字节要冲 5 万亿参数：豆包的智商有望拉满，代价是百万显卡级别算力

事件核心：发生了什么

据晚点 LatePost 报道，字节跳动正在讨论训练一个参数超过 5 万亿的大模型，这一规模将超过当前国内已发布的所有模型，成为国内已知最大。目前国内头部模型的参数规模已经明显抬升：Qwen3.8 Max 达到 2.4 万亿参数，Kimi K3 则有 2.8 万亿参数，下一步冲 5 万亿被视为行业共识方向，而字节可能率先行动。

5 万亿参数大致对应 GPT-5.6 或 Opus 5 的水平。作为参照，OpenAI 和 Anthropic 据传已在训练或完成准备 10 万亿参数级别的大模型，字节的 5 万亿尚不是全球最大，但足以显著拉高国内大模型的能力上限。不过该计划仍处于早期阶段，最终未必会如期发布。

算力需求是最大的门槛。以 H100 计算，训练一个 5 万亿参数的模型，需要 10 万张 H100 连续运行 347 天，或者 100 万张显卡运行 35 天。百万显卡已进入 GW 级算力中心规模，投入极高。字节不太可能一次性投入如此庞大的算力，更现实的路径是用 20 万至 30 万张显卡训练 3 到 4 个月，再加入准备和后训练阶段，整体周期至少半年，甚至一年。

为什么重要

国内大模型竞争正在从“千亿参数”全面迈向“万亿参数”，而 5 万亿是一个新的标杆——它意味着模型在复杂推理、长文本理解、多模态任务上的表现可能接近 OpenAI 和 Anthropic 的顶级闭源模型。字节跳动是目前国内少数既有资金实力、又有算力储备和场景的公司，其庞大的推荐系统和云业务能为大模型训练提供支撑。

对比来看，算力储备差距非常明显：SemiAnalysis 估计 OpenAI 拥有约 200 万张显卡，Anthropic 约 62 万张，而 DeepSeek 仅有约 6 万张，且多为 H20、H800 等较旧型号。字节若真以 5 万亿参数为目标，将把国内大模型的智商天花板推到一个新位置，并可能带动整个行业重新评估“参数规模”和“实际能力”之间的对应关系。

但 5 万亿参数也带来一个不可回避的问题：商业化回报。天文数字级别的算力投入能否在应用端换来足够的收入，是目前最大的不确定性。参数越大，训练成本越高，推理成本也随之上升，这会让模型定价和产品形态面临更大压力。

对用户/开发者/创作者的影响

如果豆包真的达到 GPT-5.6 或 Opus 5 级别，普通用户在使用豆包时的推理质量、逻辑能力和复杂任务完成度都会有明显改善，过去被吐槽的“智商不在线”问题有望得到缓解。对开发者和企业用户而言，通过 API 接入豆包后，可以用它处理更复杂的业务场景，比如长文档分析、深度研究、代码生成和高难度内容创作，替代部分过去必须依赖国外顶级模型的工作流。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

但需要注意的是，5 万亿参数的模型在推理阶段需要消耗的算力远高于现有模型，这意味着 API 调用价格很可能不会便宜。对于个人创作者和中小开发者来说，短期内的实际利好可能有限，更现实的变化是先看到字节在豆包应用中开放部分能力，再逐步向 API 生态渗透。目前公开信息显示，该计划仍处于讨论阶段，最终产品形态和价格都尚未确定。

值得关注的后续

接下来有几个具体观察点：一是字节是否会正式立项并对外确认这一训练计划，以及最终选择的参数规模和算力方案；二是训练周期与发布时间，按现有信息推测至少要半年到一年，能否如期落地存在变数；三是国内其他大模型厂商是否会跟进冲击 5 万亿参数，尤其是阿里和月之暗面是否会加速迭代——它们各自的下一代模型 Qwen4 和 Kimi K4 的参数规模将成为重要信号。

另外，百万显卡级别的算力投入也意味着训练成本极高，字节如何平衡成本与商业化回报，以及在推理环节如何控制成本，将直接影响豆包的开放策略和定价，也值得持续跟踪。

来源：AIbase