2025 年 9 月，28 岁的姚顺雨从 OpenAI 离职，加入腾讯担任首席 AI 科学家，直接向总裁刘炽平汇报。九个月后，他的一位前同事可能也踏上了同一条路。

据雷锋网报道，OpenAI 研究科学家田永龙或将加入腾讯混元团队。

根据最新了解的情况，田永龙将成为混元多模态模型方向的负责人，并向姚顺雨汇报。但这笔人事变动尚未最终落槌，田永龙目前尚未正式入职。如果顺利，这是继姚顺雨之后，又一位从 OpenAI 核心研究团队转投腾讯混元的研究人员。

对腾讯而言，这笔引援的指向非常明确。在字节豆包凭借视频生成和图像理解强势占领多模态心智、阿里通义万相持续迭代的当下，混元的多模态能力始终是外界眼中的短板。而田永龙的履历，几乎是为这一岗位量身定制的。

从清华到 MIT：一条标准的顶尖 AI 人才路径

田永龙的学术背景，是中国计算机视觉领域 " 黄金一代 " 的典型模板。

本科在清华大学完成，随后赴香港中文大学攻读硕士，导师是汤晓鸥和王晓刚。这是计算机视觉领域最具影响力的华人学者组合之一——汤晓鸥是商汤科技的创始人，王晓刚则是商汤首席科学家。在港中文期间，田永龙在 MMLab 打下了扎实的视觉识别与深度学习基础。

之后，他进入 MIT EECS 系，在 Phillip Isola 指导下攻读博士学位，2022 年毕业。Phillip Isola 是生成模型领域的权威学者，以 CycleGAN 和对比学习相关研究闻名。在 MIT 的几年，田永龙的研究重心逐渐从传统的视觉识别转向生成模型和表征学习。

这条路径的每一步都踩在了中国 AI 人才梯队的关键节点上：清华的本科筛选、港中文 MMLab 的视觉启蒙、MIT 的生成模型深造。他的 Google Scholar 引用数已达 28,778 次，h-index 35，仅 2026 年就有 3,436 次引用。

博士毕业后，田永龙先加入 Google DeepMind 位于剑桥的研究团队。在 DeepMind 期间，他专注于视觉感知与生成的基础研究，亲历了这家实验室从 AlphaGo 时代向生成式 AI 转型的过程。

随后，他转投 OpenAI 担任研究科学家。在 OpenAI，他的研究方向进一步聚焦于机器感知、生成模型和表征学习，且主要从视觉视角切入，而这正是当前多模态大模型最核心的技术战场。

在 OpenAI 期间，他与姚顺雨成为同事。虽然两人具体合作的项目未对外公开，但他们在同一时期效力于 OpenAI 的研究团队，亲历了 GPT 系列与多模态技术的快速迭代。

这段共事经历，很可能是田永龙最终选择追随姚顺雨加入腾讯的重要伏笔。

Supervised Contrastive Learning 与 Fluid

田永龙在学术界的成名作，是Supervised Contrastive Learning（有监督对比学习）。这项工作将对比学习框架推广到监督场景，通过将同类样本在表示空间中聚集在一起，显著提升了视觉表示的质量。论文发表后被广泛引用，影响了后续大量视觉预训练模型的设计思路，包括 SimCLR、MoCo 等系列的演进。

更近的一项重要贡献，是 2024 年 10 月发表的 Fluid，一项关于自回归文本到图像生成模型的规模化研究。这项工作由田永龙与 Lijie Fan、Tianhong Li 等人合作完成，核心发现是：在视觉领域，使用连续 token（continuous tokens）而非离散 token（discrete tokens）的自回归模型，在视觉质量上显著优于离散 token 方案；同时，随机生成顺序（random-order）相比固定光栅顺序（raster-order）能获得更好生成效果。基于这些发现，团队训练了 Fluid 10.5B 模型，成为当时的新标杆。

这项工作的重要性在于，它试图回答一个关键问题：为什么自回归模型在语言领域（GPT）取得了巨大成功，但在视觉领域的规模化却一直不如扩散模型？田永龙的答案是—— token 的连续性和生成顺序可能是被忽视的关键变量。这对多模态大模型有直接的启发意义：如果视觉生成和语言理解要在同一个模型中统一，自回归架构可能仍是值得押注的方向。

此外，他还参与了Autoregressive Image Generation without Vector Quantization（与何恺明、Tianhong Li 合作，arXiv 2024），提出无需向量量化的自回归图像生成方法，将图像建模为连续序列而非离散 token；Learning Vision from Models Rivals Learning Vision from Data（CVPR 2024），探讨合成数据在视觉学习中的潜力；以及Scaling Laws of Synthetic Images for Model Training（CVPR 2024），研究合成图像的缩放规律。

这些工作的共同线索是：不满足于简单的视觉识别，而是探索视觉的生成、理解与表征学习的统一框架。这正是多模态大模型想要实现的目标——让模型不仅能 " 看懂 " 图像，还能 " 生成 " 图像，并在两种能力之间建立深层联系。

混元多模态的换血

田永龙的加入，是腾讯混元多模态团队近一年来一系列人事变动的最新一环。

在此之前，混元多模态方向经历了剧烈的组织震荡。2024 年底，原负责多模态统筹的刘威从腾讯离职，创办了一家名为 ReBirth 的公司，主攻视频生成。刘威是计算机视觉背景，在腾讯期间曾短暂管理过混元大模型团队。

刘威离开后，多模态方向一度由蒋杰直接负责。2025 年 4 月，腾讯在 TEG 体系内正式成立独立的大语言模型部与多模态模型部，试图从组织架构上解决过去 " 虚拟团队、资源分散 " 的问题。

此后，腾讯在多模态方向持续引援：2025 年中，微软亚洲研究院的胡瀚空降腾讯，负责多模态大模型；同年，原阿里通义实验室应用视觉团队负责人薄列峰加入混元团队；2026 年 1 月，清华大学计算机系博士庞天宇加盟，负责多模态强化学习前沿算法探索。

但这些引援似乎仍未完全解决混元多模态的底层问题。一位接近腾讯的人士此前对媒体表示，字节豆包在多模态和内容创作生态上最强，阿里通义千问在长文本处理和办公场景中更专业，而腾讯混元虽然深度绑定微信 /QQ 生态，但在多模态技术的领先性上仍有差距。

田永龙的到来，可能意味着腾讯想在多模态的基础研究层面补课。他的背景——从对比学习到自回归图像生成，从视觉表示到合成数据缩放律——恰好对应了多模态模型当前最前沿的技术议题。

对姚顺雨而言，田永龙的加入帮他补齐了混元团队最关键的一块拼图。姚顺雨本人的背景更偏向语言模型的后训练和推理，而田永龙则是视觉生成与表征学习的专家。两人的组合，恰好覆盖了大语言模型和多模态模型两个核心方向。

尾声

大模型竞赛进入 2026 年，单模态的文本能力已逐渐同质化，多模态成为新的技术分水岭。对腾讯而言，能否在多模态上建立真正的技术壁垒，将决定混元是仅仅服务于微信、QQ 等内部生态的 " 工具箱 "，还是能成为与字节、阿里正面抗衡的通用智能平台。

田永龙的加入，是腾讯提升 " 人才密度 " 的又一注码。但多模态的战场，从来不缺顶尖选手。他能否在混元复制甚至超越其在 OpenAI 的研究成果，将是接下来值得持续观察的变量。