隨著小米新模型的推出，“天才少女”羅福莉再度成為焦點。其實在AI科學家圈子里，女性數(shù)量雖然相對較少，但也絕非羅福莉一顆獨苗。在字節(jié)跳動，就有一位羅福莉式的人物。

她就是Seedance 2.0視頻生成模型的預訓練負責人，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)負責人周暢、視頻生成技術核心負責人蔣璐。

很少有人知道，曾妍的存在，同樣無可或缺。

因為預訓練是整個模型的“基石”，它決定了模型的能力上限。

大多數(shù)人把預訓練當成“喂數(shù)據”，但真正的高手知道，預訓練是在“塑造模型的世界觀”。

數(shù)據怎么配比、架構怎么設計、訓練策略怎么調整，每一個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，預訓練只要沒做好，這個模型就一輩子達不到Seedance 2.0現(xiàn)如今的高度。

不僅是貢獻大，曾妍的晉升速度在字節(jié)也是相當快的。

從她畢業(yè)進入字節(jié)開始算起，到現(xiàn)在的4-2職級，曾妍僅僅花了5年時間。

4-2職級對應高級總監(jiān)/權威架構師層級，屬于公司核心戰(zhàn)略級技術骨干，年包（含基本工資、年終獎、股票）普遍在500萬以上。

她到底做了什么，才有如此成就？讓我們從她的求學之路說起。

01

從西交到字節(jié)

說實話，當我第一次看到曾妍的履歷時，并沒有覺得特別驚艷。

1997年出生，西安交通大學本科，加拿大蒙特利爾大學計算機碩士。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“標準”了。

2021年9月，曾妍以校招生身份加入字節(jié)跳動 AI Lab，起點職級是算法工程師。

入職僅兩個月，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“大場面”，又能注意到“小細節(jié)”。

傳統(tǒng)的視覺語言模型有兩個極端。一種是“粗線條”派，只看圖像整體和文本的對應關系，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，依賴昂貴的目標檢測器去摳每個物體，雖然能看到細節(jié)，但計算成本高得嚇人，還得依賴大量人工標注數(shù)據。

曾妍提出的X-VLM，就是取兩者之所長。

它能同時學習從整體到局部、從場景到物體、從粗到細的多層次視覺概念，并與文本中的不同粒度信息精準對齊。

或者我用一個我最近剛學會的話來形容：既見森林，又見樹木。

這個“多粒度對齊”的思想，在當時看起來只是個學術創(chuàng)新，但它為曾妍后來擔任Seedance 2.0預訓練負責人埋下了伏筆。

因為視頻生成的預訓練，本質上也是個多粒度建模的問題。

你要想生成一個好看的視頻，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節(jié)質量，確保人物面容不變形、物體運動符合物理規(guī)律；還要建立時序維度上的關聯(lián)關系，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等國際頂會發(fā)表了八篇論文，還擔任了TPAMI、ICML、NeurIPS、ICLR、ACL、EMNLP等頂會的審稿人。

2023年，一個關鍵轉折點到來了。

字節(jié)跳動成立大模型研究部門Seed，曾妍和所在團隊一同轉入。

這個時間節(jié)點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)也在這波浪潮中調整了技術戰(zhàn)略。

曾妍擅長的多模態(tài)預訓練，在視頻生成這個新戰(zhàn)場上，能發(fā)揮她的全部實力。

在Seed部門，曾妍作為第一作者主導了兩個重要項目，分別是CCLM和Lynx。

先說CCLM（Cross-View Language Modeling）。

這個項目讓AI模型同時學會“跨語言”和“跨模態(tài)”的理解能力。CCLM通過統(tǒng)一的預訓練框架，讓在英文圖像-文本數(shù)據上訓練的模型，可以零樣本遷移到中文、日文等其他語言的多模態(tài)任務上。

說白了，就是讓 AI 學會“舉一反三”——在英文視頻上學到的理解能力，能直接用到中文、日文、西班牙文的視頻上。

再說Lynx。

這是一個系統(tǒng)性研究如何訓練GPT-4風格多模態(tài)大語言模型的項目。2023年正是GPT-4剛發(fā)布的時候，大家都在摸索怎么做出“能看圖說話”的大模型。

曾妍團隊通過一系列對比實驗，找出了模型架構設計、訓練數(shù)據配比、指令微調策略等關鍵因素，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“怎么造出一個既能看懂圖片又能流暢對話的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。

這個項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域一個長期存在的矛盾，如何平衡動態(tài)性和穩(wěn)定性。

你想想，如果一個AI生成的視頻動作幅度很大、畫面變化劇烈，看起來確實生動有趣，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態(tài)影像。

曾妍團隊的突破在于，他們在預訓練階段就建立了嚴格的時序約束。

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。PixelDance則是讓模型學會了在保持一致性的前提下生成動態(tài)內容。

核心創(chuàng)新點是在擴散模型框架中，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，同時在網絡結構中新增時序卷積與時序注意力層，從生成的源頭就錨定了視頻的起止狀態(tài)，從而保證大動態(tài)動作下的主體與場景一致性。

