字节跳动被曝训练 10 万亿参数大模型：或超 Anthropic Mythos 5，国内算力竞赛再升级

8 月 7 日，英国《金融时报》援引三名知情人士报道：字节跳动正在训练一个参数量最高可达 10 万亿的超大规模 AI 模型，目前处于预训练早期阶段。报道称，这一规模比中国已发布的最大模型、月之暗面的 Kimi K3（约 2.8 万亿参数）还要大三倍多，并可能接近甚至超过 Anthropic 最先进的 Mythos 系统。

知情人士表示，预训练阶段通常需要三到六个月，之后如果顺利将进入微调并最终发布；模型的确切规模要到后期阶段才能确定。「最高可达 10 万亿」是一个目标上限，不代表最终版本一定是这个数字。

凤凰网科技、21 世纪经济报道、CNMO、联合早报、Ars Technica 等多家媒体随后跟进转载，事件在 8 月 7 日至 9 日持续发酵，成为本周国内 AI 圈最受关注的消息之一。

Anthropic 并未公开其模型参数规模，但业内估计其最先进的 Mythos 5 约有 8 万亿参数，Fable 5 约为 5 万亿参数。若字节跳动的 10 万亿计划落地，它将明显超过这两个数字，进入全球超大模型的第一梯队。

作为参照，阿里 Qwen 3.8-Max 约为 2.4 万亿参数，月之暗面 Kimi K3 约为 2.8 万亿参数，这两者是目前国内公开信息中参数规模最大的已发布模型。10 万亿意味着大约是其 3.5 到 4 倍的规模。

参数规模决定的是模型「存储信息的基础能力或记忆上限」，实际能力还取决于训练数据质量、训练方法、推理效率与算力投入。参数多不等于模型强，但参数规模确实是衡量厂商算力储备与训练工程能力的重要标尺。

8 月 5 日至 6 日，《晚点 LatePost》率先报道，字节跳动内部正在讨论训练一个参数规模超过 5 万亿的模型，并称该计划由 Seed Foundation 负责人项亮主导，与大语言模型预训练数据负责人沈科合作。报道还提到，字节跳动创始人张一鸣在内部表态「不蒸馏、别被编程这种短期热点影响」，倾向做长期、底层的超大模型投入。

仅仅两天后，金融时报就把数字推高到「最高可达 10 万亿」。两个数字并不矛盾：5 万亿是内部讨论的起点方案之一，10 万亿则是目前训练计划的目标上限。从讨论到真正开练，说明字节内部已经完成了从方案论证到算力调度的决策闭环。

8 月 6 日钛媒体等报道了张一鸣「以退为进」的思考：字节在大模型上的策略不是跟随热点（如编程），而是押注「比同行大几倍」的规模优势，走长期路线。10 万亿模型的曝光，正是这条路线的最新注脚。

据晚点 LatePost 与金融时报报道，这一新模型由 Seed Foundation 负责人项亮主导，与大语言模型预训练数据负责人沈科合作。两人均出身于字节跳动的搜索、广告和推荐体系，在超大规模机器学习与数据工程上有深厚积累。

Seed Foundation 是字节跳动面向前沿 AI 研究设立的部门，旗下孵化了豆包大模型、Seedance 视频生成等产品。项亮此前长期负责字节的推荐与广告算法，将其调任 Seed Foundation 负责超大规模模型，被外界解读为字节「把最核心的工程资源押注到前沿模型」的信号。

这一人事安排也解释了为什么字节敢把目标定到 10 万亿：超大模型训练的核心瓶颈不是论文思路，而是数据管线、分布式训练框架与万卡级集群调度能力，这些恰好是项亮团队擅长的领域。

「10 万亿 > 8 万亿 > 2.8 万亿」的直观比较很容易让人得出「参数多就强」的结论，但行业共识是：参数量只是能力上限的一个因子。训练数据质量与规模、架构设计、训练方法（如是否用高质量数据而非单纯堆量）、推理效率，共同决定最终效果。

一个典型的反例是：小参数模型通过高质量数据与强化学习，可以在特定任务上超过参数数倍于自己的模型；反之，参数堆得很大但数据含噪、训练不稳定，可能得到「又贵又笨」的模型。

因此，看待字节 10 万亿模型，更准确的姿势是：它首先是一个「算力与工程实力」信号——能组织 10 万亿参数的预训练，本身就说明字节具备万卡级集群、稳定训练框架和海量数据管线；至于最终能力，要等模型发布后看实测。

10 万亿参数的预训练，对算力的需求是百万卡时级别的。按当前主流 GPU 集群的吞吐估算，即使使用数万张高端加速卡，完整预训练也要数月；再加上数据清洗、checkpoint 保存、故障恢复的开销，总成本是数十亿元人民币量级。

预训练通常 3-6 个月，之后还有微调、对齐（RLHF/DPO）、评测与安全测试等环节。参考行业惯例，从开练到正式发布，乐观估计在 2026 年底到 2027 年上半年，悲观或保守估计则更长——而且不排除中途因成本或效果不达预期而调整规模、延期甚至停掉。

对国内算力供给而言，这类超大模型项目会进一步挤占国产与进口加速卡产能；对云厂商来说，字节火山引擎的万卡调度经验也可能外溢为对外服务能力。

如果字节 10 万亿模型最终落地，国内大模型竞争将正式从「百亿/千亿参数的应用竞争」进入「万亿级参数的底座竞争」。已经发布 Qwen 3.8-Max（2.4 万亿）的阿里、手握 K3（2.8 万亿）的月之暗面，以及 DeepSeek、智谱等头部厂商，都需要回应「规模代差」带来的压力。

但竞争不会只发生在参数端：DeepSeek 的路线证明，高性价比的小体量模型同样可以凭推理效率和价格赢得大量用户；OpenAI、Anthropic 则在能力与安全治理上构筑壁垒。参数规模、推理成本、安全治理三条线会同时展开竞争。

对开发者生态来说，超大模型通常意味着更强的通用能力与更长上下文，但也会带来更高的 API 调用成本与更慢的推理延迟。届时「大模型打底、小模型承接高频场景」的混合架构可能成为主流。

金融时报、晚点等媒体的报道都明确提示：该计划仍处于早期阶段，并不代表模型最终一定会发布。预训练阶段的失败风险包括：训练不稳定导致 loss 发散、算力调度跟不上、成本超预算、安全评估不通过等。

历史上，多家厂商都出现过「官宣级爆料最终缩水」的情况：规模砍半、延期数月、甚至转为内部研究项目。因此对 10 万亿这个数字，合理的态度是「关注但不要押注」——把它当作字节战略方向的风向标，而不是确定的发布日期。

下一步值得跟踪的公开信号：字节火山引擎的算力采购公告、Seed 团队的招聘规模、项亮团队的对外技术分享，以及豆包/Seedance 产品线是否出现能力代际提升。这些都比单条爆料更能反映真实进度。