多模态「统一」其实分两层：第一层是 LLM 与 VLM 融合，让模型能看懂图；第二层是 VLM 与 DiT 融合，让理解与生成共用参数。难题卡在第二层——理解靠自回归预测下一个 Token，生成靠扩散模型在潜空间逐步去噪，训练目标、数据表征、计算机制全不同，强行合并会出现任务间能力干扰。目前业界公认「理解+生成统一」缺乏有效方案，更看好第一层的 LLM+VLM 融合。

周畅的核心筹码是「最懂阿里大模型的人」这个身份。2021 年他带队做出千亿参数的 M6 多模态预训练模型，是当时中文多模态最大规模；2023 年通义千问正是在 M6 底座上演化而来。这也解释了字节为何愿意给 4-2 职级、八位数年薪把他和十余名旧部一起挖走，甚至引发阿里竞业仲裁。他对视觉理解的技术积累，正来自 M6 这条多模态预训练主线。

一边是研究派：NEO-Unify 这类架构主张去掉 VE 与 VAE，用原生像素输入加共享参数空间直接建立语义与像素映射，声称参数利用率提升 40%、推理速度快 2.3 倍。另一边是字节自己的实战：Seedance 2.0 赚钱靠的是音画双分支扩散，跟理解生成统一没关系；腾讯混元、阿里 Qwen 研究员都直言这条路「没谁能做到」。理想很丰满，但商业成功偏偏来自没走统一的那条腿。

吴永辉接管 Seed 后推 Edge/Focus/Base 三代并行，8 月又把预训练数据统一收拢，为的是训练参数超 5 万亿、走全模态 Omni 的下一代模型。这意味着 VLM 被并入 LLM 不是终点，而是「一切向大模型主干收拢」的开始。可观察的信号是：Seedream 5.0 Lite 之后字节是否再发独立的视觉理解模型，以及曾妍在 Seedance 之外扩招语言模型人手会把势力范围推到哪。

周畅带着「多模态统一」的理想去做 Physical AI，但世界模型恰恰要求同时理解物理世界并预测其变化——这不就是把没在大厂做成的理解生成统一，换个场景再赌一次？真正值得问的是：世界模型的技术栈是否比通用多模态更宽容、更容易接受分开做理解与生成？田柯宇同样押注视频世界模型、用 20 万符号视觉词典绕开三维重建，前字节人扎堆这条赛道，是巧合还是路线收敛的信号？