姚顺雨重塑腾讯混元多模态：靠拢梁文锋

近日，腾讯混元多模态团队再度发生重要人事变动：曾任 xAI 多模态理解负责人的蔺旭东离开 xAI，加入腾讯混元，担任多模态内容生成算法负责人。这已是混元多模态团队近一年多以来一系列组织调整中的最新一环。

蔺旭东其人与加入背景

蔺旭东 2018 年毕业于清华大学，后赴哥伦比亚大学攻读博士，研究方向涵盖嵌入学习、视频分析与生成模型，参与过哥伦比亚大学与 Facebook AI 合作的 Vx2Text 项目。该项目将视频、声音等不同模态转换为类似「语言 token」的向量，再统一送入语言模型进行融合，最终通过自回归解码器生成文本——其核心难点在于「理解」。

博士毕业后，蔺旭东进入 DeepMind 参与 Gemini 的多模态预训练与后训练工作；2025 年加入 xAI，负责多模态理解方向。加入混元后，他将负责多模态内容生成算法。

此前，混元多模态团队已有多轮调整：

原多模态理解负责人胡瀚离职创业；
前 OpenAI 研究员田永龙于 2026 年 7 月加入腾讯，负责视觉语言模型方向；
混元多模态基础模型负责人钟钊（负责 HunyuanVideo 与 HunyuanImage）在朋友圈暗示即将告别；
原多模态模型部负责人 Linus 改为向姚顺雨汇报；
2026 年 3 月，成立近十年的腾讯 AI Lab 被撤销，部分人员并入混元大语言模型部。

腾讯多模态的组织与路线变迁

2025 年 1 月，腾讯杰出科学家胡瀚接替刘威，全面负责混元多模态大模型研发。2025 年下半年，混元内部将大语言模型部门与多模态模型部门整合，胡瀚调入大语言模型部旗下「Frontier」前沿技术研究组，改为向姚顺雨汇报。

此后，腾讯 TEG 正式撤销大语言模型部与多模态模型部，合并成立「基础模型部」，由姚顺雨任负责人，向 TEG 总裁卢山汇报。腾讯表示，此举旨在提升模型研发与协同效率，探索全模态模型的智能上限。

混元此前的多模态产品矩阵以生成方向为主：

HunyuanVideo：2024 年 12 月首发，130 亿参数，支持 5 秒 720p 输出；2025 年 11 月发布 1.5 版本，参数压缩至 83 亿，支持原生 5–10 秒 480p/720p 视频，可超分辨率至 1080p。
HunyuanImage：2024 年 5 月推出首个中文原生 DiT 架构图像模型，2026 年 1 月推出带推理能力的 Instruct 版本。
Hy 3D：2024 年 11 月开源 1.0 版本，2025 年迭代至 3.1，建模精度较初版提升 3 倍。
Hy World 1.0（2025 年 7 月）：全球首个开源、支持仿真的沉浸式 3D 世界生成模型，采用先全景图后分层 3D 重建的技术路线，2025 年 9 月发布基于相机轨迹控制的 Voyager 版本，2026 年发布技术报告《HY-World 2.0: A Multi-Modal World Model for Reconstructing, Generating, and Simulating 3D Worlds》。

姚顺雨的路线选择：靠拢梁文锋

蔺旭东的加入释放出明确信号：腾讯对多模态的研发方向已发生变化。在多模态路线上，业界存在两种思路：

李飞飞（World Labs）主张空间智能与世界模型是 AGI 的重要方向；
梁文锋（DeepSeek）则认为「3D、视频生成、世界模型，跟智能的主线没有太大关系」，DeepSeek 的多模态产品 DeepSeek OCR 将视觉模态定位为服务于语言模型的工具，通过「上下文光学压缩」将长文本渲染为图像，再用视觉编码器压缩为视觉 token。

姚顺雨此前在 OpenAI 工作，其加入腾讯后的首款旗舰产品 Hy3 聚焦推理、智能体、长上下文与生产力任务，官方称其在软件开发、办公生产、金融建模等场景进行了优化。在 2026 年 6 月的腾讯云 AI 产业应用大会上，姚顺雨判断 AI 下半场竞争壁垒不在参数量，而在 Context（上下文）。他还制作了测试上下文的基准 CL-bench 与 CL-bench life，验证模型脱离原有知识、从上下文中寻找答案的能力。

这一思路与梁文锋高度一致：将多模态基础转化为「理解」能力，融入语言模型与 Agent 主线，而非独立发展生成方向。蔺旭东在 Vx2Text 中积累的多模态「翻译」为语言模型可理解形式的经验，恰好契合这一方向。

混元多模态未来走向

将蔺旭东放到多模态内容生成的位置，核心意图可能在于解决生成模型「不稳定地记忆和理解世界」的瓶颈——长视频人物变形、物体前后不一致、摄像机运动违反空间关系等问题，并非生成能力不足，而是缺乏持续理解能力。

接入 Hy3 后，腾讯 WorkBuddy 任务解决率从 72% 提升至 90%，平均耗时缩短 34%，日均文字处理量较预览版增长 20 倍，排队率一度超过 50%。多模态理解能力若进一步增强，GUI Agent 场景下「感知屏幕 — 理解界面 — 决策操作 — 执行验证」的链路体验有望进一步提升。

腾讯混元的多模态路线正在从「以生成为核心」转向「以理解和 Agent 为核心」，但这一选择是否优于李飞飞的空间智能路径，仍有待产品与市场的长期验证。