騰訊混元多模態(tài)團隊又發(fā)生了一同人事變動。據(jù)媒體報道，曾擔(dān)任xAI多模態(tài)了解擔(dān)任人藺旭東，現(xiàn)已脫離xAI，參加騰訊混元，擔(dān)任多模態(tài)內(nèi)容生成算法擔(dān)任人。

這則人事消息之所以值得關(guān)注，是由于它發(fā)生在混元多模態(tài)團隊持續(xù)調(diào)整的布景下。

過去一段時間，混元內(nèi)部陸續(xù)傳出擔(dān)任人離任、研討人員轉(zhuǎn)崗和新成員參加的消息。

原多模態(tài)了解擔(dān)任人胡瀚離任創(chuàng)業(yè)，田永龍等人參加騰訊，原有多模態(tài)團隊的報告聯(lián)系也隨著大言語模型部分和多模態(tài)模型部分的整合而發(fā)生改動。

但這是否意味著騰訊多模態(tài)團隊正在“改朝換代”，現(xiàn)在還不能直接下結(jié)論。

揭露信息能夠承認的是，混元的確呈現(xiàn)了人員流動和安排重組。藺旭東的參加風(fēng)聞，更像是這場調(diào)整中的一個新信號：騰訊正在重新組合多模態(tài)了解和內(nèi)容生成這兩條道路。

那么問題來了，藺旭東究竟是什么來頭，他能為騰訊補上什么才能？以及騰訊的多模態(tài)道路是否正在從“生成內(nèi)容”轉(zhuǎn)向了姚順雨更傾向的“了解上下文并在國際中行動”？

藺旭東是什么來頭，他參加騰訊后能做什么？

揭露材料顯示，藺旭東2018年結(jié)業(yè)于清華大學(xué)，隨后赴哥倫比亞大學(xué)攻讀博士。

在讀博期間，他的研討方向包含嵌入學(xué)習(xí)、視頻剖析和生成模型，也曾參與哥倫比亞大學(xué)與Facebook AI協(xié)作的Vx2Text項目。

V指的是視頻，x指的是未知數(shù)，可所以聲響、語音甚至是環(huán)境音，2代表to，Text則代表字幕。它的邏輯是，先把視頻、聲響等不同模態(tài)轉(zhuǎn)換成相似“言語token”的向量，再一致送入言語模型進行交融，終究由自回歸解碼器生成開放式文本。

Transformer只能了解token，所以AI本質(zhì)上是不了解視頻和音頻這兩種文件方法的，也就更不或許將其轉(zhuǎn)換成文字。

舉個比方，一只狗在游泳池旁邊跳進水里，那么Vx2Text的視頻辨認器看（V）就會輸出要害詞：狗、跳動、游泳池；聲響辨認器（x）就會輸出：水聲、撲通。

盡管Vx2Text的產(chǎn)品功用是“生成”，但產(chǎn)品的中心難點在于“了解”。

當(dāng)然，Vx2Text并不是簡單地把畫面“翻譯”成幾句話而已。模型需要從視頻里辨認人物、物體、動作和事情，還要了解這些東西在時間上的改動，終究再把視覺信息安排成言語。

博士結(jié)業(yè)后，藺旭東進入DeepMind，參與Gemini相關(guān)的多模態(tài)預(yù)訓(xùn)練和后訓(xùn)練工作。2025年，他又參加xAI，揭露材料稱其擔(dān)任多模態(tài)了解方向，并參與多模態(tài)內(nèi)容了解與生成模型的訓(xùn)練。

現(xiàn)在他參加騰訊混元，將擔(dān)任混元多模態(tài)內(nèi)容生成算法。

藺旭東的參加與其說是提高混元多模態(tài)生成的功能，倒不如說是為了處理一個困擾所有多模態(tài)的問題——了解。

曾經(jīng)的生成模型更像一個畫面制造器。給它一句提示詞，它能夠生成一張圖片、一段視頻。但只要用戶提出更雜亂的要求，模型就有點跟不上了。比方人物在長視頻里變了，物體的形狀前后不一致，攝像機運動不符合空間聯(lián)系等等。

