Zhang Yiming nutzt den Rückzug als Vorstoß.
Am 6. August räumte Liang Rubo, CEO von ByteDance, auf einer unternehmensweiten Versammlung ein, dass die Kluft zwischen dem großen Sprachmodell Seed und den führenden Modellen im Ausland immer größer wird. Er forderte das Team auf, eine gewisse Zeit des Rückstands zu akzeptieren und auf unabhängige Entwicklung und langfristige Optimierung zu bestehen. Zhang Yiming hatte sich bereits in einer früheren internen Sitzung ausdrücklich dagegen ausgesprochen, die Modelle von Wettbewerbern zu destillieren.
Am selben Tag enthüllte „LatePost“, dass ByteDance über die Schulung eines großen Modells mit einem Parameterumfang von über 5 Billionen diskutiert. Als Referenz weisen die in dem Bericht aufgeführten Modelle Alibaba Qwen 3.8-Max und Moonshot AI Kimi K3 einen Parameterumfang von 2,4 Billionen bzw. 2,8 Billionen auf. Das Programm befindet sich noch in einem frühen Diskussionsstadium und wird möglicherweise nicht endgültig veröffentlicht.
Dies sind zwei scheinbar widersprüchliche Signale, aber in Wirklichkeit definiert das erste den Zeitrahmen für die Aufholjagd neu, und das zweite bestimmt die Methode der Aufholjagd: ByteDance plant nicht, die Ausgabe von Wettbewerbsmodellen zu nutzen, um die Rangliste schnell zu ergänzen, sondern versucht, Rechenleistung, Daten und Organisationsressourcen auf eine größere Vorabtrainingsphase zu konzentrieren.
Dies ist ein Weg mit höheren Kosten und schwer vorhersehbaren Ergebnissen. Der Parameterumfang gibt nur die Richtung der Investition an und entspricht nicht der endgültigen Fähigkeit des resultierenden Modells. Was ByteDance wirklich überprüfen will, ist, ob es seine Ressourcenvorteile in ein Trainingssystem und Organisationsfähigkeit umwandeln kann, das unabhängig Spitzenleistungen erzeugt.
Die Wette auf „das Mehrfache der Konkurrenz“
Berichten zufolge wird das Modell mit über 5 Billionen Parametern von Xiang Liang, dem Leiter von Seed Foundation, geleitet und arbeitet mit Shen Ke, dem Leiter der Vorabtrainingdaten für große Sprachmodelle, zusammen. Beide stammen aus dem Such-, Werbe- und Empfehlungssystem von ByteDance. Zu diesem Zweck teilt Seed derzeit Verantwortlichkeiten neu auf und verteilt Ressourcen neu.
Der direkte Grund für die Förderung dieses Plans ist, dass die Leistung von Seed im ersten Halbjahr die internen Erwartungen nicht erfüllt hat. Das im Februar veröffentlichte Seed 2.0 stieß nur auf begrenzte Marktreaktionen, während inländische Modelle wie GLM-5 und Kimi K3 erhebliche Fortschritte bei der Programmierung, dem Aufruf von Tools und komplexen Aufgaben erzielten.
Anstatt darauf zu hoffen, die Aufholjagd zu gewinnen, wechselt ByteDance lieber zu einem größeren Spieltisch.
Der Einsatz zeigt sich zuerst in der technischen Komplexität. Bei Modellen mit einer Mischung aus Expertenarchitektur sind die Gesamtparameterzahl, die Anzahl der einmal aktivierten Parameter, der Trainingsberechnungsaufwand und die Inferenzkosten unterschiedliche Indikatoren. 5 Billionen Parameter können die Modellkapazität erweitern, lösen aber nicht automatisch die Probleme der Datenqualität, der Trainingsstabilität und des Auftauchens von Fähigkeiten. Wenn der Parameterumfang nicht gleichzeitig mit Architektur, Daten und Trainingsmethoden aktualisiert wird, kann am Ende nur ein teureres Modell entstehen.
