晚点硬科技 8/19：Seed 收拢大模型组织，墨奇用真实数据追赶具身智能
本期速读字节 Seed 的大模型组织重组与墨奇智能的具身模型、真实数据和酒店机器人闭环，串起硬科技竞争从堆资源走向系统迭代的信号。
这一窗口覆盖 2026 年 8 月 19 日 08:34—20:32（北京时间），信源范围是晚点 LatePost、晚点 AI 等晚点同系微信公众号。筛选口径仍是 AI、大模型、具身智能、机器人、芯片及紧密相关基础设施等硬科技新文。本期确认 2 篇独立文章；其中墨奇智能访谈在晚点 LatePost 主号与晚点 AI 同步发布，按 1 篇计。
| 优先级 | 文章 | 账号与发布时间 | 为什么先看 |
|---|---|---|---|
| 1 | 晚点独家丨计划训超大模型后，字节 Seed 基模团队调整了组织架构 | 晚点 LatePost · 2026 年 8 月 19 日 19:27（北京时间）1 | 它解释字节为什么把数据、强化学习、工作场景后训练和聊天场景后训练重新分组：更大的模型、全模态方向与算力约束，开始逼组织减少重复投入。 |
| 2 | 墨奇智能黄青虬：做智驾五年，我知道具身创业该避开哪些噪音 | 晚点 LatePost · 2026 年 8 月 19 日 19:00（北京时间）；晚点 AI 同步 · 20:3223 | 它把具身智能的路线争论落到模型大小、真实数据、酒店任务、硬件一致性和迭代周期，展示一家后发公司如何尝试用系统闭环追赶。 |
逐篇速读：组织要收拢，具身要闭环
晚点独家丨计划训超大模型后，字节 Seed 基模团队调整了组织架构
账号与时间： 晚点 LatePost，2026 年 8 月 19 日 19:27（北京时间）。
核心事实
- Seed Foundation Model 新设四个一级部门。 Pretrain Data 由李成刚负责，合并原来分散在文本、编程、视觉理解和语音方向的预训练数据团队；Horizon RL 由唐晟宇负责，整合后训练、推理和视觉理解方向的后训练团队；Product Posttrain-Work 由秦禹嘉负责，服务 B 端应用和办公场景的 Agentic 模型；原 Application 团队保留并更名为 Product Posttrain-Chat，继续服务 C 端对话模型。四个部门负责人均向吴永辉汇报。1
- 这轮调整发生在超大模型和全模态方向加速之际。 8 月初，字节曾讨论训练参数规模超过 5 万亿的模型；下一代模型也希望直接走向能处理更长、更复杂任务的 Omni。原文将多模态数据的统一管理、数据配比和模态平衡，视为组织需要更深协作的原因。1
- 组织调整针对的是过去按模态和研究方向分工带来的重复。 过去文本、代码、视觉和推理方向各自拥有数据、后训练团队。随着边界变模糊，团队之间出现重复投入，跨团队沟通成本也上升。Seed 在公告中把目标概括为「合并相似工作、减少 overlap、内聚在一起」。1
- Work 与 Chat 的拆分对应两种用户任务。 Chat 方向继续优化搜索问答、对话体验、个性化、安全与推理成本；Work 方向则要把编程场景积累的工具调用、GUI 操作和长任务执行能力迁移到更广泛的职场任务。1
- 字节面对的是追赶压力与算力约束。 原文称，Seedance 已证明领先模型能力可以带来用户增长和 API 收入，但 Seed 在基础模型战场仍处于追赶状态，Coding、Agent 能力落后于月之暗面、智谱等创业公司；同时，大参数模型需要更多高质量数据和算力，字节的算力储备已经难以支撑多线并行。1
- 这不是 Seed 第一次尝试整合。 2025 年吴永辉接管 Seed 后，曾组建 Edge、Focus 和 Base 三个虚拟组织，推动不同团队共享数据和代码库；今年，Seed Robotics 也被调整到周畅负责的多模态交互与世界模型体系。1
