字节张一鸣罕见表态拒绝“蒸馏”，透露AI竞争下一阶段
来源：昭粟
一家曾经靠“速度”赢得移动互联网时代的公司，正在人工智能竞赛最激烈的时候，要求自己慢下来。
昭粟AI制图
8月6日，在字节跳动2026年度年中全员会上，CEO梁汝波给出了一份并不完全轻松的AI成绩单：豆包在消费端保持竞争力，视频生成模型Seedance处于行业前列，但字节的大语言模型与海外领先模型之间，差距反而有所扩大。
面对这一差距，字节没有选择改变路线，梁汝波表示，最重要的是动作不要变形，从心态上要接受大语言模型一段时间的落后，坚持自研和优化长期。“昨天看到有外部报道说，我们是因为外部压力才坚持自研的，这是瞎猜的。真实原因是，我们希望团队延迟满足感，打好技术基础，这对长期实现 AGI 很关键。”
同日，据《每日经济新闻》援引相关人士报道，张一鸣在近期内部会议上也表示：“即便Seed的模型能力暂时落后于国内主要的竞争对手，字节也不会用蒸馏的方式来加快大模型训练的速度”。
根据公开资料，张一鸣很少在Seed团队的会议上发言，但此次明确表态，“字节跳动应该愿意为长期目标，而牺牲一些短期收益。”
相关内容目前来自媒体对内部人士的采访，字节尚未公开完整会议纪要。
从“勇攀高峰”到接受阶段性落后
这是一种与字节过去商业基因形成反差的选择。
过去十余年，字节跳动凭借算法推荐、产品迭代和流量分发能力迅速崛起。从今日头条到抖音，字节证明了自己最擅长的是如何更快发现用户需求、更快优化产品体验、更快建立商业闭环。
但进入AI时代，竞争规则正在发生变化。
如果说移动互联网时代拼的是产品和分发速度，那么基础模型竞争考验的则是另一套能力体系——长期研发投入、大规模算力支撑、算法积累，以及面对技术路线不确定性的耐心。
这一次，字节选择接受“慢”。
而这种选择，也与半年前公司提出的“勇攀高峰”形成了耐人寻味的对照。
今年1月29日，字节跳动官方账号“字节范儿”披露2026年首次全员会部分内容。会上，梁汝波将年度关键词定为“勇攀高峰”，并将豆包及其海外版Dola助手视为短期需要突破的重要方向。他同时提出，字节需要提升AI模型能力，通过AI助手整合已有产品和服务；在企业市场，则希望依托火山引擎推动模型服务商业化。
截图自字节跳动官方账号“字节范儿”
半年之后，字节对自身AI业务的判断更加清晰。
在消费端，豆包已经建立起明显的用户规模优势；在视频生成领域，Seedance成为字节多模态能力的重要代表；但在通用大语言模型领域，字节管理层主动承认，与海外领先模型之间仍存在阶段性差距。于是梁汝波在年中全员会上表示，字节将继续坚持大模型自研，接受短期落后，并通过长期优化补足基础能力。
这也形成了字节AI业务目前最鲜明的一组反差：
应用端领先，模型端追赶。
豆包已经跑起来
但基础模型仍是一座更难攀登的高峰
从产品应用来看，字节已经占据先发优势。
QuestMobile数据显示，截至2026年6月，中国AI原生App整体月活跃用户达到4.99亿，同比增长85.4%；其中豆包月活跃用户达到3.82亿，在国内主要AI原生App中保持领先。与此同时，AI原生App用户使用频次持续提升，AI助手正在从尝鲜工具逐渐向高频应用转变。
图片来源于QuestMobile《2026上半年AI应用市场发展洞察报告》
这一成绩证明，字节在AI应用层拥有强大的产品和分发能力。
豆包背后连接的不只是一个聊天机器人，而是一整套互联网生态：
抖音提供内容场景，剪映连接创作需求，飞书切入办公场景，火山引擎承接企业客户。
对于一家互联网公司而言，这些入口意味着丰富的应用场景和商业化空间。
但应用成功并不意味着基础模型已经领先。
大模型竞争的核心，不只是拥有多少用户，而是模型能否在复杂推理、代码生成、Agent执行、多模态理解等任务中持续提供稳定能力。
这也是字节需要继续投入Seed系列模型的原因。
Seedance证明多模态优势
但语言模型仍需追赶
相比通用语言模型，字节在视频生成这一AI赛道中展现出了更明显的竞争优势。
