字节在大模型上的"第一场翻身仗"，36 氪把它归到了 Seedance 2.0 头上。背后是一个并不复杂、但少有人讲清楚的技术判断——把视频生成的训练架构，从 2D UNet 扩展到 3D，改成以 DiT（Diffusion Transformer）为基底的原生视频路线。 早期字节内部 AI Lab 的 PixelDance 走的是"图像扩散视频化"捷径：用 2D UNet 扩成 3D，结构上更快、更稳，但上限被图像模型绑死。同一时间，可灵和 Sora 都已转向 DiT，字节因此在视频生成上落后近一年。 从 PixelDance 后期过渡到 Seedance 时，最大的变化就是把架构换到了 DiT 基底。DiT 的好处是更贴 Scaling Law——参数量、数据量、算力继续变大，效果能持续涨。Seedance 2.0 把参数量推到 200B 级别，被多位业内人士评价为"模型足够大 + 数据足够丰富"两条线的合流。 更隐形的是数据。Seedance 每个算法背后配着十数位数据同事，背后是一个上千人的评测团队，靠细致标注把用户提示词精准匹配到训练数据上。素材大多采买自影视级镜头，再让 LLM 拆解成脚本和分镜。字节内部对所有模型都有"不做蒸馏"的共识——目标定为全球 SOTA，必须自己合成、清洗数据。 商业上的转折也更陡。火山引擎今年 MaaS 收入中 Seedance 已经贡献过半，720P 视频定价 1 元/秒仍不打折。Seedance 2.5 将于 7 月下旬发布，火山目标非常清晰——在 Veo 之后挤进全球第一。 所以当字节把豆包 2.1 拉上 Coding/Agent 牌桌时，视频模型这边已经跑通了"模型好→场景好→利润高"的闭环。这门被低估的生意，才刚刚开始。