关键判断
第一，Seed 正把大模型竞争从「多线试错」改成「集中资源做系统工程」。 超大模型同时抬高了数据质量、算力供给和跨模态协作的要求；组织合并因此不只是汇报线变化，而是在给少数核心项目重新分配人、数据和计算资源。1
给投资人的启示： 观察字节大模型后续进展时，除了看参数规模，还要看数据团队是否真正合并、算力是否集中到少数模型，以及这种集中能否缩短从训练到产品发布的周期。
第二，Work 与 Chat 的分开，说明模型能力的竞争正在被具体任务重新切分。 Chat 更看重对话质量、个性化和成本，Work 则需要工具调用、界面操作与长任务执行；同一个基座模型要进入不同产品，后训练和评测未必能继续共用一套优先级。1
给产品经理的启示： 规划模型产品时，先把用户要完成的任务、允许的推理成本和所需的工具链写清楚，再决定后训练团队如何分工，不能只用「模型更强」代替产品定义。
第三，组织效率已经成为字节追赶基础模型的技术变量。 原文把「人和组织能否捋顺」与 Seed 是否会成为难以忽视的竞争对手连在一起；当高质量数据和算力都稀缺时，重复实验和边界摩擦会直接减少有效训练量。1
给开发者的启示： 在基础模型项目里，数据、代码库、评测和实验记录能否跨团队复用，和单次算法改进同样决定有效迭代速度。
墨奇智能黄青虬：做智驾五年，我知道具身创业该避开哪些噪音
账号与时间： 晚点 LatePost 主号，2026 年 8 月 19 日 19:00（北京时间）；晚点 AI 于 20:32 同步。两处正文为同一篇文章，本期以主号入口为主。
核心事实
- 墨奇成立于 2025 年底，半年内获得超过 10 亿元融资，团队扩张到 150 多人。 联合创始人、CTO 黄青虬此前在华为参与 ADS 1.0 到 ADS 4.0 的开发，做过激光雷达感知、BEV 融合和数据闭环，离职前管理 AI 模型开发部 200 多人。公司称，明年计划实现千台级轮式机器人交付。2
- 黄青虬没有把 VLA 或世界模型当成现成答案。 他认为 VLA 更容易从视觉语言模型起步，世界模型更多提供对未来状态和物理变化的预测，两者都只解决具身模型的一部分问题。墨奇希望把动作、语言推理、视频预测、深度估计和语义分割当作不同训练信号，训练原生具身模型。2
- 具身模型受到端侧算力和输入形态的双重限制。 黄青虬将具身概括为更接近「大数据、小模型」：目前机器人端侧可部署的模型大约在 3B—7B；机器人还要连续处理视频、语言、触觉和本体状态，单个训练样本可能比大语言模型大很多。墨奇因此选择「训练推理分离」：训练阶段吸收多种信号，部署阶段只保留执行动作所需的部分。2
- 墨奇把数据闭环放在模型路线之前。 机器人执行失败后，团队会回看失败片段，检索相似场景，区分问题来自数据覆盖、轨迹、模型还是硬件；新数据经过筛选、分类和自动标注，再进入训练。新模型还要经过离线评测、真机泛化测试和任务回归测试，确认目标问题改善且其他能力没有明显退化。公司称目前积累约 3 万小时合格数据，年内计划增加到 15 万至 20 万小时，并使用超过 2000 张训练卡。2
- 酒店被选作进入真实商业环境的起点。 家庭场景差异大、隐私数据难以持续回传；酒店房间接近家务，又能在客人退房后提供相对可控的工作空间。墨奇把客房工作拆成 160 多个子任务，先做抓、拿、放等约占清洁工作量 30% 的任务，再推进柔性物体和长程任务。2
- 首代产品先用轮式底盘，灵巧手暂不优先自研。 原文称，人在戴上与机器人相似的夹爪后能完成约 70% 的酒店和商住公寓任务，而机器人自主执行的完成率只有 3%—5%；墨奇据此判断，当前首要瓶颈仍是模型。公司会在硬件开始阻碍模型迭代、供应商又无法及时解决时，才考虑自研；目前先从肩关节等影响动作速度和机器一致性的部件切入。2
