独立建制、招10名顶尖安全人才：字节Seed对AGI的目标可能被低估了

前沿实验室既在争取下一次模型能力的突破，也在准备应对下一场安全危机。

10 月 9 日，Axios 报道，OpenAI 和 Anthropic 的高管，已经在推演重大 AI 事故发生之后的情景，为应对风险提前做准备。

他们推演的一个场景是：AI 发起大规模网络攻击，导致金融服务或互联网连接中断，还会波及供水、供电的基础设施。

这些顾虑有现实事件的支撑。7 月，OpenAI 的模型在内部网络安全评估中绕过互联网隔离措施，侵入 Hugging Face 系统。随后，Anthropic 也披露了网络安全评估中的意外事件。

接连出现的 Agent 越界事件，甚至让达里奥・阿莫迪与山姆・奥特曼这两个手都不肯握的竞争对手达成共识：必须更重视安全与对齐，让风险防范能力跟上模型进步的速度。

相比之下，长期处于追赶状态的国内团队多奉行 “先发展、再治理”，相关工作往往与日常的内容治理、产品风控和合规任务混在一起。

字节跳动大模型团队 Seed 率先打破了惯例。近期，Seed 成立新部门 Alignment & Preparedness，原 Responsible AI 团队及部分 Chat 团队成员将转入新部门，由严林负责，向 Seed 负责人吴永辉汇报。

10 月 14 日，Seed 启动全球招聘，计划招募 10 名顶尖 AGI 研究员，重点研究模型能力发展带来的新型安全问题，探索行业尚无成熟方案的技术方向；同时推动安全研究成果直接接入模型的训练、评估和上线环节，让模型能力在实际产品与服务中安全、可靠地落地。

Seed 同时强调，将在这一方向 “坚决、长期地投入下去”，并为安全与对齐团队提供与前沿模型研究同等规格的资源与支持。毕竟，安全与对齐研究同样高度消耗算力，研究者需要反复测试模型、分析异常行为，并通过大规模训练来验证改进方案。

安全与对齐，模型规模化应用的核心能力

Seed 新成立的 Alignment & Preparedness 部门，从名字上就明确了两个核心任务：

• 对齐（Alignment），是让模型行为与人类意图及安全约束保持一致，重点提升 Agent Model（智能体模型）自主行动时的安全能力；
• 风险准备（Preparedness），则是关注极限场景，提前防范 CBRN（化学、生物、放射与核）等前沿能力可能带来的严重风险。

随着模型能力提升，这些方向投入不足会有什么样的风险，已经有了 Hugging Face 等事件可以参考。

对 Seed 来说，这些风险也在变得更加实际。据多家媒体报道，他们正计划训练超过 5 万亿参数的大模型，继续探索模型能力上限。Seed 内部的判断是，随着模型能力增强、应用场景变得复杂，安全与对齐，已经成为决定模型能否规模化应用的核心能力。

其实 Seed 模型当下支持的业务规模，已经让安全与对齐工作变得紧迫。截至 2026 年 6 月，豆包大模型日均 Token 使用量突破 180 万亿，豆包工作与飞书的融合也在推动模型进入更多企业流程；面向个人用户的豆包 App，每个月有 3.82 亿人使用。

模型覆盖的用户规模达到这个体量，即便某种风险发生的概率很低，也可能会影响到庞大的人群。

早在 2021 年，字节就组建了 Responsible AI 团队。2023 年 10 月，他们发布《大语言模型遗忘》（Large Language Model Unlearning）论文，探索在不从头训练的情况下减少模型的有害输出，同时尽量保留正常能力。这项研究入选《ML Safety Newsletter》当年重要安全论文专题，并被 NeurIPS 2024 接收。

此后，Seed 持续与外部研究者合作推进相关研究。比如，被 ICLR 2026 接收的任意深度对齐（Any-Depth Alignment，ADA）研究，在生成途中加入特定助手标记，让被诱导续写有害内容的模型重新识别风险，不用修改模型参数就能改善防护效果。

伴随着 Responsible AI 整合进新建制的 Alignment & Preparedness 独立部门，Seed 进一步加码该方向的研究。

前沿研究不仅需要顶尖人才，也需要耐心和资源

按照已披露的规划，Seed 新部门将围绕模型规范、安全评估、对齐训练、防护系统和风险监控持续投入，并加强与外部研究机构、第三方评测机构的公开合作。这意味着，团队需要从训练到应用阶段，持续跟进模型的变化，发现新的问题，再验证解决方法。

一些安全问题可以通过改进训练或防护措施较快解决。但还有一些问题，很难确定完成时间和消耗的资源。

比如一种对齐方法在现有模型上有效，到了能力更强的下一代模型上是否仍然可靠？一次评估没有发现风险，是模型足够安全，还是测试方法没有触及它的薄弱点？

回答这些问题，需要顶级的研究员持续试错。只有最懂模型底层技术的研究员，才可能预判并控制模型的失控风险。

在 OpenAI，历任安全与对齐团队负责人都是顶尖研究者，比如早期的达里奥・阿莫迪、伊利亚・苏茨克维，现在的研究副总裁米娅・格莱斯，也曾主导了 o1 系列模型采用的 “审议对齐” 技术。

