9月4日消息，字节跳动为旗下Seed部门AI大模型技术员工发放期权津贴，每月最高价值13.5万元，按月归属，连续发放18个月。期权计算价格为189.9美元/股，低于最新回购价200美元/股，首批期权总价值约170万至256万元。Seed团队成立于2023年，研究方向包括LLM、语音、视觉等领域，其豆包大模型已应用于50多个场景。创始人张一鸣频繁参与团队讨论，显示对AI业务的高度重视。另据路透社报道，字节跳动二季度营收同比增长25%，达480亿美元，稳居全球收入最高社交媒体公司之列。

9月3日，据《科创板日报》报道，字节跳动为旗下Seed部门推出期权增发计划，覆盖大模型方向核心员工，每月按绩效与职级分配9万、11万或13万元人民币期权，发放周期18个月，最高累计可超百万元。此轮激励与近期上调的期权价格（200.41美元/股）同步，凸显字节在大模型领域“锁人”迫切性。Seed部门是字节大模型战略核心团队，涉及模型训练等关键技术。当前，大模型人才竞争激烈，顶尖工程师成稀缺资源，头部企业普遍通过期权和高薪锁定核心人员。人工智能行业薪酬体系也在上涨，2025年7月相关岗位月薪下限均值达4.7万元，较年初涨14.16%。字节此举旨在强化技术人才储备，但商业化与技术突破的平衡仍是未来考验。

《科创板日报》3日讯，字节跳动计划近期为Seed部门大模型技术员工增发期权。此次增发将根据综合绩效和职级划分，员工每月可获9/11/13万元人民币字节期权，按月归属，预计持续18个月，累计可达百万元人民币。这一激励措施旨在吸引和留住顶尖技术人才，进一步推动公司在大模型领域的技术研发与竞争力。（记者 张洋洋）

8月28日，字节跳动推出全新视频生成模型OmniHuman-1.5。该模型结合多模态大语言模型与扩散Transformer技术，模拟‘深思规划’与‘直觉反应’两种思维模式，可生成超一分钟的高质量动态视频，支持流畅镜头运动、复杂角色互动及高度动态动作表现。这一创新标志着视频生成领域的重要突破，为内容创作带来更多可能性。

2025年8月，字节跳动豆包大模型视觉基础研究团队负责人冯佳时离职，其曾主导多项关键技术研究，并参与推出视频生成模型MagicAnimate。此前，他因学术成就突出被称为“支撑字节大模型的关键八人”之一。近期，国内大模型行业高层人才流动频繁，如智谱、MiniMax等企业也有核心人员出走。部分离职者选择创业或加入新兴AI团队，延续前沿研究并获资本支持。与此同时，海外如OpenAI、谷歌DeepMind等也出现类似趋势。业内人士指出，尽管短期影响有限，但顶尖研究员的流动将对长期算法创新和基础研究产生深远影响，中国大模型产业正从快速追赶转向多点探索与学术产业结合的新阶段。

8月25日，媒体报道称字节跳动计划发布一款AI眼镜，该产品由RXKJ提供方案，MCU由HXKJ供应，SOC采用高通AR1，整机代工由LQKJ负责。对此，字节跳动相关负责人回应称，相关产品仍处于早期探索阶段，目前尚无发布计划。官方强调，硬件产品涉及复杂上下游供应链，网传信息并不准确，提醒投资者注意风险。这一回应为市场传闻澄清了事实，同时也显示字节跳动在智能硬件领域的潜在布局动向。

8月21日，字节跳动Seed团队宣布开源Seed-OSS-36B系列大模型。该模型专为长上下文、推理、Agent和通用场景设计，最大上下文长度可达512k tokens，显著提升了处理长文本的能力。这一开源项目为开发者提供了更强大的工具，适用于多种复杂应用场景。

2025年8月21日，字节跳动Seed团队正式开源360亿参数的大模型Seed-OSS-36B，支持512K超长上下文窗口，为主流长度的4倍。该模型采用Apache-2.0协议，可免费用于学术和商业用途，并引入“思考预算”机制以灵活控制推理深度。在多项基准测试中表现优异，如MMLU-Pro得分65.1、GSM8K数学能力达90.8分，刷新开源模型记录。此外，团队还提供包含或不包含合成指令数据的两个版本基座模型，为研究提供更多选择。字节Seed团队自2023年成立以来已发布多个细分领域项目，此次开源进一步丰富了国产Base模型生态。详情见GitHub与HuggingFace页面。

8月20日，针对业内传言称字节跳动与芯原股份合作设计先进AI算力芯片一事，字节跳动相关负责人明确回应表示，双方并无AI芯片相关合作。此消息已由财联社报道并引述自证券时报。

8月14日，字节跳动Seed团队发布并开源全模态PyTorch原生训练框架VeOmni。该框架采用以模型为中心的分布式训练方案，大幅降低工程开销，将数周的开发时间缩短至几天。相比传统框架如Megatron-LM需要一周以上研发，VeOmni仅需一天即可完成模型代码构建并开启训练任务，工程耗时压缩90%以上。实验显示，基于VeOmni，300亿参数的全模态MoE模型在128张卡上训练吞吐量超2800 tokens/sec/GPU，并支持160K超长上下文序列。目前论文与代码已公开，GitHub Star数超500。