两位多模态负责人接连离职，大厂不是不要生成了，是不再单独养它

各家发布会上都爱放几段视频生成的 demo，画面一年比一年像电影。可到了分预算的会上，大伙嘴里全是 Agent 和编程。

10月31日，字节 Seed 一位核心负责人被曝已离职创业，方向是 Physical AI。11月2日，腾讯混元一位多模态强化学习负责人也传出离职，在职不到九个月。我们 AI主线 的看法是：这两次离职说明多模态生成在大厂里，已经从单独养着的主线业务，降成了主模型旗下的一项能力，但它并不能证明这条技术路线被判了死刑。

两个人走了，就等于多模态生成凉了？

没那么简单。

腾讯那边是明牌。7月23日，混元把大语言模型部和多模态模型部撤掉，合并成基础模型部，官方给的理由是提升研发协同效率，探索全模态模型的智能上限。最后几个字是“全模态”，没说不做了。

字节动作更隐蔽。有媒体称，8月的调整里，Seed 那条视觉语言模型线被并进大模型体系，降成了一个数据子部门。阿里更早，今年2月从 Qwen3.5 起，把视觉能力在预训练早期就融进主线模型，之后没再发新的通用视觉理解模型。

为啥都这么干？得先说说“胶水”。

早些年想让纯文本大模型看见东西，办法是前面接一个视觉编码器，中间训一层投影，把图像翻译成语言模型读得懂的向量。说白了，是给只会读字的模型配了副眼镜。配眼镜是个独立活儿，自然要单独成部门：有人管编码器，有人管对齐数据，有人管评测。

现在主流转向原生多模态，从预训练一开始就把文字、图像、音频、视频混进同一条主干。模型一出生就是边看边读，眼镜部门也就没了存在的理由。

所以这两位的离职，我更愿意读成“地盘没了”，而不是“方向错了”。混元那位负责人6月带队开源的 UniRL 框架，10月还更新到了 v0.2.0，成果和代码都在，变的是向谁汇报。

“期权”这个比方，对了一半

圈里有人把多模态生成比作期权，我觉得挺贴切。

大厂先付一笔小权利金，赌的是 AGI 到底是不是非得会生成像素。赢了上不封顶，输了就地撤退。每个月烧掉的 token，就是在滚动交的权利金。

现在越来越多人觉得这注是虚值。有人拿 GLM 从 5.2 到 5.3、DeepSeek 从 V4 Flash 到 Pro 举例：两组模型都没做视觉扩展，光靠后训练就把性能提上去了。

钱为啥烧得快？

一张 224×224 的图，按 14×14 切块，是 256 个 token，相当于让模型读 256 个字，分辨率往上，单图能到上千。视频则是帧数乘以每帧的块数。偏偏注意力的开销随序列长度平方上涨，序列长一倍，账单差不多贵四倍。

更要命的是没法打分。文本模型有推理、代码、数学这些统一基准，版本之间能直接比，团队 KPI 也好对齐。视频好不好看，得靠人评，有媒体称 Seedance 背后的评测团队就有上千人。一条刻度都看不清的业务线，到了预算会上，最先被问的就是“这钱花得值不值”。

那为啥只说对了一半？因为期权的说法默认这条线只有“通往 AGI”这一个价值。可视频生成自己就是一门生意。

Seedance 2.0 在2月12日发布，接入豆包和即梦，字节自己在发布时也承认，细节稳定性、多人口型匹配、文字还原这些地方“还远不完美”。谷歌这边，Vertex AI 上有 Veo 3.1 Lite，官方定位是成本最低的视频模型，Veo 3.1 家族现在三档并行。面对成本，谷歌的做法是再出一个便宜档，没有关门。

Sora 那笔账，算的不光是电费

最能拿来对照的，是 OpenAI 的 Sora。

3月24日，OpenAI 宣布停掉 Sora 的消费端应用和 API，离 Sora 2 和独立应用上线不到半年。官方没细说原因，只提到要在高算力成本的产品上做取舍。外媒估算的日成本是百万美元级起步，OpenAI 自己没公布数字，这个我只当参考。

账本上还有另一栏：版权。Sora 停掉之后，它和迪士尼的合作也跟着黄了。Seedance 2.0 在3月，按 The Information 的说法，也因为好莱坞片厂的版权纠纷，搁置了全球发布计划。

视频生成的成本其实是两栏，一栏电费，一栏官司。这两栏跟“AGI 要不要行权”没关系，纯粹是产品生意算不算得过来。我们 AI主线 的看法是，Sora 应用的关停主要是一个产品的败笔：一个做成短视频信息流的社交应用，用户数一路下滑，没留住人。它不该被拿来证明视频模型本身没价值。

还有个去向挺有意思。离职的人去做 Physical AI，看起来做生成的人才有一部分在往机器人和世界模型转。生成技术没消失，只是换了个出口。

对咱们用的人，变的是什么

做内容的兄弟，工具短期内不会突然没了，但哪家的更新节奏会变慢，得提前想一想。Sora 应用说停就停，是眼前的例子。要是我负责选型，视频生成这块至少会留两家备选。

写代码的，看图理解会越来越多地直接长在主模型里，不用再单独找一个视觉语言模型来接。阿里从 Qwen3.5 起就是这么做的。

选型的时候，可以问厂商一句：视频生成在你们这儿是独立产品线，还是主模型顺带的能力？前者有自己的预算和负责人，后者的节奏得跟着主模型走。

接下来我盯两件事。一是腾讯合并之后，混元的图像、视频、3D 模型还保不保持原来的更新速度。腾讯1月给过的数据是，视频衍生模型社区下载超 500 万，3D 系列超 300 万，这些资产合并后谁来养，要看后面的动作。二是 Seedance 的下一版，由谁带队、以什么节奏出。

期权这个比方我收下了。多模态生成从主线退到副线，副线也能出爆款，只是往后得自己挣钱养活自己。