這不是由于模型不會生成，而是由于它沒有穩(wěn)定地記住和了解國際。

所以，把藺旭東放到多模態(tài)內(nèi)容生成的位置上，或許正是由于他把多模態(tài)，“翻譯”成AI能了解的東西。

藺旭東的參加要放在一個更大的布景下才能看得清楚，那便是現(xiàn)在騰訊混元正在重新整理自己的多模態(tài)道路。

2025年1月，騰訊杰出科學(xué)家（Tencent Distinguished Scientist）胡瀚接替此前離任的劉威，全面擔(dān)任混元多模態(tài)大模型的研制，一起擔(dān)任騰訊混元大模型Tech Lead。

2025年下半年騰訊內(nèi)部安排調(diào)整，他從多模態(tài)模型部，調(diào)入了大言語模型部旗下的“Frontier”前沿技能研討組，頭銜變成了多模態(tài)了解方向擔(dān)任人，報告線也改為向姚順雨報告。

實際位置從“一個獨立部分的領(lǐng)導(dǎo)”變成了“大言語模型部下面一個研討組里某個方向的擔(dān)任人”，管的規(guī)模從整個多模態(tài)大模型收縮到只剩多模態(tài)了解這一塊，多模態(tài)生成等方向被劃出去了。

2026年3月騰訊現(xiàn)已吊銷了建立近十年的AI Lab，部分人員并入混元大言語模型部轉(zhuǎn)向姚順雨報告。在這次調(diào)整后，此前混元實際掌舵人、騰訊公司副總裁蔣杰，正式與姚順雨完結(jié)工作交接，不再兼管AI Lab和混元。

2026年7月初，前OpenAI研討員、姚順雨清華本科校友田永龍參加騰訊，擔(dān)任視覺言語模型方向。

緊接著沒過幾天，騰訊TEG正式發(fā)文，吊銷大言語模型部和多模態(tài)模型部，合并建立“根底模型部”，姚順雨任擔(dān)任人，向TEG總裁盧山報告。騰訊稱，此舉旨在提高模型研制與協(xié)同效率，探究全模態(tài)模型的智能上限。

隨后，胡瀚被曝離任創(chuàng)業(yè)。

前亞馬遜首席科學(xué)家、京東數(shù)科首席科學(xué)家、阿里通義實驗室使用視覺團隊擔(dān)任人、原騰訊多模態(tài)模型部擔(dān)任人Linus在這次調(diào)整之后，從原本和姚順雨平行的位置，改為了向姚順雨報告。

還沒完，騰訊混元多模態(tài)根底模型擔(dān)任人鐘釗，擔(dān)任HunyuanVideo和HunyuanImage兩條生成線，是混元多模態(tài)生成方向的實際掌舵人。

他在8月14日發(fā)了一條朋友圈，稱“即將發(fā)布的版別或?qū)⑹俏以贖unyuanVideo與HunyuanImage項目中的終究版別”，字里行間充滿了告別。

藺旭東或許僅僅混元多模態(tài)換血中的一員，可是他的參加釋放出了一個明顯的信號，整個騰訊對于多模態(tài)的研制方向，現(xiàn)已發(fā)生了改動。

在此之前，騰訊是怎么做多模態(tài)的？

此前騰訊的言語模型和多模態(tài)是底子的兩條線，而混元多模態(tài)中心的兩個產(chǎn)品，正是前文提到的HunyuanVideo和HunyuanImage。

HunyuanVideo是文生視頻模型，2024年12月首發(fā)即以130億參數(shù)成為其時全球大的開源視頻生成模型，支撐5秒720p輸出。2025年密布擴展才能，3月上線圖生視頻，5月推出定制化生成HunyuanCustom和數(shù)字人驅(qū)動Avatar，11月發(fā)布1.5版別，將參數(shù)緊縮至83億，支撐原生生成5至10秒的480p或720p視頻，并可經(jīng)過超分辨率得到1080p輸出。