Daher ähneln die 5 Billionen eher einer Erklärung von ByteDance zur Art der Ressourcenallokation als einem technischen Scheck, der vorzeitig eingelöst werden kann. Der Hintergrund von Xiang Liang und Shen Ke im Bereich „Suche, Werbung und Empfehlung“ zeigt auch, dass diese Aufgabe nicht nur Algorithmenforschung umfasst, sondern auch groß angelegte Trainingssysteme, Datentechnik und teamübergreifende Zusammenarbeit. Je größer das Modell ist, desto stärker wird die Ineffizienz jedes einzelnen Gliedes verstärkt.
Der Rückstand wirkt sich bereits auf die Einnahmen aus
Ein weiterer Grund, warum ByteDance dringend die Wende herbeiführen will, liegt in der Buchführung.
Betrachten wir zuerst die technische Kluft. Mitte Februar dieses Jahres wurde das Schlüsselmodell Seed 2.0, das Wu Yonghui nach seiner Übernahme von Seed auf den Markt brachte, offiziell veröffentlicht und stieß nur auf begrenzte Marktreaktionen. Fast zur selben Zeit wurde das von ZhipuAI quelloffene GLM-5 vom Markt als das erste inländische Modell angesehen, das mit der Anthropic Opus-Serie mithalten kann. Das im Juli veröffentlichte Kimi K3 wurde in mehreren unabhängigen Bewertungen als nahe an den geschlossenen Flaggschiffmodellen aus dem Ausland eingestuft.
Der schmerzhafteste Teil der Kluft liegt im Bereich der Codierung. Während des Frühlingsfestes erschloss Anthropic mit der Programmierfähigkeit der Opus-Serie schnell den Markt für Programmierer und B2B-Kunden. Berichten zufolge näherte sich sein jährlicher wiederkehrender Umsatz (ARR) schnell dem von OpenAI und übertraf ihn schließlich. ZhipuAI und Moonshot AI erzielten mit ihrer stetig verbesserten Codierfähigkeit einen ARR von über 1 Milliarde US-Dollar bzw. 300 Millionen US-Dollar. Erst dann erkannten die großen chinesischen Technologieunternehmen, dass sie das Zeitfenster für die Codierung verpasst hatten.
Betrachten wir nun die Einnahmestruktur von ByteDance. Volcano Engine ist derzeit der größte Anbieter von Modell-APIs in China mit einem Marktanteil von etwa der Hälfte und einem Umsatz von rund 15 Milliarden Yuan im Jahr 2025. Das interne Ziel für dieses Jahr liegt bei über 40 Milliarden Yuan. Aber laut Berichten von LatePost stammt mehr als die Hälfte des Token-Verbrauchs des Doubao-Modells aus den beiden multimodalen Generierungsmodellen Seedance und Seedream, und der Anteil der Sprachmodelle ist nicht hoch. Mit dem Erreichen des Wachstumsgipfels der Kurzfilmbranche verlangsamen sich der Token-Verbrauch von Seedance und das Umsatzwachstum. Der Token-Verbrauch des Doubao-Modells betrug im März 120 Billionen und im Juni 180 Billionen, was unter dem ursprünglichen Ziel von 250 bis 300 Billionen liegt.
Kurz gesagt, die KI-Einnahmen von ByteDance sind einseitig. Die Einnahmen aus der multimodalen Generierung stammen aus dem Inhaltskonsum, deren Nachfrage den Branchenzyklen wie Kurzfilmen und E-Commerce-Materialien folgt. Die Einnahmen aus Sprachmodellen, insbesondere der Codierung, stammen aus der Produktivität, deren Kunden Entwickler und Unternehmen sind, mit einer viel höheren Bindungsrate und einem höheren durchschnittlichen Umsatz pro Kunde. Das Umsatzziel von 40 Milliarden Yuan kann nicht allein durch die Videogenerierung erreicht werden, und das Defizit bei den Sprachmodellen muss ausgeglichen werden.
Keine Destillation – die Kosten der Aufholjagd selbst tragen
Vor zwei Wochen nahmen Zhang Yiming und Wu Yonghui, der Leiter von Seed, gemeinsam an einer unternehmensweiten Versammlung von Seed teil. Berichten zufolge erklärte Zhang Yiming auf der Versammlung, dass die Schulung großer Modelle an sich schwierig sei, und das Team könne eine gewisse Zeit des Rückstands akzeptieren. Er erkannte an, dass Codierung die aktuelle Schlüsselrichtung ist, erinnerte das Team aber auch daran, dass die Programmierung nur einer der aktuellen Trends ist und nicht alle Forschungsressourcen von einem einzigen Szenario gelenkt werden sollten.
