在人工智能的竞赛场上，速度是一种诱惑。

一个新模型发布后，企业会在最短时间里比较参数、成本、推理速度和榜单成绩。谁晚几周，可能就会失去一批开发者；谁在排行榜上落后，可能就要面对投资者、客户乃至内部团队的压力。

但真正决定一家技术公司能走多远的，往往不是它追赶得有多快，而是它是否知道：哪些路可以借，哪些路必须自己走。

8 月 6 日，相关报道援引字节跳动内部人士报道称，字节跳动创始人张一鸣近日在 Seed 团队内部会议上表示，做模型要坚持长期主义和延迟满足，不应 " 用别人的输出，换一时的榜单排名 "。即便因此牺牲部分短期收益，也要把长期技术突破放在更重要的位置。

这句话看起来是在讨论一种训练方法，实际上触及的是中国大模型竞争中一个更深的问题：

一家企业究竟是在制造自己的能力，还是在借用别人的能力，暂时装饰自己的成绩？

一、一个看似反常的决定

据相关报道，每当国内出现能力较强的开源模型，字节跳动内部关于是否进行蒸馏的讨论就会升温。张一鸣此次明确提出，字节应愿意为长期目标放弃一部分短期收益；报道还称，公司对利用外部开源模型进行蒸馏设置了内部限制，并通过 API 检测等方式加强管理。

在竞争激烈的环境里，这是一项看似反常的决定。

对模型团队而言，榜单意味着外部声量，意味着招聘吸引力，也意味着产品部门是否愿意采用自己的模型。利用更强模型产生的数据，可以较快改善代码、推理、智能代理等特定能力，缩短追赶时间。

但捷径也会带来一种隐蔽的代价：团队可能迅速得到一个更好的答案，却没有真正掌握产生答案的方法。

当竞争对手更新模型、改变接口、加强检测，或者行业评价标准发生变化时，依赖外部输出建立的优势，很可能随之消失。

张一鸣真正试图阻止的，或许不是一次模型训练，而是一种组织习惯——遇到差距时，先寻找可以复制的答案，而不是继续追问底层能力为什么落后。

二、蒸馏到底是什么？

" 模型蒸馏 " 并不是一个天然负面的词。

2015 年，Geoffrey Hinton、Oriol Vinyals 和 Jeff Dean 发表经典论文，系统阐述了知识蒸馏的基本思想：让规模庞大、计算成本较高的 " 教师模型 "，把学习到的知识传递给体量更小、更容易部署的 " 学生模型 "。学生不仅学习标准答案，也学习教师模型对不同答案的概率判断。

可以把它理解为一位经验丰富的老师，不只是告诉学生 " 正确答案是什么 "，还向学生展示：哪些错误比较接近正确，哪些选项看似合理却存在问题。

在正常的研发体系中，蒸馏被广泛用于模型压缩、降低推理成本、提高速度，以及把大型模型的能力迁移到手机、汽车和边缘设备上。

字节跳动本身也没有否定蒸馏这一技术。Seed 团队公开介绍 Seed Diffusion 时明确表示，团队利用自己的内部预训练模型生成并筛选训练轨迹，再通过蒸馏帮助扩散语言模型学习正确的生成依赖关系。

因此，外界不应把此次内部表态简单理解为 " 字节全面禁止蒸馏 "。

更准确的理解是：字节希望避免通过大规模使用竞争对手的输出，快速复制对方已经形成的核心能力。

拒绝的不是工具，而是依赖。

三、同一种技术，为什么会产生完全不同的争议？

蒸馏本身是中性的，争议主要来自三个问题：教师模型是谁、输出如何取得，以及训练出的模型准备与谁竞争。

企业使用自己的大型模型训练小模型，通常属于内部能力压缩；使用具有明确授权的开源模型，同样可以按照许可证开展研究和商业开发。

但若企业通过大量账号、自动化请求或代理渠道，持续调用竞争对手的封闭模型，再把输出用于训练直接竞争的产品，问题便不再只是算法选择，而会涉及服务条款、商业伦理和知识产权边界。

OpenAI 现行使用条款明确禁止用户自动化提取大量输出，也禁止使用其输出开发与 OpenAI 竞争的模型。

Anthropic 则把两种情况作了更直接的区分：公司承认蒸馏是一种普遍且正当的训练方法，包括头部实验室使用自己的大型模型训练更小、更便宜的版本；但它同时将通过虚假账号、代理服务和大规模重复请求提取竞争模型能力的行为称为 " 蒸馏攻击 "。

这说明，真正的分界线从来不是 " 是否使用蒸馏 "。

分界线在于：它是在整理自己的知识，还是在绕过限制复制别人的知识。

四、榜单为什么会让企业偏离长期目标？

大模型时代，榜单是一种极具影响力的公共语言。

技术细节复杂，普通用户很难理解模型训练数据、架构设计和强化学习方法，但一个排名、一项分数或者一次 " 超过某某模型 "，可以在几秒钟内被传播。

榜单因此拥有了超出技术评测本身的力量。它会影响媒体报道、企业采购、人才流动和市场估值。

但榜单只能测量被设计出来的问题。

一个模型可以针对公开题库进行优化，却未必能够在真实工作中稳定完成长流程任务；可以在代码测试中获得高分，却未必能够理解企业内部复杂的工程环境；可以生成漂亮答案，却可能在关键事实、工具调用和权限控制上出现问题。

