文 | 字母AI
隨著小米新模型的推出，“天才少女”羅福莉再度成為焦點(diǎn)。其實(shí)在AI科學(xué)家圈子里，女性數(shù)量雖然相對(duì)較少，但也絕非羅福莉一顆獨(dú)苗。在字節(jié)跳動(dòng)，就有一位羅福莉式的人物。
她就是Seedance 2.0視頻生成模型的預(yù)訓(xùn)練負(fù)責(zé)人，曾妍。
一般聊起Seedance 2.0，大家普遍想到的人是掌舵人吳永輝、研發(fā)負(fù)責(zé)人周暢、視頻生成技術(shù)核心負(fù)責(zé)人蔣璐。
很少有人知道，曾妍的存在，同樣無可或缺。
因?yàn)轭A(yù)訓(xùn)練是整個(gè)模型的“基石”，它決定了模型的能力上限。
大多數(shù)人把預(yù)訓(xùn)練當(dāng)成“喂數(shù)據(jù)”，但真正的高手知道，預(yù)訓(xùn)練是在“塑造模型的世界觀”。
數(shù)據(jù)怎么配比、架構(gòu)怎么設(shè)計(jì)、訓(xùn)練策略怎么調(diào)整，每一個(gè)決策都在決定模型能看到什么、理解什么、生成什么。
無論你后面怎么努力優(yōu)化，預(yù)訓(xùn)練只要沒做好，這個(gè)模型就一輩子達(dá)不到Seedance 2.0現(xiàn)如今的高度。
不僅是貢獻(xiàn)大，曾妍的晉升速度在字節(jié)也是相當(dāng)快的。
從她畢業(yè)進(jìn)入字節(jié)開始算起，到現(xiàn)在的4-2職級(jí)，曾妍僅僅花了5年時(shí)間。
4-2職級(jí)對(duì)應(yīng)高級(jí)總監(jiān)/權(quán)威架構(gòu)師層級(jí)，屬于公司核心戰(zhàn)略級(jí)技術(shù)骨干，年包（含基本工資、年終獎(jiǎng)、股票）普遍在500萬以上。
她到底做了什么，才有如此成就？讓我們從她的求學(xué)之路說起。
01 從西交到字節(jié)
說實(shí)話，當(dāng)我第一次看到曾妍的履歷時(shí)，并沒有覺得特別驚艷。
1997年出生，西安交通大學(xué)本科，加拿大蒙特利爾大學(xué)計(jì)算機(jī)碩士。這條路徑放到現(xiàn)在的AI圈里太常見了。
但接下來發(fā)生的事，就不那么“標(biāo)準(zhǔn)”了。
2021年9月，曾妍以校招生身份加入字節(jié)跳動(dòng) AI Lab，起點(diǎn)職級(jí)是算法工程師。
入職僅兩個(gè)月，曾妍就以第一作者身份在arXiv上發(fā)表了論文《Multi-Grained Vision Language Pre-Training: Aligning Texts with Visual Concepts》，也就是后來大家熟知的X-VLM模型。
這篇論文解決的問題，用大白話說就是：怎么讓 AI 既能看懂“大場(chǎng)面”，又能注意到“小細(xì)節(jié)”。
傳統(tǒng)的視覺語言模型有兩個(gè)極端。一種是“粗線條”派，只看圖像整體和文本的對(duì)應(yīng)關(guān)系，就像你給AI看一張照片，它只能說“這是海灘”，但說不出更多了。
另一種是“顯微鏡”派，依賴昂貴的目標(biāo)檢測(cè)器去摳每個(gè)物體，雖然能看到細(xì)節(jié)，但計(jì)算成本高得嚇人，還得依賴大量人工標(biāo)注數(shù)據(jù)。
曾妍提出的X-VLM，就是取兩者之所長(zhǎng)。
它能同時(shí)學(xué)習(xí)從整體到局部、從場(chǎng)景到物體、從粗到細(xì)的多層次視覺概念，并與文本中的不同粒度信息精準(zhǔn)對(duì)齊。
或者我用一個(gè)我最近剛學(xué)會(huì)的話來形容：既見森林，又見樹木。
這個(gè)“多粒度對(duì)齊”的思想，在當(dāng)時(shí)看起來只是個(gè)學(xué)術(shù)創(chuàng)新，但它為曾妍后來擔(dān)任Seedance 2.0預(yù)訓(xùn)練負(fù)責(zé)人埋下了伏筆。
因?yàn)橐曨l生成的預(yù)訓(xùn)練，本質(zhì)上也是個(gè)多粒度建模的問題。