Seine Haltung zur Destillation ist noch klarer: Seed soll nicht auf die Ausgabe von Wettbewerbsmodellen angewiesen sein, um sich zu verbessern.
Hier müssen zwei Vorgehensweisen unterschieden werden. Destillation und synthetische Daten sind an sich ausgereifte Techniken für das Modelltraining. Führende Labore nutzen generell die Daten, die von ihren eigenen Modellen erzeugt werden, um nachfolgende Versionen zu trainieren. Was ByteDance ablehnt, ist die Verwendung von geschlossenen Modellen wie Claude oder Modellen mit offenen Gewichten wie Kimi K3 als „Lehrer“, um massenhaft Ausgaben zu erhalten und dann diese Daten zu nutzen, um seine eigenen Fähigkeiten im Bereich der Inferenz, Programmierung und des Toolaufrufs zu ergänzen.
Dieses Prinzip ist nicht kurzfristig entstanden. Bereits im April 2023 forderte ByteDance, dass keine von GPT generierten Daten in den Trainingssatz des eigenen Modells aufgenommen werden dürfen, und überprüft Verstöße durch API-Aufrufprüfungen und Stichproben der Ausgabeähnlichkeit. Danach wurde intern bei Seed mehrfach diskutiert, ob externe Modelle zur Destillation genutzt werden sollen, was aber letztendlich abgelehnt wurde.
Die Ablehnung der Destillation von Wettbewerbsmodellen bedeutet, dass ByteDance auf einen schnelleren Weg zur Aufholjagd verzichtet. Die Diskussion über ein Modell mit 5 Billionen Parametern bedeutet, dass es bereit ist, mehr Rechenleistung, Daten und Zeit aufzuwenden, um diese Kosten zu tragen. Die beiden Entscheidungen verfolgen eigentlich dasselbe Ziel: Nicht auf der Fähigkeitskurve anderer anzunähern, sondern auf die nächste Fähigkeitsplattform zu springen, um auf die Konkurrenz zu warten.
Diese Strategie hat ByteDance bereits einmal bei Videomodellen erfolgreich angewendet. Im Jahr 2025 war die vorherrschende Meinung im Bereich der Videogenerierung, dass das Potenzial für die weitere Erweiterung der Vorabtrainingsphase entlang der DiT-Architektur kaum noch ausreicht, und die meisten Teams konzentrierten sich auf das Nachtraining. Kuaishou Keling versuchte auch, ein größeres Modell zu trainieren, kehrte aber mittendrin um. Seedance ging den umgekehrten Weg: Es maximierte die Vorabtrainingsphase und schuf das erste Videogenerierungsmodell, das vollständig die MoE-Architektur mit 200 Milliarden Parametern nutzt. Nach seiner Veröffentlichung im Februar 2026 wurde es weltweit als das leistungsstärkste Videomodell anerkannt und wurde anschließend zur Grundlage der Einnahmen aus dem MaaS-Geschäft von Volcano Engine.
Aber dieser Fall beweist nicht direkt, dass das Sprachmodell mit 5 Billionen Parametern ebenfalls erfolgreich sein wird. Seedance setzte damals auf eine Richtung, in der der allgemeine Konsum nachließ, die Zahl der Konkurrenten abnahm und das Kernteam für Algorithmen nur ein Dutzend Personen umfasste. Die Erweiterung von Sprachmodellen hingegen ist ein Weg, der von OpenAI, Anthropic, xAI und führenden chinesischen Forschungslaboren vorangetrieben wird. ByteDance hat keine offensichtlichen Informationsvorteile und kann nur darauf setzen, ob seine Ressourcenvorteile in Trainingseffizienz und Modellfähigkeit umgewandelt werden können.
„Große Kraft erzeugt Wunder 2.0“: Von der Wettbewerbsstrategie zum massiven Einsatz von Ressourcen
Um diesen Kampf zu führen, ändert ByteDance derzeit seine bekannteste organisatorische Vorgehensweise.
