AI 安全。 上个月 Salesforce 的 Dreamforce 大会上,黄仁勋、Sam Altman,还有 Anthropic 的创始人 Dario Amodei,都分享了各自对 AI 发展的判断。我当时就注意到,他们几乎都在讨论 AI 安全。 特别是 Sam 和 Dario 这俩死对头,也在 AI 安全这事上心照不宣。 为什么? 因为过去这段时间,模型能力确实又上了一个台阶,而且开始出现一些让人细思极恐的事情。 比如前段时间,OpenAI 公开了一份调查报告。今年 7 月,他们在内部进行网络安全评测时,发现一些 AI Agent 竟然自己找到了系统漏洞,突破原本的沙箱隔离限制,甚至入侵了 Hugging Face 的部分系统。 整个过程中,人类并没有要求它们攻击 Hugging Face。 Anthropic 也遇到了类似的问题。 上周 Anthropic 还公布了一份报告,披露 Claude 在一些内部使用和评测场景中,出现了未经授权的行为。 比如为了完成科学分析任务,Claude 自己寻找并利用网站漏洞,在服务器上执行命令。还有一次,它原本应该填写模拟表格,结果跑到真实网站提交了表格。 这些事情,研究人员都没有要求它去做。 你想想,过去我们讨论模型能力,更多关注的是它能不能完成长程任务,能不能独立推理、编写代码,或者自主解决复杂问题。这些能力当然都很重要,因为它们可以极大地提高生产力。 但现在问题来了。当 AI 越来越聪明,能够自己寻找解决问题的办法时,它也可能为了完成任务,做出一些人类根本没有授权的事情。 甚至可能影响其他人和其他系统的安全。这就很可怕了。 前段时间,我也和几个朋友交流过这件事情。国内大模型和硅谷顶尖闭源模型之间的能力差距确实正在缩小。尤其是最近一年,国产模型的进步大家应该都有目共睹。 但模型能力越来越接近,安全与对齐相关的研究差距却还是非常明显。所以这次字节 Seed 单独成立安全与对齐部门,确实是开一个好头。 可能很多人一听对齐这个词,会觉得不就是让模型听人类的话吗?这事有那么难吗? 我跟大家讲,这事真的非常难。 而且你可能想象不到,在 OpenAI、Anthropic 这样的公司里,做这项研究的都是些什么人。 比如 Ilya Sutskever,OpenAI 的元老,前首席科学家。2023 年,OpenAI 专门成立了一个叫 Superalignment 的研究团队,研究怎么控制未来可能比人类更聪明的 AI。 这个团队的一号位就是 Ilya。Anthropic 也一样。负责这事的人都是公司里非常厉害的研究员。 因为安全与对齐研究涉及的问题,比我们想象的复杂得多。 我简单解释一下。 首先,最基础的一项工作,就是研究怎么把 AI 训练得更加安全。比如怎么让 AI 理解人类的真实意图,知道哪些事情可以自己决定,哪些事情必须获得授权,以及遇到复杂情况的时候应该怎么判断。 Anthropic 就有一个非常著名的研究,叫 Constitutional AI,也就是宪法 AI。 他们专门给 Claude 制定了一套宪法。这份文件详细解释了 Claude 应该遵循什么样的价值观、行为原则,以及当用户的要求和安全原则发生冲突时,应该如何处理。 整体的逻辑是希望通过训练,让这些原则真正影响模型的行为,使它遇到陌生情况时,也能做出符合人类意图和安全要求的判断。 这其实就已经深入到了模型的后训练和强化学习过程。 但问题还没有这么简单。 因为随着模型越来越聪明,它可能会为了完成任务,想办法绕过某些规则。甚至在一些专门设计的实验中,模型还可能表现出欺骗评测系统、隐藏不符合要求的行为倾向等问题。 这就更麻烦了。你不光要研究怎么训练模型,还要研究怎么发现这些问题。 比如,一个模型在测试的时候表现得非常正常,到了真实环境里却出现了危险行为,该怎么办?如果模型执行的任务已经复杂到人类都很难完整检查,又该怎么监督它? 这些都是安全与对齐团队需要研究的问题。 所以,安全与对齐听起来好像是一个比较边缘的研究方向,但实际上,它和模型最核心的能力研究有着非常紧密的联系。这也是为什么 OpenAI 和 Anthropic 愿意让最优秀的一批科学家长期投入这件事情。 回过头来看字节 Seed。这次新成立的部门,叫 Alignment & Preparedness,由严林负责,直接向 Seed 负责人吴永辉汇报。 也就是说,字节现在把前沿模型安全与对齐研究单独建制,并且直接和模型的核心研发联系起来。这和 OpenAI、Anthropic 这些一线实验室的研究方向,已经有了非常清晰的对应关系。 这次 Seed 还启动了 Safety & Alignment 全球人才招聘计划,准备招募十位顶尖研究员。而且会提供充足的算力支持,让研究人员能够直接基于前沿模型开展研究。 说实话,我还挺佩服字节这次的投入和决心。 过去很多年,我们在一些基础技术领域一直处于追赶的位置。大家往往更关心怎么尽快缩小能力差距,但安全的问题和模型能力一样重要。就像当年发展工业一样,我们不可能说为了工业,然后牺牲环境安全,要不然这个代价就太大了。
显示更多