2026年2月，字节跳动Seed团队发布Seedance 2.0。根据官方介绍，Seedance 2.0支持文本、图像、音频和视频多模态输入，能够基于多个参考素材生成具有连续镜头、角色一致性和声音匹配的视频内容。与此前主要依赖文字生成画面的模型不同，Seedance试图解决的是更复杂的视频创作流程：从素材理解、剧情设计到镜头生成和声音同步。
截图自字节跳动Seed官网
这一方向与字节自身长期积累高度契合。
过去十多年，字节在短视频分发、内容理解、推荐算法和创作者生态方面形成了深厚积累，而视频生成本质上需要处理视觉理解、内容生成和创作工作流等问题。因此，在视频模型领域，字节更容易将模型能力与剪映、即梦等产品场景结合，形成从模型到创作工具的商业闭环。
第三方评测也显示，Seedance已经进入全球视频生成模型第一梯队。
以Arena（原LMSYS Chatbot Arena）的视频模型评测为例，截至2026年8月3日的公开榜单显示，在Text-to-Video类别中，Seedance 2.0（dreamina-seedance-2.0-720p）排名第二，模型评分1479，仅次于Google Gemini Omni Flash；同时，Meta Muse Video、阿里相关视频模型等也位于竞争序列中。
截图自Arena官网
而在Image-to-Video和Video Edit 类别中，Seedance 2.0（dreamina-seedance-2.0-720p）魔性的评分均位居榜首。
截图自Arena官网
不过，需要注意的是，视频生成模型的竞争仍处于快速变化阶段，不同测试任务会呈现不同结果。例如，文本生成视频、图像生成视频、带音频视频生成、复杂动作一致性等任务，对模型能力的要求并不相同。因此，“SOTA”更多代表某一项评测指标上的领先，而不是所有应用场景下的全面优势。
Seedance的优势，也并非只来自模型参数。
一方面，字节可以依托剪映、即梦等产品，将模型能力直接嵌入内容生产流程；另一方面，短视频生态积累的大量创作需求，也为模型优化提供了真实应用场景。
但这种优势并不意味着可以简单复制到通用大语言模型竞争中。
视频生成和语言模型虽然都属于生成式AI，但背后的技术路径存在明显差异。视频模型更关注视觉理解、时空一致性、动作生成和多模态融合；而大语言模型需要解决复杂推理、代码能力、知识调用、工具使用以及长链路任务执行等问题。
通用语言模型
应用优势无法直接替代底层能力积累
相比Seedance的快速突破，通用语言模型竞争更加复杂。
梁汝波在内部会议中提到的大语言模型差距，更多指向以Seed系列为代表的基础模型能力与国际领先模型之间的竞争。
从公开信息看，Seed系列模型已经覆盖文本、多模态、代码和Agent等多个方向。字节官方发布的Seed2.0和Seed2.1材料显示，其重点正在从单纯提升知识问答能力，转向办公任务、软件开发、GUI操作和多工具协作等更接近真实工作流的场景。
但在第三方公开评测中，模型竞争格局仍处于快速变化阶段。
以Arena为例，该平台通过用户匿名对比投票形成模型偏好排名，被广泛用于观察大模型实际交互表现。截至2026年8月初公开榜单中，头部位置仍主要由OpenAI、Anthropic、Google等公司的海外模型占据，同时Kimi等国产模型也进入前列；不同模型在文本、代码、Agent等不同任务中的表现存在明显差异。
截图自Arena官网
这意味着，单一Benchmark或者榜单排名，并不能完全代表模型综合实力。
对于基础模型而言，真正决定竞争力的，不只是回答一道问题的能力，而是在复杂环境中完成连续任务的能力，包括：能否理解长期目标、能否调用外部工具、能否自主规划步骤、能否发现错误并修正、能否稳定服务企业生产流程。
这些能力，也是当前Agent时代模型竞争的新焦点。
因此，字节AI业务呈现出一个明显矛盾：