你要想生成一個(gè)好看的視頻，那就既要把握整體敘事節(jié)奏，讓一段視頻有連貫的故事線；又要控制每一幀的細(xì)節(jié)質(zhì)量，確保人物面容不變形、物體運(yùn)動(dòng)符合物理規(guī)律；還要建立時(shí)序維度上的關(guān)聯(lián)關(guān)系，讓前后幀之間的過渡自然流暢。
這剛和X-VLM的底層邏輯是一致的。
接下來的兩年，曾妍就像開了掛一樣。
她以第一作者身份在TPAMI、ICML、CVPR、ACL、NAACL等國際頂會(huì)發(fā)表了八篇論文，還擔(dān)任了TPAMI、ICML、NeurIPS、ICLR、ACL、EMNLP等頂會(huì)的審稿人。
2023年，一個(gè)關(guān)鍵轉(zhuǎn)折點(diǎn)到來了。
字節(jié)跳動(dòng)成立大模型研究部門Seed，曾妍和所在團(tuán)隊(duì)一同轉(zhuǎn)入。
這個(gè)時(shí)間節(jié)點(diǎn)你得放在大背景下看，2022年底ChatGPT橫空出世，2023年初各大公司紛紛All in大模型，字節(jié)也在這波浪潮中調(diào)整了技術(shù)戰(zhàn)略。
曾妍擅長(zhǎng)的多模態(tài)預(yù)訓(xùn)練，在視頻生成這個(gè)新戰(zhàn)場(chǎng)上，能發(fā)揮她的全部實(shí)力。
在Seed部門，曾妍作為第一作者主導(dǎo)了兩個(gè)重要項(xiàng)目，分別是CCLM和Lynx。
先說CCLM（Cross-View Language Modeling）。
這個(gè)項(xiàng)目讓AI模型同時(shí)學(xué)會(huì)“跨語言”和“跨模態(tài)”的理解能力。CCLM通過統(tǒng)一的預(yù)訓(xùn)練框架，讓在英文圖像-文本數(shù)據(jù)上訓(xùn)練的模型，可以零樣本遷移到中文、日文等其他語言的多模態(tài)任務(wù)上。
說白了，就是讓 AI 學(xué)會(huì)“舉一反三”——在英文視頻上學(xué)到的理解能力，能直接用到中文、日文、西班牙文的視頻上。
再說Lynx。
這是一個(gè)系統(tǒng)性研究如何訓(xùn)練GPT-4風(fēng)格多模態(tài)大語言模型的項(xiàng)目。2023年正是GPT-4剛發(fā)布的時(shí)候，大家都在摸索怎么做出“能看圖說話”的大模型。
曾妍團(tuán)隊(duì)通過一系列對(duì)比實(shí)驗(yàn)，找出了模型架構(gòu)設(shè)計(jì)、訓(xùn)練數(shù)據(jù)配比、指令微調(diào)策略等關(guān)鍵因素，最終做出了 Lynx 模型，在多模態(tài)理解和指令跟隨能力上都表現(xiàn)出色。
用人話說，就是研究“怎么造出一個(gè)既能看懂圖片又能流暢對(duì)話的AI”，并且搞清楚了哪些因素真正重要。
真正讓曾妍“出圈”的，是2023年年底的PixelDance。
這個(gè)項(xiàng)目的論文題目很有意思，叫《如何讓像素跳舞》（Make Pixels Dance: High-Dynamic Video Generation）。它解決的是視頻生成領(lǐng)域一個(gè)長(zhǎng)期存在的矛盾，如何平衡動(dòng)態(tài)性和穩(wěn)定性。
你想想，如果一個(gè)AI生成的視頻動(dòng)作幅度很大、畫面變化劇烈，看起來確實(shí)生動(dòng)有趣，但很容易出現(xiàn)畫面崩壞、角色變形、物體突然消失這些“靈異事件”。
反過來，如果你追求穩(wěn)定性，讓角色和場(chǎng)景保持一致，人物面容不突變，那生成的視頻就容易僵硬，像幻燈片切換而不是流暢的動(dòng)態(tài)影像。
曾妍團(tuán)隊(duì)的突破在于，他們?cè)陬A(yù)訓(xùn)練階段就建立了嚴(yán)格的時(shí)序約束。
傳統(tǒng)的視頻生成模型都是先生成視頻，然后再一幀一幀去修補(bǔ)。PixelDance則是讓模型學(xué)會(huì)了在保持一致性的前提下生成動(dòng)態(tài)內(nèi)容。