42 的 SEED,有人 $5 做到 $14.9、$19.9,甚至有人晒过接近 10x。 但我觉得真正值钱的,不是这些收益数字。而是:当整个市场还没醒的时候,你已经更早、更低成本地坐进去了。 这才是 SEED 最有意思的地方。 SEED 可以理解成 Prediction Market 的 Pre-Market。 别人等市场开盘后再进,你已经提前布局。如果后面热度、资金、讨论度起来,你赚的往往不只是最终结果, 而是:共识形成过程中的重新定价。很像美股 Pre-Market,也很像 Crypto 早期拿筹码。所以我不会乱 SEED。 我只看三件事: • 有没有流量潜力 • 有没有信息差 • 开盘后有没有资金进来 真正要预测的,不只是:“谁会赢?”而是:哪个outcome 最容易被市场重新定价? AI 在这里很适合做监控。 我会盯: X 热度 赔率变化 搜索趋势 社区情绪 新闻增速 专门找那种:现在关注度还很低,但 Attention 已经开始加速的市场。这种机会,我最感兴趣。 玩法其实很简单:正常交易拿 Tickets → 用 Tickets 参加 SEED → 提前拿仓位 → 市场开放后观察热度和流动性 → 有利润就分批退出 我不会为了刷 Tickets 硬做交易。最后只看一个东西:SEED 净收益 = 最终收益 - 所有成本 - 原仓位亏损 我最喜欢的类型是:低共识 + 高潜在热度。现在还冷门,但模型已经看到:热度在爬 ,赔率在动 ,大号开始讨论 ,搜索量开始抬头,这种感觉很像小盘股启动前夜。 当然,SEED 不是稳赚。早进,只代表你可能有成本优势。没流量、判断错、流动性不够,照样会亏。所以我现在越来越觉得:SEED 交易的不是结果,而是 Attention。 下一步我真正想测的,也不是 AI 能不能猜中 Winner。 而是:它能不能在人群之前,预测下一波共识会在哪里形成。 @42space
显示更多
0
82
29
1
转发到社区
张一鸣在字节seed的全员会上谈到了自己是反对蒸馏的,他认为这虽然能在短期内改善模型表现,但本质上,是在复制别人 已有能力的路径。如果沿着这条路走,最多只能接近,无法实现超越。他更希望seed可以从更底层的维度去构建自己在AGI上的壁垒。 过去的几年里,中国AI因为算力约束,被迫走了这种效率优化路线,而蒸馏正是这种路线的重要组成部分。 其实我倒是觉得,蒸馏从正面的角度来看,是一种工业化技术。 怎么说呢,就大部分人理解蒸馏是这样的,大模型A很强-抄答案-小模型B变强,但真正的蒸馏是大模型产生了在大量高质量行为样本之后,小模型去学习它的推理路径、解决问题的方法、表达方式,包括工具调用方式,从而形成一种新的能力结构。我更倾向于认为,这类似于学生和老师学习,也不是复制老师的大脑,只是学习老师解决问题的方法。 很关键的一点是,蒸馏改变了 AI 竞争的格局。过去一直都是谁的 GPU 多谁赢。如果是这样,差距很快会被不可逆转地拉大,因为谁能保证凭借 GPU 的优势训练出更强的 AI 之后,AI 不会又造出更牛逼的 GPU,形成一种循环垄断呢? 这是本质上有一点类似接近资源能力垄断,但有了蒸馏之后,未来或许是谁更能压缩智能,谁更能占得先机。毕竟大模型在耗费巨资进行训练之后,真正到了推理场景、每天有几亿次调用、真正商业化的时候,成本是极其重要的。蒸馏就是把大模型能力压缩成便宜模型能力,这很有商业价值。 不过赵一鸣有一点说得很对,大模型蒸馏确实不是未来AGI路线,就像我两个月前在 MSX 的一场 Space 里分享的那样,语言模型主要还是学习人类已有的知识。但人类已有的知识并不优质,而且终有用尽的那一天,相比于整个世界的知识确实太少了。 因此,我认为真正的智能需要世界模型,需要物理理解,需要自主学习,蒸馏永远无法创造新的智能。至少我对智能的期待并不是学生模仿老师,而是机器自己观察世界。 我的想法是,模型的能力来自规模,但未来突破还是来自新的训练方法。 只是说,知识蒸馏确实是深度学习不可避免的一环。 这里说个行业小趣事吧,因为我在做GPT代充和中转站的业务,所以了解到大部分“正常用户”几乎都是不会卖OpenRouter的正规正价codex额度的,因为太贵了,那么那么贵的额度是谁在买呢?基本上都是搞蒸馏的。 AI的竞争已经到了第二-第三阶段了。 第一阶段是比谁训练最大模型,当时的赢家当之无愧是OpenAI、Anthropic,也包括谷歌吧。第二阶段是谁能最低成本复制智能,这里 DeepSeek、千问甚至 Meta Llama 都胜出了,因为这比的是开源+蒸馏+低成本部署。第三阶段可能会比谁能创造新的智能,赢家或许会重新回到OpenAI、anthropic和DeepMind(注意不是谷歌)手上。 如果从投资的角度来看,蒸馏会削弱纯模型能力的护城河,但它会增强算力、效率和应用部署的价值。 单纯卖最强模型的企业受到的影响是偏负面的。GPU、HBM 或许仍能受益。像做推理成本优化、开源模型生态、Agent应用和数据闭环的公司价值依旧是提升的。 所以,有些公司我认为是可以闭眼买的。 所以我准备以后写美股文都小赌怡情一下,小开一万U写的公司,但不构成投资建议,只是为写作增添乐趣,我重仓的标的会在私域群发布。 另外打个广告,GPT代充和中转站服务都可以联系我喵!