在应用端，豆包已经建立规模优势；在多模态生成领域，Seedance找到差异化突破；但在决定未来AI基础设施竞争的通用模型能力上，字节仍需要持续投入。
这也引出了字节当前最大的战略问题：
一个拥有庞大用户入口和丰富应用场景的公司，能否把产品优势真正转化为基础模型优势？
豆包的用户规模、抖音和剪映的内容生态、火山引擎的企业客户，都为Seed提供了独特条件；但从应用规模到模型能力之间，并不存在自动传递的路径。
而这，也正是字节选择继续坚持自研、接受阶段性落后的原因。
从“蒸馏争议”到能力焦虑
字节反对的，究竟是哪一种“蒸馏”？
张一鸣提出“不用别人的输出换一时的榜单排名”，将一个大模型行业长期存在的技术话题推到了公众视野：知识蒸馏（Knowledge Distillation）。
但需要首先明确的是，蒸馏技术本身并不是一个负面概念。
2015年，Google DeepMind研究者Geoffrey Hinton等人在论文《Distilling the Knowledge in a Neural Network》中提出知识蒸馏方法，其核心思想是利用一个性能更强的“教师模型”（Teacher Model）产生知识信息，再指导规模更小的“学生模型”（Student Model）学习，从而在降低模型规模、计算成本和部署成本的同时，尽可能保留模型能力。此后，知识蒸馏逐渐成为模型压缩、推理优化和边缘部署的重要技术路径。
因此，在AI产业中，“使用蒸馏”并不等于“复制”或者“抄袭”。
真正值得讨论的问题是：教师模型是谁？训练数据从哪里获得？这种方式是在优化自身能力，还是在替代自身能力建设？
这也是当前大模型竞争中，蒸馏技术最具争议的地方。
从产业实践来看，蒸馏大致存在几种不同路径。
第一种，是企业内部的大模型向小模型传递能力。这是最常见的工程优化方式。例如，一家公司训练出大型模型后，可以利用自身模型生成的数据训练轻量版本，以降低部署成本，提高响应速度。这种方式的核心目标，是提升模型效率，而不是替代基础研发。
第二种，是自蒸馏或者内部轨迹蒸馏。企业可以利用自身强模型生成推理过程、工具调用路径或者任务执行轨迹，再用于训练下一代模型。这种方式的重要价值在于，训练数据、模型反馈和优化方向都掌握在企业自身体系内，有助于形成长期技术积累。
字节自身公开研究也使用过类似技术路线。例如，Seed团队发布的Seed Diffusion Preview研究中，就利用内部预训练模型生成并筛选高质量轨迹，再通过蒸馏训练扩散语言模型，以提升代码生成效率。该研究显示，模型推理速度达到每秒2146个Token，相比相近规模自回归模型提升约5.4倍。
第三种，是基于开源模型或者公开数据进行蒸馏。这种方式在当前开源生态中十分普遍，但关键在于是否符合模型许可证、数据来源和使用协议。只要满足合规要求，它同样属于正常技术路线。
真正具有争议的，是第四种情况：企业通过竞争对手的闭源API，大规模获取领先模型生成的答案、代码或者推理结果，再将这些输出用于训练自己的模型，以快速提升测试成绩。这种方式之所以受到争议，是因为它可能让企业快速获得接近领先模型的部分能力，但同时也带来几个问题：一是是否符合API服务条款；二是训练数据来源是否透明；三是企业是否真正掌握了模型训练、评测和迭代能力。
换句话说，一个模型可以通过学习领先模型的输出，在部分测试任务上获得更好的表现，但这并不意味着它真正拥有了对方的训练体系、模型架构和持续进化能力。
这也是张一鸣此次表态背后的核心逻辑。
字节真正强调的，可能并不是拒绝蒸馏这一技术工具，而是不希望外部领先模型的输出成为自身基础能力建设的替代品。
这一点也可以从字节自身技术实践中得到印证。
事实上，字节并非“不使用蒸馏”。Seed团队公开研究中已经多次使用蒸馏、量化等技术提升模型效率；例如Seed Diffusion用于提升代码生成速度，Seedream等视觉模型也采用相关技术优化推理效率。