当团队过度追逐排名时，研发方向就可能从 " 解决真正困难的问题 "，转向 " 解决最容易被看见的问题 "。

这正是技术组织最危险的时刻。

因为一旦评价指标替代了研发目标，模型看上去越来越强，团队的原创能力却可能越来越弱。

五、张一鸣担心的，可能是一笔 " 能力债务 "

软件行业有一个概念叫 " 技术债务 "：为了赶进度而采用的临时方案，短期内可以交付产品，长期却会增加维护成本。

依赖竞争对手输出进行模型训练，也可能形成一种 " 能力债务 "。

短期看，团队获得了更好的数据、更快的能力提升和更漂亮的成绩。

长期看，它可能掩盖真正的问题：预训练数据是否足够好？模型架构是否存在缺陷？强化学习体系是否有效？评测方法是否能发现真实短板？研究人员是否拥有提出原创路线的空间？

如果这些问题没有被解决，模型每一次进步都需要等待外部更强的老师出现。

这不是领先者的研发方式，而是永远追随领先者的研发方式。

对一家试图进入全球第一梯队的公司而言，最昂贵的并不是多训练几个月，而是逐渐失去独立判断下一条技术路线的能力。

六、字节跳动真正要建设的，不只是一款模型

Seed 官方将其研究范围划分为大语言模型、基础设施、视觉、语音、多模态交互与世界模型、AI for Science、机器人和负责任 AI 等多个方向。Seed 对大语言模型团队的定位，也包括预训练、后训练、推理、记忆、学习和可解释性等基础问题。

这意味着，字节想建设的不是一个依靠某次产品发布获得流量的项目，而是一套能够持续产生模型、算法、数据和工程能力的研究体系。

对这样的体系而言，短期排名并非不重要，但它不能成为最高目标。

真正的竞争力来自一系列不容易被外界看见的工作：如何组织高质量数据，如何提高算力利用率，如何设计更稳定的训练方法，如何建立可靠评测，又如何让研究成果进入豆包、视频生成、智能代理和企业服务。

这些能力很慢，也很昂贵。

它们无法通过一次模型调用获得，也不会因为一篇排行榜文章而突然形成。

但一旦形成，就会变成竞争者最难复制的部分。

七、长期主义并不浪漫，它意味着主动承受落后

企业经常谈长期主义，但真正的长期主义往往并不好看。

它意味着在竞争对手不断发布新品时，自己的模型可能暂时排在后面；意味着外界质疑团队效率；意味着投入大量算力和人才，却不一定立即得到可以宣传的结果。

所谓延迟满足，不是等待时间自然带来成功。

它是在短期成绩和长期能力发生冲突时，仍然选择那个更困难、更不确定，但能够让组织真正成长的方向。

这也是张一鸣此次表态最值得关注的部分。

他没有否认竞争压力，也没有要求团队忽视产品和市场；他只是为竞争设置了一条底线：不能为了看起来追上别人，而放弃自己产生突破的能力。

八、中国大模型竞争正在进入第二阶段

第一阶段的竞争，是证明中国企业能够做出可用的大模型。

第二阶段的竞争，则是回答一个更苛刻的问题：这些模型的核心能力，究竟有多少来自自己的基础研究、数据体系和工程创新？

随着模型能力接近、开源生态成熟，单纯复制产品形态已经越来越难以形成长期优势。

真正拉开差距的，将是训练范式、数据质量、推理效率、智能代理、世界模型、多模态交互和科学研究等更底层的能力。

与此同时，模型蒸馏正在成为中美科技竞争中的争议焦点。在这样的环境下，字节主动强调不依赖竞争对手输出，也具有超出内部管理的意义。

它不仅是在回应技术路线问题，也是在降低未来可能面临的合规、商业信誉和国际政策风险。

九、原创能力不是拒绝学习，而是知道如何学习

任何技术进步都建立在前人工作之上。

Transformer 不是凭空诞生的，强化学习也不是某一家公司的私人发明。论文、开源代码和学术交流，本来就是人工智能能够快速发展的重要原因。

因此，原创并不意味着关起门来重复发明所有技术。

真正的原创，是能够理解别人的成果，验证它、改进它，并在此基础上提出新的问题与新的方法。

学习别人的答案并不可耻。

危险的是，一家公司逐渐只会学习答案，却失去提出问题的能力。

十、模型竞争的终点，不在排行榜上

排行榜会不断更新。

今天领先的模型，几个月后可能被超越；今天被广泛讨论的参数和分数，很快也会被新的评价标准替代。

但一家技术组织形成的方法、文化和判断力，不会随着一次榜单变化而消失。

张一鸣要求 Seed 避免依赖竞争模型蒸馏，真正维护的或许不是某项技术原则，而是一个研究组织最珍贵的资产：

相信困难的问题值得自己解决。

在人工智能最喧闹的时代，这种选择显得缓慢，甚至有些不合时宜。

但科技史一次次证明，真正改变产业的公司，很少只是把别人已经走过的路走得更快。

它们最终都必须走进一片没有答案、没有排行榜，也没有现成老师的地方。

当所有人都在追赶最新模型时，字节跳动选择提醒团队：不要只盯着前面那个人留下的脚印。

因为真正的领先，从来不是更快地复制终点。

而是有一天，能够独立决定下一条路通向哪里。