Die von ByteDance praktizierte Strategie „Große Kraft erzeugt Wunder“ stützte sich früher auf interne Wettbewerbe: Mehrere Teams arbeiten parallel in derselben Richtung, um Fehler zu vermeiden, und konzentrieren dann die Ressourcen entsprechend den Marktrückmeldungen. Die frühe Massenveröffentlichung von Informationsanwendungen durch ByteDance und der spätere gleichzeitige Eintritt in den Kurzvideobereich mit Volcano, Douyin und Xigua sind Beispiele für diesen Mechanismus. Das Wesen des Wettbewerbsmechanismus besteht darin, die Erfolgsrate durch die Anzahl der Teams zu erhöhen, aber die Voraussetzung sind niedrige Kosten für Fehlerversuche und schnelle Marktrückmeldungen.
Große Spitzenmodelle passen nicht zu diesem Mechanismus. Die Kosten für eine einzelne Trainingsphase belaufen sich auf Hunderten Millionen Yuan, und der Feedback-Zyklus dauert Jahre. Zehn Teams arbeiten an zehn verschiedenen Richtungen, was bedeutet, dass jede Richtung unzureichend mit Ressourcen ausgestattet ist.
Berichten zufolge treiben die Führungskräfte von ByteDance derzeit voran, dass Seed die internen Wettbewerbe in derselben Richtung aufhebt, die Forschungs- und Entwicklungsressourcen bündelt, die Verantwortlichkeiten der Teams klar definiert und die Barrieren zwischen den Abteilungen abbaut. Um die Codierfähigkeit zu verbessern, lud Zhang Yiming persönlich Guo Daya, einen Kernforscher von DeepSeek, ein, zu Seed zu wechseln und für das spezielle Training verantwortlich zu sein. Die entsprechenden Forschungs- und Entwicklungsressourcen wurden ihm ebenfalls zugewiesen. Genau unter dieser Strategie wurden die relevanten Ressourcen von Volcano Engine, Feishu und Doubao integriert.
Diese organisatorische Anpassung löst das Problem der verteilten Investitionen, beseitigt aber nicht die Unsicherheiten in der Forschung. Mit der Verringerung der Wettbewerbe erhält eine einzelne Route mehr Ressourcen, aber die Kosten für eine falsche Richtungsentscheidung steigen auch. Für ByteDance ist das Modell mit 5 Billionen Parametern sowohl ein technisches Training als auch ein organisatorisches Training: Es verlangt von dem Produktunternehmen, das früher schnelle Fehlerversuche beherrschte, sich an die Grundlagenforschung mit längeren Zyklen und langsameren Rückmeldungen anzupassen.
Zhang Yiming sagte, ByteDance solle bereit sein, einen Teil der kurzfristigen Einnahmen für langfristige Ziele zu opfern. Die wahre Bewährungsprobe für diese Aussage liegt nicht in den Modell-Ranglisten, sondern in der Gewinn- und Verlustrechnung.
Liang Rubo sagte auf der unternehmensweiten Versammlung: Das Marktpotenzial großer Modelle ist sehr groß, sodass man sich keine Sorgen um die wirtschaftliche Rendite machen muss, „aber die Einnahmen sind immer noch wichtig“. Das jährliche Ziel von 40 Milliarden Yuan, der hinter den Erwartungen zurückbleibende Anstieg des Token-Verbrauchs und der mehr als die Hälfte ausmachende multimodale Umsatz: Es ist leicht, den technischen Rückstand zu akzeptieren, aber es ist schwer, die durch den Rückstand verursachte Einnahmelücke zu akzeptieren.
Derzeit ist nur bestätigt, dass ByteDance den teureren Weg der Aufholjagd gewählt hat. Ob die 5 Billionen Parameter eine neue Fähigkeitsplattform bringen können, muss gemeinsam von Modellen, Kunden und Einnahmen beantwortet werden.
Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Qiangdiao Next“ (ID: leo89203898), Autor: Qingyun, Redakteur: Xiaobai, veröffentlicht mit Genehmigung von 36Kr.