因此，将此次内部表态简单理解为“字节全面反对蒸馏”，并不准确。更准确的理解是：字节关注的是模型能力的来源。如果利用自身模型、自有数据和内部反馈体系进行优化，蒸馏是一种提升效率的工程手段；但如果依赖外部领先模型输出快速追赶榜单，则可能形成对他人能力的依赖，而无法建立完整的基础模型体系。
这也是当前大模型竞争正在发生变化的地方。过去，企业可能关注：“谁的模型分数更高？”但随着模型进入产业阶段，模型进入真实应用，竞争开始转向：“谁拥有持续训练、更快迭代和长期优化模型的能力？”对于字节而言，真正需要证明的不是某一次榜单排名，而是能否建立从模型训练、评测体系，到产品反馈和商业落地的完整闭环。
而这，正是张一鸣所谓“延迟满足感”背后的真正含义。
不走“捷径”，字节想积累什么？
从榜单到真实任务，答案逐渐清晰：字节真正要积累的，不是某一代模型生成答案的能力，而是一套能够持续训练、改进和部署下一代模型的完整体系。
字节Seed团队的公开资料显示，其语言模型研究已覆盖预训练、后训练、推理、记忆、学习和可解释性等多个环节；基础设施团队则专注于分布式训练、强化学习框架、高性能推理和异构硬件优化。这意味着，基础模型竞争远不只是训练出一个参数规模更大的产品，而是要同时打通数据、算法、训练稳定性、强化学习、推理成本和工程部署等一系列问题。
正是基于这一认知，字节开始将评价重点从榜单分数转向真实任务表现。Seed 2.0的官方定位已不再局限于知识问答，而是强调复杂工作流和长程任务，包括科研、软件开发、非结构化文档处理以及Agent执行；Seed 1.8则进一步整合搜索、代码和GUI操作能力，使模型能够在不同工具和界面之间完成连续任务。
相比在固定题库中多获得几分，这类能力更难训练，也更难验证。模型不仅要理解目标，还要规划步骤、调用工具、发现错误并完成交付。短期借助外部领先模型输出，或许能复制部分答案和行为，但无法直接获得对方在数据治理、训练基础设施、强化学习体系和工程经验上的积累。一旦任务形态、评测环境或外部接口发生变化，缺乏自主能力的短板便可能暴露。
当然，坚持自主积累也意味着承受时间、算力、人才和市场窗口的多重压力。企业客户选择模型时，不会只看厂商的长期目标，还会比较当前效果、稳定性、响应速度和完成任务的总成本。低Token单价如果伴随更多重试和人工返工，并不等于真正的便宜；而模型能力如果长期落后，开发者也可能转向其他平台。
字节的特殊之处在于，它已经拥有一条比多数模型创业公司更完整的应用链路：Seed语言与多模态模型向下连接训练和推理基础设施，向上进入豆包、即梦、TRAE和火山方舟，并进一步触达内容创作、办公协作和企业服务。Seedance 2.0已上线即梦、豆包和火山方舟，说明字节具备将模型快速嵌入产品与商业场景的能力。
但应用入口丰富，并不自动等于基础模型领先。用户规模可以提供使用反馈，业务场景可以提出真实需求，商业收入也能支撑研发投入，但都无法替代预训练、后训练和基础设施能力本身的积累。
这正是梁汝波和张一鸣此次内部表态的落点。梁汝波承认语言模型存在阶段性差距，同时要求团队避免因短期压力导致技术动作变形；张一鸣则明确拒绝“用别人的输出换榜单排名”，希望团队保持延迟满足，为长期目标承受部分短期损失。
延迟满足最终需要经受的不是舆论检验，而是业务检验：Seed能否在通用推理、软件开发和长程Agent任务中持续缩小差距；产品反馈能否转化为有效训练信号；火山引擎能否将模型能力变为稳定的企业采用和商业收入。
榜单只能证明一代模型在某一时刻的表现。真正的长期壁垒，是一家企业是否拥有持续制造更强模型，并将其转化为真实生产力的能力。
责任编辑：孙同怀
来源与核验
来源名称：新浪财经
原文标题：字节张一鸣罕见表态拒绝“蒸馏”，透露AI竞争下一阶段
原始发布时间：2026-08-06T22:34:38+08:00
数据来源：新浪财经原始报道及文中列明资料
核验日期：2026-08-06T22:34:38+08:00
本页当前为内部编辑草稿，尚未完成本站独立分析、版权复核和发布审核，不构成投资建议。