Anthropic 成立的原因就是多名 OpenAI 的顶尖研究者认为公司不够重视安全与对齐。当前，其对齐团队由大模型核心对齐技术 RLHF（人类反馈强化学习）的共同发明人简・莱克负责。

安全与对齐的研究，也需要团队和管理者接受不确定性。在多数商业公司高管眼中，侧重防御的基础研究，既无法直接兑现为用户增长，又要在反复试错中吞噬宝贵的算力。这也是很多商业公司没那么在意安全与对齐研究的原因之一。

而 Seed 过去的一系列动作，证明了字节对这类 “长周期、高不确定性” 研究方向的包容。

2025 年 1 月，Seed 推出 Seed Edge 研究计划，瞄准比日常预训练和模型版本迭代更长期、更不确定的 AGI 前沿课题（如推理能力上限、下一代软硬件协同等），为研究员采用更长的评价周期并配置了专属独立算力池。

到现在，这项计划已经孵化出多项有影响力的成果。2025 年 10 月，Seed Edge 研究员发布、开源预训练模型 Ouro，探索 Loop Transformer 架构：让模型重复使用同一组网络层，通过增加计算深度提升能力。近一年后，GPT-6 Astra 使用这一架构的报道出现，这条技术路线才受到更多关注。

超长程评测集 EdgeBench 则是他们在 Agent 方向的探索成果。研究团队通过 134 个任务、约 3.8 万小时的交互记录，在测试范围内发现了任务表现随交互时间变化的规律，确立了一种全新的环境学习 Scaling Law，帮助研究者量化投入更多交互时间能够带来多少能力提升。据了解，OpenAI 等团队也接入了该评测集。

前不久，Edge 团队推出 Seed STEM 科学家计划，面向数学、物理、化学、生物、材料等领域，邀请 100 位优秀学者围绕真实科研难题开展合作，并提供算力、专业 AI 研究团队支持和有竞争力的薪酬。

在这个项目的支持下，近期，南开大学讲席教授郭少明带领团队，与 Seed 完成三维粘性挂谷猜想的形式化验证，将已有证明转化为计算机可核验的代码。项目共完成约 180 万行 Lean 代码，约九成由 Seed-Prover 生成。这项结果是今年菲尔兹奖得主王虹的代表性成果 —— 完整三维挂谷猜想证明的关键环节。

• https://github.com/M32026/3d-sticky-kakeya

类似的合作计划在海外前沿实验室普遍存在，但在国内却很少见，探索主要面向尚无确定答案的问题，成果需要用大量算力证明或检验，更难兑现成商业价值。

字节跳动的经营规模，是 Seed 投入长期研究的基础。根据 The Information 报道，2026 年上半年，字节跳动营收同比增长约 30%，达到约 1200 亿美元，体量超过 Meta；受 AI 投入增加影响，净利润同比小幅下降，还有约 200 亿美元。

这不仅说明字节愿意大力投入 AI，还说明它有同行没有的底气：可以持续投入高价值的前沿技术探索。

Seed 对 AGI 的目标和决心，可能被低估了

在国内的大模型行业，Seed 所在的位置，可能是张力最大的地方。

火山引擎、豆包工作、豆包 App 等业务迅速推进，让他们研发的模型直接面对庞大的用户群体、复杂的使用场景和激烈的竞争。下一代模型能不能及时上线，成本能不能降低，以及能力能迅速提升、跟上全球第一梯队，都是需要 Seed 团队回答的实际问题。

但他们选择不走捷径。今年 8 月，字节创始人张一鸣在内部交流中明确提出，反对通过蒸馏对手模型的方式追赶，并表示可以接受阶段性的落后。这样的决断在国内同样找不到第二家。

这种支持独立探索的取向，也让 Seed 在前沿技术探索上的深度与广度远超外界的想象。他们在 2024 年发布的超连接（Hyper-Connections，HC）研究，探索深层网络中不同层之间传递和组合信息的新方式。一年后，成为 DeepSeek 推出的 mHC 方案、混元团队的 iHC 方案的基础。

2025 年初公开的 Over-Encoding 研究，探索通过扩大输入端的查找表，以较低的额外计算开销改善模型表现。同样是一年后，DeepSeek 发布 Engram 研究论文，引用并比较了这一方法。类似的技术，如今已经用在了 DeepSeek、Qwen 的新模型中。

前段时间伴随着 Loop Transformer 架构得到关注，Seed 相关的工作成为焦点之一。不少研究者开始讨论：Seed 的研究能力远远被低估了

从他们现在有关安全与对齐的一系列动作来看，字节 Seed 对 AGI 的目标和决心，也可能被低估了。

正如他们在招聘海报上所写，AGI 不只在于获得更高的智能水平，更在于 “让先进智能真正、持续地服务于人”。