张一鸣为什么反对蒸馏？

';var script=function(){var scripts=

张一鸣对大模型路线的新判断，正在改变Seed团队的研发方式。

7月，字节跳动Seed团队召开了一场内部会议，会议提及的内容包括把火山引擎、豆包和飞书整合的原因，也就是集中力量，才能在算力和数据上有优势。

8月初，更重要的信息才被国内外多家媒体报道出来，字节跳动创始人张一鸣在会上谈到了“模型蒸馏”。他反对“模型蒸馏”。

在业内，模型蒸馏被普遍视作一种提升效率的替代方案。通过学习领先模型，较小的模型能在更短时间内获取部分能力，从而降低算力成本、缩短研发周期。对追赶者而言，这是一条见效快、成本低的技术选择。

蒸馏可以帮助模型更快追上一个已经存在的目标，却很难回答目标之外还有什么。根据会议内容可以看得出来，字节明确了Seed团队对基础模型研发路线的取舍。

过去半年，世界范围内的AI大模型百花齐放。其中，字节跳动在多模态领域持续布局，视频生成模型Seedance推出后引发市场热烈讨论，深刻影响着AI视频生成领域；而在语言模型领域，海外的Claude、Gemini不断推高上限，国内的DeepSeek、智谱、月之暗面也在推理和代码等垂直方向密集迭代。

面对未知地带，张一鸣选择让Seed自己去找答案。代价是更多算力、更长训练周期、大量可能没有结果的实验，以及产出常人能够理解的组织耐心。这样的选择未必马上反映在AI大模型榜单上，却决定了一家公司有没有能力走进没有现成答案的地方。

环顾四周，中国大模型行业发展到今天，不同公司间的技术路线之分或许就在这里。而字节的处境，与其他大模型公司，格外不同。

字节对模型蒸馏的限制，比外界想象得更彻底。

限制覆盖了整个外部模型生态。美国前沿闭源模型不能用于蒸馏，开源模型同样被纳入禁区。为了把规则真正落到研发环节，字节内部还通过API调用检测等方式加强管理，减少研发团队借助外部模型输出提升能力的空间。

表面上看，张一鸣反对蒸馏是对一种技术路径的取舍，放到Seed的发展阶段来看，背后其实是对大模型研发路线的一次选择。

张一鸣的判断很明确。训练大模型是一项高难度、长周期的工程，模型能力最终需要建立在预训练、数据、算法和工程体系的长期积累上。即使Seed的产出当前与全球前沿水平仍有差距，字节也愿意承受阶段性的落后，把自主训练这条路完整走一遍。

这场关于蒸馏的讨论，也由此超出了技术方法本身。中国大模型逐渐逼近全球前沿之后，一个更重要的问题摆到了行业面前：当追赶进入更深水区，大模型公司真正比拼的究竟是什么？

理解这场分歧，需要先回到模型蒸馏在大模型产业中的具体位置。

模型蒸馏本身是一项成熟的技术。简单来说，就是用能力更强的“教师模型”去引导规模较小的“学生模型”，在大幅降低参数与推理成本的同时，提升模型的部署效率。如今，这已是行业优化模型性能的通用手段。

行业的争议焦点，其实集中在另一类行为上——利用竞争对手的闭源模型接口，通过大规模调用获取输出数据，再拿这些数据去训练自己的基础模型。这种做法在业内通常被称为模型“黑盒蒸馏”。

这种模式的吸引力显而易见。对资源有限的团队来说，直接调用领先模型生成高质量样本，能省去海量的数据构建成本，让新模型在代码、数学和逻辑推理等硬指标上实现“弯道超车”。此前，不少开源社区也是借由这种“教师模型”输出的迁移，快速把小模型的性能提升了上去。

但是，蒸馏天然存在“教师模型天花板”，基础模型的竞争，终究不单是榜单分数的比拼，更是数据体系、架构演进、预训练、强化学习及工程能力的综合沉淀。若训练数据大量源自对手模型，最终也只能学到对方的能力边界，难以摸到真正的动力内核。

对于立志冲进全球第一梯队的大模型公司来说，长期依赖外部模型的输出，无异于将自身的上限交给了对手。更深层的问题在于，研发组织的长期演化。

大模型竞争本质上是一场技术基础设施的建造工程。许多硬功夫必须在长期的自主探索中熬出来，比如，高质量数据治理、训练系统优化、算法创新、强化学习设计。如果团队习惯靠外部数据去拉高指标，组织就极其容易退化为一套仅围绕数据筛选和微调优化的工程打法，进而失去对底层模型规律的探索能力。

与此同时，外部模型蒸馏还面临着日趋严峻的商业与合规风险。美系大模型巨头陆续升级产品接口的异常监测，并在服务条款里限制数据采集与模型训练。拿竞品模型的输出来训练自家产品，不仅在行业里引发了关于研发边界的讨论，也在知识产权和服务条款的合规层面上带来不少变数。

