8 月初，字节跳动讨论训练一个参数规模超过 5 万亿的模型。同时，字节也希望下一代模型直接走向能处理更长、更复杂任务的全模态（Omni）。这也给了字节更强的动力和决心去打破原有的团队边界与分工模式。Seed 在这次调整公告中也提到：“合并相似工作、减少 overlap（重合），内聚在一起”。

过去，Seed 主要按照模态和研究方向划分团队，文本、代码、视觉、推理等方向都有自己的数据、后训练团队。这种组织方式在大模型研发早期有利于快速补齐不同能力，但随着研究方向越来越多，团队之间的边界也变得越来越模糊，一些方向出现重复投入，跨团队沟通和协作的成本也随之增加。

更大尺寸模型是一个系统工程。参数规模扩大后，模型需要更多且更丰富的数据来训练；且对数据质量的要求也不断提升。如果高质量数据没有同步增长，增加的参数可能只是重复学习已有信息，继续投入资源的收益会迅速下降。

Omni 模型又增加了一层复杂性。语言、代码、视觉和语音要进入同一个基座，各类数据放多少、在什么阶段加入、如何保持模态之间的平衡，都会影响模型最终的能力。这需要 Seed 不同数据团队之间进行更深的合作。

“Omni 是行业的趋势。” 一位从业者说。类似的调整也出现在了其他公司。今年 7 月，腾讯混元将多模态模型部门与大语言模型部门合并，由大语言模型负责人姚顺雨统一管理。

此前，字节已经开始尝试整合 Seed 内部分散的研发力量。2025 年，吴永辉接管 Seed 后，组建 Edge、Focus 和 Base 三个虚拟组织，推动不同团队共享数据和代码库，减少重复研发。今年，整合进一步深入到了一些正式部门中，包括将此前分散在硬件、数据和模型等团队的 Seed Robotics，统一调整至周畅负责的多模态交互与世界模型体系，以便复用数据、模型和算法能力。我们了解到，近期周畅的工作重心也更多转向物理 AI。

此次调整也发生在 Seed 面临更大压力的时刻。Seedance 已经证明，领先的模型能力可以迅速带来用户增长和 API 收入；但在最重要的基础模型战场上，Seed 仍处于追赶状态，Coding、Agent 能力落后于月之暗面、智谱等创业公司。当大厂们的 AI 产品重心迅速转向办公应用时，字节的反应也不是最快的。

因此调整中，一个明显变化便是将负责应用后训练的团队按照用户任务，拆分为 Work 和 Chat 两个方向。Chat 继续服务成熟的 C 端需求，重点优化搜索问答、对话体验、个性化和安全等能力，同时控制推理成本。Work 则对应办公市场。它要做的，是将模型在编程场景中积累的工具调用、GUI 操作和长任务执行能力，迁移到更广泛的职场任务中。