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。

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。

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

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！

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。

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”。

42 新推出的 Seed 玩法很香~ 世界杯期间我连续打了“世界杯星中之星”和“阿根廷 VS 瑞士”两个 eMEME 市场 今天结算后发现一共赚了 300 多刀！ 其实 Seed 玩法和 Virtuals 之前 Genesis 模式很像，都是鼓励钻石手的，用户获取 Ticket（类似 Genesis Points ）后，才有资格“Seed a market” 由 Bonding Curve 机制决定了，越早期进来的地址成本越低，所以 Seed 轮作为第一个进来的 100% 不会亏钱，结果赚多赚少的问题 总之 @42space 牛逼

刚刚 Doubao-Seed-2.1-pro 发布啦! 给大家分享一个自我迭代 Agent 的构建技巧啊, 也是我在今天字节 seed-2.1 模型发布 demo 中用到的技巧. 这个技巧的核心就是, 干一件复杂的事情, 用两个Agent比用一个Agent要好. 简单来讲打工Agent干完活之后, 还要增加一个评审Agent, 这个Agent要给打工Agent的产出评分, 然后说明评分理由, 哪里做得好, 哪里做的不好. 然后, 一定要输出结构化的评分结果(JSON就行), 这样, 打工Agent接到评分后, 进行修改, 修改完毕再次交给评审Agent, 评审Agent再次打分, 这时候就可以跟上次的打分进行对比. 只有得分大于上次的得分, 你的框架才合并这次的修改. 这就是 Agentic 自我迭代了. 基于 AI 反馈的强化学习的雏形基本就是这样的了, 以及吴恩达提出的 Agentic Workflow 核心原则之一就是 Reflection（反思），框架让模型像人类程序员提交 PR一样：打工 Agent 提交 PR，裁判 Agent 跑测试、打分。只有 Review 通过才能 Merge 到主分支。这就是真正的“工程化迭代”了. 甚至我框架内其实就是采用的Git模式, 多个Agent进行并行评估模拟多个分支, 只有打分高的才会合并到主分支. 最终得益于 Seed-2.1 本身的自我迭代和多模态能力也很强, 在它的驱动下, 成功实现了这个【只需要上传一个城市的相册, 就能建模一整个城市】的demo. 相信在现场的同学已经看到这个 demo 了哈哈. 下一期告诉你当这个办法也失效了, 该怎么办☆. #AIAgent# #seed21# #AI自我迭代#

Binance Will List Gensyn (AIGENSYN) with Seed Tag Applied 币安将上线 Gensyn (AIGENSYN)，并应用种子标签。 ———————————— 2026-05-14 18:00:06