腾讯多模态大换血！xAI蔺旭东空降，背后隐藏着一场路线之争

混元多模态团队最近动作不断，先是负责人离职、有人转岗，现在又传出xAI的蔺旭东空降加入。

听起来像内部调整，但你有没有想过：这背后的真正信号是什么？

腾讯好像正在悄悄从「内容生成」转向「理解+行动」这条新路线，而这一切，可能要追溯到一场路线之争。

📌 蔺旭东是谁？他能为腾讯补上什么能力？

公开资料显示，蔺旭东2018年毕业于清华，随后赴哥伦比亚大学攻读博士，研究方向涵盖嵌入学习、视频分析和生成模型。

毕业后他进入DeepMind，参与Gemini多模态预训练和后训练；2025年加入xAI负责多模态理解方向。如今空降腾讯混元，担任多模态内容生成算法负责人。

🎯 他的核心武器：把「多模态」翻译给AI听

读博期间，蔺旭东参与了哥伦比亚大学和Facebook AI合作的Vx2Text项目。

这个项目的逻辑很巧妙：先把视频、声音等不同模态转换成类似「语言token」的向量，再统一送入语言模型融合，最后由自回归解码器生成开放式文本。

为什么这么麻烦？因为Transformer只认token，AI本质上根本不理解视频和音频这两种文件格式！

举个简单例子：一只狗跳进游泳池，视频识别器会输出「狗、跳跃、游泳池」，声音识别器会输出「水声、扑通」，然后模型把这些「翻译」成连贯的文本。

⚠️ 看似是「生成」，实则是「理解」

注意了！Vx2Text的产品功能是「生成」，但产品核心难点其实是「理解」。

模型不仅要识别人物、物体、动作和事件，还要理解这些东西在时间上的变化，最后才能组织成语言。

以前的生成模型像个「画面制造器」，给个提示词就能出图出视频。但只要要求复杂一点就拉胯：人物在长视频里变形、物体形状前后不一致、摄像机运动不符合空间逻辑……

这不是因为模型不会生成，而是因为它没有稳定地记住和理解世界！

把蔺旭东放到多模态内容生成的位置上，很可能就是因为他擅长把多模态「翻译」成AI能理解的东西。

📚 在此之前，腾讯是怎么做多模态的？

混元多模态最核心的三个产品，就是HunyuanVideo、HunyuanImage和Hy 3D。

🎬 HunyuanVideo：视频生成矩阵

2024年12月首发即以130亿参数成为当时全球最大开源视频生成模型，支持5秒720p输出。2025年密集迭代：3月图生视频、5月定制化和数字人、11月1.5版本压缩至83亿参数。

🖼️ HunyuanImage：中文原生DiT

2024年5月推出的首个中文原生DiT架构图像模型，2025年迭代出工业级实时生图的2.0版本，9月发布2.1（170亿参数、原生2K）和3.0（800亿参数）版本。

🧊 不止三个！Hy World来了

2025年7月，混元多模态迎来「四弟」Hy World 1.0——全球首个开源、支持仿真的沉浸式3D世界生成模型。

这背后是李飞飞的空间智能理论：AI要能感知、生成、推理并与三维空间中的世界互动。腾讯靠游戏引擎优势，硬是把这套设想做出来了！

💡 但姚顺雨并不同意李飞飞

在多模态这件事上，姚顺雨似乎更认同梁文锋。

梁文锋曾直言：「我们只做AGI主线——GPT、CoT、Agent。3D、视频生成、世界模型，跟智能主线没有太大关系。」

姚顺雨加入腾讯后的旗舰产品Hy3，把重点放在推理、智能体、长上下文和生产力任务上，而非多模态生成。

他还专门制作了CL-bench基准来测试模型的上下文理解能力，可见他对「在上下文中行动」的执着。

🔄 这场换血，释放了什么信号？

🔄 两条路线的整合

从组织架构看，腾讯已经撤销大语言模型部和多模态模型部，合并成立「基础模型部」。

这个动作本身就说明：多模态不再是独立的智能方向，而是要服务于主线模型的能力组件。

🚀 从「生成内容」到「理解世界」

蔺旭东的加入，与其说是提升混元多模态生成性能，倒不如说是为了解决那个困扰所有多模态的问题——理解。

姚顺雨或许正是想学梁文锋，把混元现有的多模态基础，转换成为一种理解方式，进而更好地融合进主线模型。

🧠 未来：GUI Agent的想象空间

一个大胆猜想：Hy提升多模态理解后，GUI Agent场景下的体验会更上一层楼。

GUI Agent的核心链路是「感知屏幕—理解界面—决策操作—执行验证」，多模态理解是连接视觉感知与语言决策的关键瓶颈。

至于这能不能证明李飞飞是错的？不一定。只能说——姚顺雨选择了梁文锋的路线，而蔺旭东，就是这场路线选择的一个注脚。

路子对不对，时间会给出答案，但敢于在巨人肩膀上重新选路的勇气，本身就值得点赞。

你觉得腾讯押注「理解+Agent」这条路线，跟字节、阿里比有胜算吗？评论区聊聊你的看法！觉得有启发的话，点个赞＋转发给同样关注AI的朋友吧～