字節要衝 5 萬億參數：豆包的智商有望拉滿，代價是百萬顯卡級別算力

**字節跳動醞釀5萬億參數大模型，算力投入或達百萬顯卡級別**

國產大模型的參數量競賽正在進入一個全新的量級。繼Qwen3.8Max與Kimi K3分別將規模推升至2.4萬億與2.8萬億參數之後，行業的下一個目標直指5萬億大關。據《晚點 LatePost》報道，字節跳動內部正就訓練一個參數量超過5萬億的大模型展開討論，若該計劃落地，將成為中國已知規模最大的AI模型。不過，消息人士指出，該計劃仍處於早期階段，最終是否會正式發布尚存變數。 **5萬億參數的意義與行業標桿**

5萬億參數究竟代表什麼？這被業界視為對標GPT-5.6或Opus 5級別的能力水準。在當前AI技術發展邏輯中，參數量的提升通常直接關聯模型性能的增強，尤其是複雜推理、多模態理解與生成能力。OpenAI與Anthropic之所以能在全球保持領先地位，正是依賴於更高參數量的模型儲備。據了解，這兩家美國AI巨頭內部甚至已經在訓練或完成10萬億參數級別的大模型，這使得字節跳動此次的舉動被視為追趕全球第一梯隊的關鍵一步。 **算力需求的幾何級數增長**

但超高參數背後是極其驚人的算力消耗。以NVIDIA H100 GPU為基準進行測算，訓練一個5萬億參數的模型，需要10萬顆H100芯片連續運行347天。若將顯卡規模擴充至100萬張，則可將訓練時間壓縮至35天。百萬張顯卡級別的算力集群，已跨入GW（吉瓦）級功耗門檻，這對任何企業的基礎設施建設與能源供應都是極大的挑戰。字節跳動顯然不會一次性投入如此規模的算力，更為務實的路線是採用20萬至30萬張顯卡，進行3至4個月的密集訓練，再疊加數據準備、模型對齊與後訓練等環節，整個週期至少需要半年，甚至可能長達一年。 **算力儲備的全球格局**

從全球算力儲備來看，OpenAI 依然擁有最充裕的資源。根據 SemiAnalysis 的測算，其掌握的顯卡總量約為200萬張，Anthropic 則擁有約62萬張。相比之下，中國AI公司 DeepSeek 僅有約6萬張顯卡，且其中不少為性能受限的 H20 或 H800 型號。字節跳動雖然未公佈具體顯卡數量，但憑藉其雄厚的資本實力，要支撐5萬億參數模型的訓練並非不可能。業內人士分析，字節的財力足以“餵飽”這一巨型模型，關鍵在於其是否願意為此投入如此巨大的資源。 **豆包的商業化困境與轉型**

這筆巨額投入的背後，是字節對其AI產品“豆包”能力提升的迫切需求。據了解，豆包目前的日活躍用戶已超過2億，但其每日收入卻不足百萬元，主要依賴電商佣金變現，商業化結構單一。截至今年5月，豆包的日均算力成本已達數千萬元，收入遠不能覆蓋成本，經營壓力巨大。因此，訓練一個5萬億參數的模型，讓豆包的智商“拉滿”，被視為提升用戶粘性與探索新商業模式的核心手段。一旦豆包的能力達到 GPT-5.6 或 Opus 5 級別，其對話質量、任務完成度與多模態交互能力將發生質變，有望擺脫目前僅靠流量變現的困境。 **商業回報的終極懸念**

不過，業內人士也指出，參數量的提升並非萬能鑰匙。在模型規模達到一定閾值後，性能提升的邊際效應會遞減，而算力成本卻呈指數級上升。對於字節而言，最大的懸念在於，這筆天文數字的投入能否在落地端換來對等的收益。如果豆包無法在商業化上找到新的突破口，那麼即便模型智商“拉滿”，也難以覆蓋其高昂的訓練與運維成本。這也使得字節此次的決定，不僅是技術層面的豪賭，更是一場商業模式的大考。 **國產大模型軍備賽再升級**

字節的這一動向，也將國產大模型的軍備競賽推向了新的高度。此前，智譜AI創始人唐傑已公開透露，GLM-5.5將迎來“史詩級”升級；阿里千問與月之暗面的Kimi也在持續擴大參數規模。如今，字節的入局，使得中國AI行業在萬億參數級別的競爭更加白熱化。業界普遍認為，參數量的競賽只是表象，背後是算力、數據、算法與資本的綜合較量。而字節此次的選擇，無疑將給整個行業的發展方向帶來新的變數。