就像訓練一個舞者，從一開始就教她在保持平衡的前提下做大幅度動作。

PixelDance的成功，讓曾妍在字節(jié)內部的地位迅速提升。

2024年，她從算法工程師晉升為算法研究員，成為Seed團隊中最年輕的研究員之一。這個晉升不只是對她學術能力的認可，更重要的是，她證明了自己能把研究成果轉化為實際產品。

在大廠里，這兩種能力的差別，就像會做菜和會開餐廳的差別。

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。這個改名不只是品牌策略，更標志著模型從研究原型向商業(yè)產品的轉變。

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)負責人。

雖然直至2026年2月，曾妍才被字節(jié)官方確認為Seedance 2.0 視頻模型預訓練負責人，但知情人士爆料，早2025年下半年時，曾妍就已經正式牽頭Seedance 2.0的預訓練全流程工作，成為該項目的核心一號位。

她的+2 leader是周暢，+3 leader是Seed團隊負責人吳永輝。

Seedance 2.0核心技術突破之一是雙分支擴散變換器架構，這是曾妍團隊在預訓練階段就確立的基礎架構。

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，再單獨生成或匹配音頻。

這種方式的問題在于，音畫分離導致同步性差，人物說話時嘴型對不上，背景音樂的節(jié)奏與畫面情緒脫節(jié)，音效出現(xiàn)的時機與畫面動作不匹配。

Seedance 2.0通過視頻與音頻并行生成的方式，共享同一個理解編碼器，從根源上實現(xiàn)了音畫原生協(xié)同。

這個架構設計的關鍵在于，讓模型在生成每一幀畫面的同時，就考慮對應的音頻應該是什么樣的，而不是等畫面全部生成完再去“配”音頻。

文章開頭我就講了，預訓練是整個模型能力的基石。

曾妍在這個階段需要處理海量的視頻數(shù)據，建立視覺、文本、音頻等多模態(tài)之間的對齊關系。

她通過引入“跨分支校準模塊”，實時校準視頻與音頻的節(jié)奏、情緒與場景匹配度，確保嘴型與臺詞同步、音效與畫面契合、背景音樂與情緒氛圍一致。

預訓練階段把所有的多模態(tài)對齊關系、物理規(guī)律、運動模式都塞進模型里，成為“默認項”。后續(xù)模型只要調用到相關內容，就會立刻給出預訓練時的結果。

它不是簡單地讓模型記住訓練數(shù)據，而是讓模型從海量數(shù)據中提煉出普遍規(guī)律，形成對世界的基礎理解。

Seedance 2.0生成時長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，是曾妍團隊在預訓練階段對模型架構、訓練策略、數(shù)據配比的精細調優(yōu)。

她的團隊迭代速度極快，在預訓練階段就完成了擴散模型的多輪優(yōu)化。

優(yōu)化注意力機制減少冗余計算，改進噪聲調度策略加快收斂速度，精選高質量訓練數(shù)據提升樣本效率。

每一個優(yōu)化點單獨看都不起眼，但累積起來就是質的飛躍。模型規(guī)模越大，訓練成本越高，每一個百分點的效率提升都意味著數(shù)百萬元的成本節(jié)約和數(shù)周的時間縮短。

Seedance 2.0還實現(xiàn)了多鏡頭敘事能力。這意味著模型不僅能生成長視頻，還能理解“全景-中景-特寫”的專業(yè)分鏡邏輯，自動規(guī)劃鏡頭切換，生成帶有蒙太奇效果的完整敘事序列。

曾妍團隊通過高質量樣本，讓模型學習到了人類導演的鏡頭語言和敘事節(jié)奏。這種從數(shù)據中提煉出的“導演直覺”。

03

曾妍與羅福莉

同為女性AI科學家，曾妍和羅福莉在模型研發(fā)中，都擅長尋找“平衡點”。

在DeepSeek時期，羅福莉參與的DeepSeek-V2，通過MoE架構的稀疏激活，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。

這就像設計一個大型圖書館，雖然藏書百萬冊，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，找到了這樣一個平衡點。

到了號稱“性價比之王”的小米，羅福莉把DeepSeek的精神貫徹到底。她主導團隊與北京大學聯(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。使用了該技術的萬億參數(shù)的旗艦模型MiMo-V2-Pro，在Artificial Analysis全球大模型綜合智能排行榜上位列第八、國內第二。

羅福莉證明了一件事：性價比不是某個項目的偶然，而是一種可以跨平臺復制的方法論。

曾妍的平衡點則是前文提到的動態(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，從工程應用到模型研究”。

曾妍則是在字節(jié)內部一路深耕，5年時間完成了從校招畢業(yè)生，坐到了4-2的位置。

兩條路徑沒有高下之分。

在AI大模型這個燒錢、拼資源、看長期積累的領域，年輕的技術人才依然可以通過對問題的深刻理解，在短時間內做出關鍵貢獻。

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。