显示更多
0
74
83
5
转发到社区
过去半年的 Seed:多模态领先、大语言追赶 过去半年,Seed 的多模态模型取得了显著成绩:今年 2 月上线的视频生成模型 Seedance2.0 和图片生成模型 Seedream 5.0 Lite 声量一度超过业内其他同类模型,迅速引发关注。Seedance2.0 成为火山引擎 MaaS 业务营收的基本盘。 同期发布的语言模型 Seed 2.0,市场反响却较为有限。它一度因较好承接春节期间涌入的 C 端需求,在内部获得好评。但春节大战中,Anthropic 凭借 Opus 系列的 Coding 能力迅速打开程序员和 B 端市场,ARR 很快逼近并反超 OpenAI。中国大厂这才意识到,自己错过了 Coding 的窗口期。与此同时,GLM-5 和 Kimi K2.5 的 Coding 能力也已明显领先。 模型能力的落后影响到了收入端。据我们了解,火山引擎目前是国内最大的模型 API 卖家,市场份额约占一半。火山引擎 2025 年的收入在 150 亿元左右,今年内部定下的目标是超 400 亿元。目标虽大,但并非没有隐忧。 火山引擎的 token 消耗能反应商业化的增长。多位接近火山引擎人士告诉我们,豆包大模型的 token 消耗中,超过一半来自 Seedance 和 Seedream 两个多模态生成模型系列,语言模型占比不高。 二季度以来,随着短剧行业增长见顶、经济大环境的变化,Seedance 的 token 消耗和收入增速放缓,并影响了火山 MaaS 的整体 token 增长——豆包大模型的 token 消耗,3 月为 120 万亿,6 月为 180 万亿,低于原计划的 250 万亿至 300 万亿目标。 智谱和月之暗面凭借持续提升的 Coding 能力,ARR 分别突破 10 亿美元和 3 亿美元。 为补课 Coding 能力,张一鸣亲自邀请,高薪吸引 DeepSeek 核心研究员郭达雅加入 Seed,负责模型 Coding 能力的专项训练。字节将 Coding 相关的研发资源收拢整合,统一划归给郭达雅。同期阿里千问基模团队也投入更多资源和人力专攻 Coding 训练。 训练好的模型更重要的是数据。大公司可以凭借推动内部业务线使用自研模型做开发,形成真实场景反馈数据。但仅有这些还不够。 我们了解到,Seed 内部曾激烈讨论过蒸馏路线的可行性,字节高层则担心蒸馏对 Seed 和技术带来的危害。据 The information,张一鸣在 Seed 的 all hands 会议上明确表示,即使不蒸馏意味着公司在技术上会短暂落后国内竞争对手,也不会采用这一捷径来推进其 AI 模型能力。 8 月 6 日,字节跳动举行公司全员会。豆包负责人赵祺在会称,大模型的市场潜力很大,因此不担心经济回报,但收入还是重要的。 在模型研发上,字节拥有国内最充足的算力储备、业内领先的基础设施能力和高密度的人才队伍,这些构成了它的底气。Seedance 的成功也让字节看到,模型能力一旦领先,便能迅速转化为商业护城河。 一位字节人士说,Seedance 证明,用户会自然流向能力最强的产品。只要能在关键节点做到行业第一,就有机会快速抢占市场,因此不必过度焦虑于短期的排名落后。
显示更多
张一鸣在字节跳动Seed内部会议上明确表示,严禁对开源模型蒸馏,因为蒸馏会干扰长期技术突破,“应该愿意为长期目标牺牲一部分短期收益”。
显示更多
0
52
209
8
转发到社区