HunyuanImage起步更早，這是2024年5月，混元推出的首個中文原生DiT架構(gòu)圖像模型，2025年迭代出業(yè)界首個工業(yè)級實時生圖的2.0版別，同年9月發(fā)布了2.1版別（170 億參數(shù)、原生 2K 分辨率）和3.0版別（800 億參數(shù)、首個工業(yè)級開源原生多模態(tài)生圖模型），2026年1月進一步推出帶推理才能的Instruct版別，支撐提示詞自改寫和圖生圖修改。

還有一條線是Hy 3D，這是一個專門生成單體3D模型的模型，2024年11月隨Hunyuan-Large一同開源1.0版別，2025年1月晉級到了2.0，拆分為DiT形狀生成加Paint紋理組成的兩階段流水線，6月2.1完整開源訓(xùn)練代碼，9月發(fā)布3.0將建模精度提高3倍、幾許分辨率達1536³，現(xiàn)在已迭代至 3.1，廣泛用于電商建模、產(chǎn)品規(guī)劃和3D打印。

在這三座大山之后，或許是李飛飛的空間智能理論影響了騰訊，亦或者是多年曾經(jīng)，騰訊在數(shù)字孿生中掌握的相關(guān)常識，在AI的加持下得以再次利用。

就如同劉關(guān)張之后有趙云相同，混元多模態(tài)在2025年7月下旬也迎來了四弟，Hy World 1.0。

所謂空間智能，根據(jù)李飛飛旗下World Labs的表述，它是指讓AI感知、生成、推理并與三維空間中的國際互動。

言語模型學(xué)習(xí)的是文本的計算結(jié)構(gòu)，而國際模型需要學(xué)習(xí)空間和時間的結(jié)構(gòu)，例如光線怎么落到物體表面、從沒有拍照過的角度看花園會是什么樣，以及物體受到外力后會怎么運動。

騰訊稱，Hy World 1.0是全球首個開源、支撐仿真的沉浸式3D國際生成模型，技能道路是先生成一張360度全景圖作為“國際代理”，再分解成語義層做分層3D重建，終究輸出可導(dǎo)入游戲引擎的分層Mesh。

由于騰訊本身就很擅長開發(fā)游戲引擎和游戲內(nèi)容，Hy World盡管表現(xiàn)力十分驚人，卻也被網(wǎng)友調(diào)侃成了“騰訊不肯脫離舒適圈”。

在Hy World 1.0發(fā)布的一個多月后，騰訊又發(fā)布了Hy World-Voyager，定位是根據(jù)相機軌跡控制的超長周游國際模型。

Hy World-Voyager處理的是1.0留下的一個痛點。盡管1.0生成的3D國際質(zhì)量不錯，但周游規(guī)模是相當(dāng)有限的，走不了多遠就會呈現(xiàn)幾許漂移和穿模。

Voyager的思路是換一條技能道路，不直接生成3D資產(chǎn)，而是先做RGB-D雙模態(tài)視頻生成，每一幀畫面在輸出顏色的一起同步輸出一張深度圖，然后用深度圖即時重建3D點云。

總而言之，Hy World簡直能夠說是藉由騰訊在引擎和美術(shù)上的優(yōu)勢，完美復(fù)原了李飛飛空間智能的設(shè)想。

要知道，Hy World 2.0它的技能報告全稱便是《HY-World 2.0: A Multi-Modal World Model for Reconstructing, Generating, and Simulating 3D Worlds》，其間的“Reconstructing, Generating, and Simulating 3D Worlds”（重建、生成、模擬3D國際），也便是前文所提到的，World Labs對空間智能的論述。

但是并不是所有人都認同李飛飛，就包含姚順雨。在多模態(tài)這件事上，姚順雨好像更認同梁文鋒的觀念。

姚順雨認同梁文鋒

李飛飛的觀念是，國際模型作為空間智能的一部分，是AGI重要的一條線，梁文鋒則持反對意見。

曾有投資者在多模態(tài)這個問題上向梁文鋒發(fā)問，梁文鋒回答說：“咱們只做AGI主線——GPT、CoT、Agent。AI范疇很廣泛，但3D、視頻生成、國際模型，跟智能的主線沒有太大聯(lián)系�！�

DeepSeek有個產(chǎn)品，叫做DeepSeek OCR，簡直便是梁文鋒多模態(tài)觀的技能具象化。把視覺模態(tài)當(dāng)成服務(wù)于言語模型的東西，而不是獨立的智能方向。

DeepSeek OCR的中心叫做“上下文光學(xué)緊縮”（Contexts Optical Compression），中心思路是把長文本渲染成圖像，用視覺編碼器把文本緊縮成緊湊的視覺token，再交給言語模型解碼。

是不是有點眼熟？翻回前面看看藺旭東的Vx2Text，姚順雨或許正是想學(xué)梁文鋒，把混元現(xiàn)有的多模態(tài)根底，轉(zhuǎn)換成為這樣一種了解方法，從而更好地交融進Hy模型主線。

包含OpenAI在內(nèi)，許多AI大廠其實都是相似的做法。姚順雨曾上任于OpenAI，很或許便是在那時，確立了這個方向。

姚順雨參加騰訊后的第一款旗艦產(chǎn)品是Hy3，他把重點放在推理、智能體、長上下文和出產(chǎn)力使命上。

官方稱，Hy3在軟件開發(fā)、工作出產(chǎn)、金融建模、前端規(guī)劃和游戲制造等使命上進行了優(yōu)化，并且在東西調(diào)用穩(wěn)定性、雜亂上下文承接和多輪目的堅持方面持續(xù)改進。

Hy3的方針并非“屠榜”，而是讓模型在實在產(chǎn)品里少犯錯、能了解上下文、能夠把使命持續(xù)做下去。

這個產(chǎn)品本身就十分的“姚順雨”。

2026年6月5日，在騰訊云AI工業(yè)使用大會與湯道生的對談中，姚順雨是這么判斷的，AI下半場的競賽壁壘不在模型參數(shù)量，而在Context（上下文）。

“咱們現(xiàn)在就像是擁有了一個全能的錘子，它能夠去砸任何釘子。方法論現(xiàn)已變得十分老練，相反，尋覓真實有價值的問題，變得越來越困難�！币�順雨如此提到。

同樣在那場會上，公布了騰訊長期AGI建設(shè)的三層架構(gòu)：根底底座（預(yù)訓(xùn)練+后訓(xùn)練+基建）、產(chǎn)品落地、前沿探究。推理才能屬于根底底座要處理的問題，上下文才能屬于產(chǎn)品落地和前沿探究的交叉點。

此前，為了測驗?zāi)Ｐ兔撾x原有常識，只從上下文中尋覓答案，姚順雨還特地制造了測驗上下文的基準(zhǔn)CL-bench以及CL-bench life。

可見，姚順雨其實也跟梁文鋒相同，覺得主線是Agent相關(guān)的內(nèi)容，而非多模態(tài)生成。

至于Hy3到底怎么樣，那就要看WorkBuddy了。WorkBuddy是Hy3的首發(fā)渠道之一，這哥倆屬于是“產(chǎn)品+模型”雙螺旋聯(lián)系，互相成就。

接入Hy3后WorkBuddy的表現(xiàn)提高十分明顯。根據(jù)工作場景內(nèi)部測評，使命處理率從72%躍升至 90%，平均耗時縮短34%，可多處理約五分之一的雜亂需求。

Hy3上線后，WorkBuddy上主動選擇Hy3的用戶數(shù)增加了 6 倍，日均文字處理量較預(yù)覽版增加20倍，7月8日算力消耗一度到達峰值，排隊率超越50%，騰訊為此緊迫擴容。

一個猜測，Hy提高多模態(tài)了解后，它的GUI Agent場景下的體會會更上一層樓。GUI Agent的中心鏈路是“感知屏幕 — 了解界面 — 決議計劃操作 — 履行驗證”，其間多模態(tài)了解是連接視覺感知與言語決議計劃的要害瓶頸。

但這并不足以證明李飛飛是錯的，只能說姚順雨認同梁文鋒算了。