核心創(chuàng)新點(diǎn)是在擴(kuò)散模型框架中，引入首幀+末幀的雙圖像指令，配合文本指令聯(lián)合約束視頻生成，同時(shí)在網(wǎng)絡(luò)結(jié)構(gòu)中新增時(shí)序卷積與時(shí)序注意力層，從生成的源頭就錨定了視頻的起止?fàn)顟B(tài)，從而保證大動(dòng)態(tài)動(dòng)作下的主體與場(chǎng)景一致性。
就像訓(xùn)練一個(gè)舞者，從一開始就教她在保持平衡的前提下做大幅度動(dòng)作。
PixelDance的成功，讓曾妍在字節(jié)內(nèi)部的地位迅速提升。
2024年，她從算法工程師晉升為算法研究員，成為Seed團(tuán)隊(duì)中最年輕的研究員之一。這個(gè)晉升不只是對(duì)她學(xué)術(shù)能力的認(rèn)可，更重要的是，她證明了自己能把研究成果轉(zhuǎn)化為實(shí)際產(chǎn)品。
在大廠里，這兩種能力的差別，就像會(huì)做菜和會(huì)開餐廳的差別。
02 從 PixelDance 到 Seedance 2.0
有意思的是，PixelDance就是Seedance的前身。
Seed代表字節(jié)的大模型部門，dance則保留了“讓像素起舞”的核心理念。這個(gè)改名不只是品牌策略，更標(biāo)志著模型從研究原型向商業(yè)產(chǎn)品的轉(zhuǎn)變。
2025年6月11日，字節(jié)正式發(fā)布了Seedance 1.0，曾妍是該模型的核心研發(fā)負(fù)責(zé)人。
雖然直至2026年2月，曾妍才被字節(jié)官方確認(rèn)為Seedance 2.0 視頻模型預(yù)訓(xùn)練負(fù)責(zé)人，但知情人士爆料，早2025年下半年時(shí)，曾妍就已經(jīng)正式牽頭Seedance 2.0的預(yù)訓(xùn)練全流程工作，成為該項(xiàng)目的核心一號(hào)位。
她的+2 leader是周暢，+3 leader是Seed團(tuán)隊(duì)負(fù)責(zé)人吳永輝。
Seedance 2.0核心技術(shù)突破之一是雙分支擴(kuò)散變換器架構(gòu)，這是曾妍團(tuán)隊(duì)在預(yù)訓(xùn)練階段就確立的基礎(chǔ)架構(gòu)。
傳統(tǒng)視頻生成模型采用“先畫后配”的模式。即先生成視頻畫面，再單獨(dú)生成或匹配音頻。
這種方式的問題在于，音畫分離導(dǎo)致同步性差，人物說話時(shí)嘴型對(duì)不上，背景音樂的節(jié)奏與畫面情緒脫節(jié)，音效出現(xiàn)的時(shí)機(jī)與畫面動(dòng)作不匹配。
Seedance 2.0通過視頻與音頻并行生成的方式，共享同一個(gè)理解編碼器，從根源上實(shí)現(xiàn)了音畫原生協(xié)同。
這個(gè)架構(gòu)設(shè)計(jì)的關(guān)鍵在于，讓模型在生成每一幀畫面的同時(shí)，就考慮對(duì)應(yīng)的音頻應(yīng)該是什么樣的，而不是等畫面全部生成完再去“配”音頻。
文章開頭我就講了，預(yù)訓(xùn)練是整個(gè)模型能力的基石。
曾妍在這個(gè)階段需要處理海量的視頻數(shù)據(jù)，建立視覺、文本、音頻等多模態(tài)之間的對(duì)齊關(guān)系。
她通過引入“跨分支校準(zhǔn)模塊”，實(shí)時(shí)校準(zhǔn)視頻與音頻的節(jié)奏、情緒與場(chǎng)景匹配度，確保嘴型與臺(tái)詞同步、音效與畫面契合、背景音樂與情緒氛圍一致。
預(yù)訓(xùn)練階段把所有的多模態(tài)對(duì)齊關(guān)系、物理規(guī)律、運(yùn)動(dòng)模式都塞進(jìn)模型里，成為“默認(rèn)項(xiàng)”。后續(xù)模型只要調(diào)用到相關(guān)內(nèi)容，就會(huì)立刻給出預(yù)訓(xùn)練時(shí)的結(jié)果。
它不是簡(jiǎn)單地讓模型記住訓(xùn)練數(shù)據(jù)，而是讓模型從海量數(shù)據(jù)中提煉出普遍規(guī)律，形成對(duì)世界的基礎(chǔ)理解。
Seedance 2.0生成時(shí)長(zhǎng)1分鐘的2K視頻僅需60秒，比上一代Seedance 1.5 Pro快了30%。
