8 月 6 日，字节跳动 CEO 梁汝波在全员会上承认，Seed 大语言模型与海外领先模型的差距正在扩大。张一鸣则在更早的内部会议上明确反对蒸馏竞争对手模型。同一天，字节被披露正在讨论训练一个参数规模超过 5 万亿 的大模型——这是阿里 Qwen 3.8-Max 的 2 倍以上，Kimi K3 的 1.8 倍以上。
8 月 6 日，字节跳动 CEO 梁汝波在全员会上承认了一个内部早已察觉的事实：Seed 大语言模型与海外领先模型之间的差距正在扩大。他要求团队接受一段时间的落后，坚持自研和长期优化。
几乎同一时间，市场获知字节正在讨论一个参数规模超过 5 万亿 的大模型训练计划。作为参照，阿里 Qwen 3.8-Max 参数为 2.4 万亿，Kimi K3 为 2.8 万亿。该计划仍处于早期讨论阶段，最终未必发布。
两个信号看似矛盾，实则指向同一个方向：字节不准备借助竞争对手模型的输出来迅速补齐榜单，而是试图把算力、数据和组织资源集中到一次更大规模的预训练上。
注：参数规模指模型总参数量，对 MoE 架构而言不等于单次激活参数量。5 万亿为讨论阶段目标，非最终承诺。
但一个诚实的注脚：参数规模只说明投入方向，不等于最终出来的模型能力。5 万亿更像字节对资源配置方式的表态，而不是一张提前兑现的技术支票。
张一鸣在更早的内部会议上，明确表达了对蒸馏的反对态度。他认可 Coding 是当前的关键方向，但也提醒团队不应让全部研究资源被单一场景牵引。
这里需要区分两种做法：
把 Claude、Kimi K3 等模型作为"教师"，批量获得输出，再用这些数据补齐自身的推理、编程和工具调用能力。见效快，但能力上限受制于教师模型。
拒绝使用外部模型输出，完全依靠自有算力、数据和工程体系。成本更高、周期更长，但能力上限只取决于自身积累。
这一原则并非临时形成。字节早在 2023 年 4 月便要求，不得将 GPT 生成的数据加入自家模型训练集，并通过 API 调用检查和输出相似度抽样排查违规使用。此后，Seed 内部多次讨论是否借助外部模型蒸馏，最终均被否决。
拒绝蒸馏，意味着字节放弃了一条见效更快的追赶路径。讨论 5 万亿参数，则意味着它愿意用更多算力、数据和时间承担这部分成本。
字节急于翻盘的深层原因，在账本上。
先看技术面的差距。今年 2 月，Seed 2.0 正式发布，市场反响有限。几乎同一时间，智谱开源了 GLM-5，被市场视为国内第一个能与 Anthropic Opus 系列比肩的模型。7 月发布的 Kimi K3，多项第三方评测认为已接近海外闭源旗舰。
差距最疼的地方在 Coding。春节期间，Anthropic 凭借 Opus 系列的编程能力迅速打开程序员和 B 端市场，ARR 很快逼近并反超 OpenAI。智谱和月之暗面则凭借持续提升的 Coding 能力，ARR 分别突破 10 亿美元和 3 亿美元。中国大厂这才意识到，自己错过了 Coding 的窗口期。
字节擅长的"大力出奇迹"打法过去依赖赛马：在同一方向安排多个团队并行试错，再根据市场反馈集中资源。但前沿大模型不吃这一套——单次训练成本以亿元计，反馈周期以年计，十个团队做十个方向，等于每个方向都投入不足。
据媒体报道，字节高层正推动 Seed 取消同一方向上的内部赛马，收拢研发资源，明确团队职责并打破部门墙。
具体动作已经落地：
张一鸣亲自邀请 DeepSeek 核心研究员郭达雅加入 Seed，负责专项训练，相关研发资源统一划归。项亮（Seed Foundation 负责人）与沈科（预训练数据负责人）搭档，两人均出身于字节的搜索、广告和推荐体系。
这套组织调整解决的是投入分散问题，却不能消除研究不确定性。赛马减少后，单一路线获得的资源更多，方向判断错误的代价也会更大。对字节而言，5 万亿参数模型既是一次技术训练，也是一次组织训练：它要求以往擅长快速试错的产品公司，适应周期更长、反馈更慢的基础研究。
张一鸣说，字节"应该愿意为长期目标牺牲一部分短期收益"。这句话的真正考验不在模型榜单上，而在收入表上。
从快速试错到长期投入，字节正在经历组织层面的范式转换。5 万亿参数既是技术赌注，也是组织能力的压力测试——它要求一家以产品迭代著称的公司，学会在不确定中坚持一条无法快速验证的路线。
5 万亿参数模型能否兑现，取决于 Seed 在架构、数据、训练方法和组织协同上的系统性突破。
字节选择了一条更昂贵但更独立的路线，接下来的关键节点是：模型能否在 Coding 和复杂推理上建立真正的竞争力。
梁汝波在全员会上说：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"。
400 亿的年度目标、低于预期的 token 增速、占比过半的多模态收入——接受技术落后容易，接受落后带来的收入缺口难。