独家｜混元多模态理解负责人胡瀚离职创业，原团队或将聚焦世界模型

文 | 周鑫雨

编辑 | 张雨忻

纯独家消息。据《智能涌现》了解，腾讯混元多模态理解负责人胡瀚，近期已正式提出离职。

他的履历颇具分量：此前在微软亚洲研究院担任视觉计算组首席研究员，2025年初加入腾讯后，负责视觉大模型的研究。在后续调整中，他加入了大语言模型部旗下的“Frontier”前沿技术研究组，主攻多模态理解，直接向姚顺雨汇报。 此外，他还曾承担世界模型的研发工作。

与此同时，腾讯大语言模型部负责人姚顺雨最近正在密集梳理团队。胡瀚此前所在的研究组，或将全面转向世界模型的前沿研究。

截至发稿，腾讯官方未对此消息做出回应。

大语言模型仍是混元最重要的事

从2026年年中开始，围绕混元体系的人员调整就一直没停过。7月初，前OpenAI研究院、麻省理工学院博士田永龙加入大语言模型部——据了解，他将接替胡瀚负责视觉语言模型方向（VLM）的研发，同样汇报给姚顺雨。

姚顺雨加入后，补全短板、把混元基模的能力快速拉到第一梯队，就成了腾讯AI的核心主线。 说白了，就是集中资源，把最核心的基础模型能力打磨好。

重新梳理资源分配，将人才和算力向大语言模型部负责的基础模型研发倾斜，是姚顺雨上任后的关键动作之一。 比如，腾讯撤销AI Lab后，核心研发人员全部并入大语言模型部；同时，招聘力度也明显加大，来自字节Seed Infra团队和后训练团队的几位人才，就是这段时间加入的。

在6月5日的腾讯云AI产业应用大会上，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生，替外界问了一个很尖锐的问题：“很多人说腾讯在AI上慢了，你觉得我们真的慢了吗？”

但一位混元的研究员告诉《智能涌现》，“顺雨比腾讯的高层更急。” 他提到，姚顺雨多次向高管争取更多算力资源。 另一个细节也印证了这一点：“晚点 LatePost”曾报道，在Hy3发布前一个月，一批数据出了问题。姚顺雨用极其严厉的措辞告诫团队：“数据非常重要。如果下次再出现这样的情况，直接走人。”

重新衡量多模态理解的收益

当各条AI战线都还没跑出绝对优势时，腾讯要想突围，必须重新审视每个技术方向的投入产出比。

一方面，胡瀚主导的多模态理解研究，技术本身已经趋于成熟。继续投入大量资源，带来的边际收益非常有限。 “在多模态理解研究中，文字、图像、视频识别准确率基本上能达到85%以上，”一位多模态研究员说，“难的其实是视觉推理——让模型理解图像和视频意味着什么。这一步靠多模态研究是不够的，得提升语言模型的推理能力。” 技术红利见顶，商业变&现又看不清，多模态理解的位置确实有些尴尬。

此前，多模态研究在腾讯AI体系中占据核心地位，主要是因为计算机视觉技术可以直接与广告、游戏、影音这些“现金牛”业务结合，带来直接收入。 但相比之下，多模态理解对应的“识图”、“看图写话”等场景，很难直接商业化。 “没有用户愿意为识图付费，市面上大把免费可替代的产品。”一位元宝产品经理提到，“用户真正愿意买单的，是文档处理、PPT制作、研报产出这些办公场景——背后对应的，是模型的推理、Coding、Agentic能力。”

另一方面，腾讯的算力资源确实有限，与字节、阿里相比并不占优。 2025年腾讯财报显示，全年资本开支为792亿元；而阿里截至2026年3月的财年资本开支达到1260亿元；据彭博社报道，字节2026年计划将AI基础设施投入最高推至700亿美元。 资源有限，内部难免僧多粥少。此时，暂缓技术红利见顶的多模态理解研究，集中资源聚焦更代表未来的前沿方向，是腾讯权衡利弊后的必然选择。

7月6日，姚顺雨交出了加入腾讯后的第一份正式答卷——大模型Hy3。在同等参数量的中等尺寸模型中，Hy3已经能和GLM-5.2、DeepSeek V4 Pro掰手腕。 在腾讯AI自身的坐标系里，姚顺雨加入以来的一系列组织重组、基建体系（数据、Infra、评测）重构，以及回归基模的战略，让混元在短短半年内，拿到了上AI Tier 1牌桌的资格。