速度提升的背后，是曾妍團(tuán)隊(duì)在預(yù)訓(xùn)練階段對(duì)模型架構(gòu)、訓(xùn)練策略、數(shù)據(jù)配比的精細(xì)調(diào)優(yōu)。
她的團(tuán)隊(duì)迭代速度極快，在預(yù)訓(xùn)練階段就完成了擴(kuò)散模型的多輪優(yōu)化。
優(yōu)化注意力機(jī)制減少冗余計(jì)算，改進(jìn)噪聲調(diào)度策略加快收斂速度，精選高質(zhì)量訓(xùn)練數(shù)據(jù)提升樣本效率。
每一個(gè)優(yōu)化點(diǎn)單獨(dú)看都不起眼，但累積起來就是質(zhì)的飛躍。模型規(guī)模越大，訓(xùn)練成本越高，每一個(gè)百分點(diǎn)的效率提升都意味著數(shù)百萬元的成本節(jié)約和數(shù)周的時(shí)間縮短。
Seedance 2.0還實(shí)現(xiàn)了多鏡頭敘事能力。這意味著模型不僅能生成長(zhǎng)視頻，還能理解“全景-中景-特寫”的專業(yè)分鏡邏輯，自動(dòng)規(guī)劃鏡頭切換，生成帶有蒙太奇效果的完整敘事序列。
這個(gè)能力很大程度上依賴于曾妍在預(yù)訓(xùn)練階段投喂的字節(jié)跳動(dòng)海量短視頻數(shù)據(jù)。
抖音每天產(chǎn)生數(shù)以億計(jì)的短視頻，這些視頻雖然大多是普通用戶拍攝，但其中不乏優(yōu)秀的鏡頭語言和敘事技巧。
曾妍團(tuán)隊(duì)從這些數(shù)據(jù)中篩選出高質(zhì)量樣本，讓模型學(xué)習(xí)到了人類導(dǎo)演的鏡頭語言和敘事節(jié)奏。這種從數(shù)據(jù)中提煉出的“導(dǎo)演直覺”。
03 曾妍與羅福莉
同為女性AI科學(xué)家，曾妍和羅福莉在模型研發(fā)中，都擅長(zhǎng)尋找“平衡點(diǎn)”。
在DeepSeek時(shí)期，羅福莉參與的DeepSeek-V2，通過MoE架構(gòu)的稀疏激活，把推理成本降到了GPT-4 Turbo的七十分之一，但是性能卻與頂尖的閉源模型十分相近。
這就像設(shè)計(jì)一個(gè)大型圖書館，雖然藏書百萬冊(cè)，但每次查詢只需要翻開其中幾本，而不是把所有書都搬出來。這種“按需激活”的機(jī)制，讓大模型的成本驟然下降，卻不怎么損失性能。
羅福莉在性能與成本之間，找到了這樣一個(gè)平衡點(diǎn)。
到了號(hào)稱“性價(jià)比之王”的小米，羅福莉把DeepSeek的精神貫徹到底。她主導(dǎo)團(tuán)隊(duì)與北京大學(xué)聯(lián)合研發(fā)資源管理系統(tǒng)ARL-Tangram，讓模型的算力成本直降71.2%。
然而成本下降并不意味著性能下降。使用了該技術(shù)的萬億參數(shù)的旗艦?zāi)Ｐ蚆iMo-V2-Pro，在Artificial Analysis全球大模型綜合智能排行榜上位列第八、國內(nèi)第二。
羅福莉證明了一件事：性價(jià)比不是某個(gè)項(xiàng)目的偶然，而是一種可以跨平臺(tái)復(fù)制的方法論。
曾妍的平衡點(diǎn)則是前文提到的動(dòng)態(tài)性和穩(wěn)定性，讓視頻生成模型又能講好故事，又有畫面張力和視覺沖擊力。
兩人不同的是職業(yè)規(guī)劃。
羅福莉從阿里跳到幻方，再到DeepSeek，這條路徑是“從大廠到創(chuàng)業(yè)公司，從工程應(yīng)用到模型研究”。
曾妍則是在字節(jié)內(nèi)部一路深耕，5年時(shí)間完成了從校招畢業(yè)生，坐到了4-2的位置。
兩條路徑?jīng)]有高下之分。
在AI大模型這個(gè)燒錢、拼資源、看長(zhǎng)期積累的領(lǐng)域，年輕的技術(shù)人才依然可以通過對(duì)問題的深刻理解，在短時(shí)間內(nèi)做出關(guān)鍵貢獻(xiàn)。
有可能他們研究的方向，你聽都沒聽過，但就是有效。
她們的故事才剛剛開始。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請(qǐng)綁定手機(jī)號(hào)后發(fā)表評(píng)論