曾引起一阵波澜的事件发生在今年2月，Anthropic控诉DeepSeek、Moonshot和MiniMax大规模利用Claude进行所谓的“蒸馏攻击”，指其通过数万个账号产生了超过1600万次交互。7月，月之暗面发布新一代模型Kimi K3后，也迅速被美国公司关注和指控。也就是说，模型蒸馏正在从一个纯粹的技术问题，变成知识产权、服务条款和国际AI竞争中的焦点议题。

毕竟字节家大业大，TikTok在美国的一举一动都被盯着，前些年经历了严酷的调查，它能承担的合规风险跟一般创业公司根本不在一个量级。张一鸣这时候对蒸馏表现出来的谨慎，说白了，就是宁可走得慢一点、贵一点，也绝不能在底层版权和合规上给对手留下一丁点把柄。

随着美系巨头不断收紧API权限与审计风控，靠“借力”维系的技术路径正面临更多不确定性。减少对外部数据供给的依赖，不仅是为了应对眼下的合规与法务风险，也是字节在为未来参与全球市场竞争，提前进行的一场研发体系筹谋。

张一鸣对大模型路线的新判断，正在改变Seed团队的研发方式。

放弃依赖外部模型蒸馏，意味着Seed需要承担更高的不确定性。缺少成熟参照之后，训练数据如何构建、模型架构如何调整、能力突破来自哪里，都需要研发团队自行探索。基础模型研发天然伴随大量失败实验，真正考验的是组织对于长期探索的承受能力。

一次大规模预训练通常需要数月周期，新方向可能投入巨大资源，却无法立即产生明显结果。如果评价体系过度依赖短期排名和阶段性成果，研究团队很难持续探索未知路径。

近期，多家媒体报道称，字节跳动Seed正在推进超大规模基础模型研发。《金融时报》报道，字节正在训练一个可能达到数万亿参数规模的模型，目前仍处于研发阶段，最终参数规模和发布时间尚未确定。

超大规模训练计划释放出了一个清晰的信号，字节希望继续通过扩大预训练规模，寻找模型能力提升空间。Seed在视频模型领域的探索，极大地增强了字节在底层训练路线上的信心。

今年2月，字节接连推出视频生成模型Seedance 2.0和图片生成模型Seedream 5.0 Lite。两款视觉模型很快进入行业视野，Seedance 2.0尤其突出，内测阶段便在国内外社交平台刷屏，成为当时讨论度最高的视频生成模型之一。

热度很快转化成收入。据36氪6月报道，Seedance 2.0已经成为火山引擎MaaS业务最重要的增长来源，单月贡献收入超过10亿元。火山引擎也在4月将2026年MaaS业务营收目标上调至150亿元，而2025年全年MaaS收入约为15亿元。

大模型竞争进入深水区后，组织方式也面临调整。

长期以来，字节依靠多领域的赛马机制推动创新，多个小团队通过快速试错寻找机会，再根据结果投入资源。这套方法适合互联网应用层面的产品竞争，却难以完全适配基础模型研发。一次训练需要消耗大量算力，多方向并行探索会带来显著资源压力。

因此，Seed正在提高核心模型研发的资源集中度。《晚点LatePost》报道称，字节正在整合Coding相关研发资源，并吸引包括DeepSeek研究人员在内的技术人才加入Seed，强化相关方向布局。

组织能力成为大模型竞争的重要变量。基础模型研发涉及算力、数据、算法、人才体系等多个环节，任何单点突破都难以决定最终结果。研发团队需要面对长周期投入，也需要承担探索失败带来的不确定性。

Gartner预测，到2028年，约三分之一企业软件将具备AI Agent能力，超过60%的生成式AI应用将通过企业级AI平台部署。对于火山引擎和豆包等商业化业务而言，底层模型能力决定未来竞争空间，应用层产品可以快速迭代，基础模型能力则需要长期积累。

其实，张一鸣最底层的行动逻辑，是守住创造能力的组织机制。沿着这条线看，字节近期围绕模型、组织和研发体系的一系列动作，都指向同一个目标——把决定技术突破的关键变量尽可能留在内部。

这种思路带着非常强的平台原生主义。平台时代最重要的能力，就是控制。控制算法，控制流量，控制数据，控制分发，也控制价值链上的关键节点。到了AI时代，这套方法论继续向模型研发延伸。模型、数据、算力、人才和产品需要咬合在同一套体系里，任何一个关键环节长期依赖外部，都会削弱整体的自主进化能力。

因此，张一鸣真正警惕的，或许是研发能力被外部技术路径牵引。蒸馏能够缩短差距，API能够迅速补齐能力，但长期依赖外部动能，会让字节内部的研发体系逐渐失去寻找下一次突围的能力。