关键判断
第一，具身智能的路线争论，正在从名词选择转向训练信号和验证闭环。 墨奇没有押注 VLA 或世界模型中的单一标签，而是把语言、视频、深度、分割和动作视为不同老师；它真正要验证的是，多种信号能否让较小的端侧模型在真实任务中持续变好。2
给开发者的启示： 做具身模型时，优先搭建从失败片段、数据补齐到真机回归的闭环，再用指标判断哪一种训练信号真的改善了动作，而不是先追逐一个热门架构名词。
第二，后发公司的追赶速度取决于每轮实验能否更快转回来。 黄青虬把从智驾带来的能力概括为数据、训练和评测方法，而不是某一代模型；墨奇目前称数据问题的一轮迭代约需一周，目标是缩短到一天，涉及模型结构或硬件修改时则需要一周到一个月。2
给投资人的启示： 评估具身创业公司时，应把失败诊断、数据回流、训练和部署的实际周期，与融资额、模型名词和远期交付目标放在同一张表里看。
第三，产品路线的早期价值在于缩小变量，而不是一次解决所有问题。 墨奇先用轮式底盘绕开双足行走，先在酒店把抓取、柔性物体和长程任务拆开验证，再考虑更通用的家庭机器人；它也把灵巧手放到模型成为瓶颈之后。2
给产品经理的启示： 设计具身产品的第一批场景时，把环境、任务和硬件变量压到可控范围，才能知道一次失败究竟该由模型、数据还是本体负责。
本窗口趋势洞察
1. 大模型和具身智能都在从「堆资源」转向「把资源放进同一条链路」。 Seed 合并预训练数据与后训练团队，试图减少重复投入，把数据和算力集中到超大模型与 Omni；墨奇则把原生模型、真实数据、软件和硬件放进同一条失败—训练—验证链路。两篇文章的共同点不是技术路线相同，而是都在处理跨团队、跨模态和跨软硬件的协作成本。12
2. 「更大的模型」和「更通用的机器人」都必须回答一个更硬的问题：新增资源怎样变成有效训练。 Seed 面对的是超大模型带来的数据质量、模态配比和算力集中问题；墨奇面对的是端侧 3B—7B 模型如何吸收多种训练信号，以及真实任务失败能否快速回流。规模目标本身还不能说明能力提升，训练与验证的循环速度才是两篇文章都暴露出的约束。12
3. 这两篇新文都把「下一步」放在工程节拍上，而不是发布时刻。 Seed 要证明组织收拢后能否改善基础模型追赶与产品发布；墨奇要证明真实酒店任务、数据闭环和轮式机器人交付能否把 3%—5% 的自主完成率向上推。前者的验证单位是模型训练和产品任务，后者的验证单位是失败样本、子任务和机器人迭代；它们都还处在计划与持续验证阶段。12
排除项与边界
- 本期按独立文章计 2 篇。墨奇智能访谈在晚点 LatePost 主号和晚点 AI 同步发布，正文相同，保留主号为主要入口并附同步入口；本期没有重复计数。
- 本期排除了消费零售、泛商业和纯财务题材。两篇文章中出现的融资、算力投入和交付目标，只保留它们对研发资源、工程验证和商业化路径的解释，不构成投资建议。
- Seed 的组织调整、超大模型讨论和竞争位置，以及墨奇的融资、数据时长、训练卡数量和千台级交付目标，均按晚点原文转述。报道中的计划与受访者判断不等于已经完成的产品能力；具体细节请以Seed 组织调整原文和墨奇访谈原文为准。
References
- 1晚点独家丨计划训超大模型后，字节 Seed 基模团队调整了组织架构
mp.weixin.qq.com
- 2墨奇智能黄青虬：做智驾五年，我知道具身创业该避开哪些噪音
mp.weixin.qq.com
- 3晚点AI同步文章
mp.weixin.qq.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.