张一鸣谈字节大模型：追平顶尖对手至少要等到2029年

多家媒体援引知情人士消息，11月12日前后，字节跳动的创始人张一鸣在内部AI团队全员会议上发言时提到，公司具备与OpenAI、Anthropic同台竞争的条件，而要真正赶上前沿水平，按他的判断最早得等到2029年至2030年。

这场会议上，高质量预训练语料的体量被他点为眼下最突出的薄弱环节；他再次明确Seed模型不走“蒸馏”这条路，资源投向原生预训练和长期研发目标。

面向用户的应用与视频生成已经走到前列，底层大模型基座却仍需多年补课，这种一热一冷的落差背后是什么？

内部会上的对标坐标与追赶时点

11月12日，澎湃新闻援引多位知情人士消息率先报道，张一鸣近期在这场内部AI团队全员会议上，把自研基础大模型的参照对象定为OpenAI、Anthropic两家美国头部实验室，以及国际第一梯队水平。

参照坐标划到这一层，意味着内部讨论不再只以国内同行位次为主要标尺。

会议给出的判断是，字节能够参与这一轮竞争，但要真正追上前沿技术，最早也要到2029年或2030年。这个节点属于公开预判，并不是已经排定的研发日程；会议实录也没有对外公开，相关表态均经由媒体援引知情人士得到。

负责Seed基础模型的队伍由吴永辉领衔，他在2025年从谷歌DeepMind加入。按36氪与21世纪经济报道的口径，这支队伍约有1000名研发人员和工程师，指的是核心研发团队，并非全部相关岗位人数。

近期公开信息里，字节视频生成模型Seedance处于全球前列，面向用户的豆包，国内用户体量一直排在前面。前台产品的表现快慢，跟底层基座的推进进度，并不在同一根节拍上。

2026年10月，Seed单独组建安全与对齐团队。21世纪经济报道称，这在国内前沿AI实验室当中，属于较早作出同类安排的机构之一。团队设置上的这一动作，把可靠性与治理配套也纳入了基础模型的竞争视野。

另有境外媒体引述知情人士说法，字节打算于接下来数周内上线一款对标Meta旗下Muse的人工智能助手。这一产品动向由21世纪、腾讯新闻转引钛媒体的报道转述，尚未作为成品对外发布，只能按在研动向看待。

语料短板与拒绝蒸馏的路线选择

会上，高质量预训练语料的规模被点为最突出的问题。按转述口径，Seed预训练数据集的体量仍少于海外顶尖对手；各家媒体对差距强弱的表述并不一致，稳妥的说法是规模仍偏少，不宜把差距讲得过满或过轻。

路线取舍上，他再次强调不应依赖“蒸馏”，也就是不靠体量更大的模型吐出的结果来训练自家模型，而是把资源放在原生预训练、底层基座和长期目标上。这条选择等于把捷径排除在外，训练过程要从基座层面一步步自行完成。

蒸馏之所以被部分队伍选用，是因为它能借已有大模型的输出较快带出可用结果，起步看起来省事；但这种方式跳过了基座层面的自行摸索，遇到更深层的能力问题时，底子是否扎实仍要回到原生训练上检验。

依照规模定律的通常思路，高质量多语料、顶尖人才、算力和长期科研积累，共同决定基座能够达到的上限。而语料能否拿到，又受制于开放生态环境与版权条件，短期内很难靠资金一次性补齐。

这一约束决定了追赶不是单纯的投入竞赛。数据要靠持续采集与清洗积累，人才要靠长期培养和队伍建设，算力要靠持续储备，科研经验则要在一轮轮模型迭代中沉淀，每一项都需要时间，很难跳级完成。

核心研发人员的判断经验，往往来自多轮训练中的摸索与调优，无法靠短期招聘完全替代；算力储备也要结合训练节奏逐步铺开。队伍厚度跟语料、算力一样，都是慢变量。

团队层面，约1000名研发人员和工程师，这支队伍在吴永辉领衔下继续扩充；单独设立的安全与对齐团队，也说明基础模型的竞争不只在参数比拼，还包括可靠性与治理配套。治理能力跟模型能力一样，需要随版本逐步补齐。

对齐团队单独设置之后，模型在内容安全、价值对齐上的表现，会和基础能力一同进入后续版本的观察范围，而不是等基座成形之后再回头补。

豆包与Seedance已经在用户规模、视频生成上占据靠前位置。但应用层的热闹，没法自动兑换成底层语言大模型的代际优势；前台产品跑得多快，并不等于后台基座补齐了多少功课，两条进度线不能混在一起估算。

放弃蒸馏，意味着要接受阶段性榜单上的吃亏。以阶段性名次承压，换取原生训练的积累，这条路能不能换来扎实的基座优势，仍要靠后续模型表现来检验，当下只能看到方向，还不能提前下结论。

承认差距之后的长线自研取向

一家行业头部的互联网企业，愿意在内部会议上直接讲明同海外顶尖基座之间的差距，属于务实的产业层面判断，并非对外示弱。把差距讲清楚，反而便于内部对齐资源投向，也便于外部按实际进度观察。

这种判断放在公开语境里看，不是给自己留退路，而是把追赶的现实条件讲在前面；外界据此评估进展，比被包装出来的名次更可靠。

全球大模型竞赛当中，应用层可以凭借产品体验加上运营动作，快速把规模做起来；底层基座则绕不开语料长期积累、原生训练以及跨时间的反复迭代，两类曲线的推进节奏本就不同，拿应用增速去衡量基座进度并不合适。

应用层的竞争可以靠体验细节、响应速度和运营节奏快速拉开差距，用户感知也更直接；基座层面的进步往往要等模型版本出来之后，才能在能力边界上看到变化，反馈周期要长得多。

对中国AI行业而言，承认阶段性差距、选择长线自研，比追逐短期榜单排名离实打实的技术积累更近。补底层功课没有捷径，只能靠着模型一代代迭代磨出来，急不来，也绕不开。

字节选择的这条路，也照见头部实验室共同的倾向：在守住C端产品和视频生成优势的同时，把资源投向基础模型、算力储备和安全对齐这些慢变量。慢变量见效不快，却决定基座能走多远。

这些方向短期内未必反映到榜单名次上，却决定基础模型能不能在后续版本中逐步靠近前沿水平；产品前台与基座后台，需要两条线同时推进，不能只顾一头。

后续观察重点，是Seed新模型在公开评测和实际场景中的表现、语料和算力投入怎样落地推进，不宜只盯着这一次内部发言。一次会议给出的是方向判断，真正的进展要落在后续版本和实际使用当中。

头部队伍把基座功课摆到台面上，后续无论版本表现如何，观察口径都更清楚；不让差距被应用成绩掩盖，本身也是一种积累。

判断一次内部表态，不宜把预判当成承诺，也不宜把路线选择当成既定结果；后续版本的实际能力表现，才是更可靠的参照。

前沿技术的追赶周期，往往要按数年计算。愿意把时间成本摆到明面上，比起回避差距，更利于把底层能力磨扎实；承认当前位置，才谈得上安排后面的追赶节奏。

普通人期待的，终究是用上更聪明、更靠谱的国产AI产品；这份期待，得靠长期自研一代代落到实处。