Cuối 2025, trong bữa tối với ban giám đốc phụ trách mô hình của ByteDance, Zeng Yan, người đứng đầu Seedance, đứng lên và đưa ra đề xuất: thử huấn luyện AI lớn hơn, ít nhất là một mô hình với 200 tỷ tham số.
"Cô ấy muốn phát triển với quy mô lớn hơn, nhưng vấp phải ý kiến trái chiều. Một số cho rằng mục tiêu 200-300 tỷ tham số quá tham vọng, trong khi nguồn lực huấn luyện còn hạn chế. Để an toàn, họ đề xuất bắt đầu với mô hình khoảng 100 tỷ tham số", một nhân viên ByteDance kể với 36Kr.
Tuy nhiên, tại cuộc họp đánh giá nội bộ, Wu Yonghui, người đứng đầu Seed - nhóm nghiên cứu AI của ByteDance, và Zhou Chang, phụ trách mảng nội dung đa phương thức trực quan, đã thảo luận và ủng hộ đề xuất của Yan. Cái gật đầu mở đường cho bước ngoặt đầu năm, khi mô hình Seedance 2.0 ra mắt hồi tháng 2 và thúc đẩy kỷ nguyên "đoàn làm phim một người".

Một số nhân viên cho biết, khi nhắc đến Seedance 2.0, nhiều người thường nghĩ đến Yonghui, Chang và chuyên gia tạo video Jiang Lu. Tuy nhiên, Zeng Yan được đánh giá mới là người giữ vai trò quan trọng khi phụ trách khâu tiền huấn luyện (pre-training). Không đơn thuần cung cấp dữ liệu, giai đoạn này định hình cách mô hình tiếp nhận, hiểu và tái tạo thế giới. Từ lựa chọn dữ liệu đến thiết kế kiến trúc và chiến lược huấn luyện, mỗi quyết định đều ảnh hưởng đến khả năng của mô hình. Nếu pre-training không tốt, những bước tối ưu hóa sau đó khó có thể hoàn thiện.
Vai trò của Yan cũng thể hiện qua việc thăng tiến nhanh tại ByteDance. Sau khi tốt nghiệp và gia nhập công ty, cô chỉ cần 5 năm để đạt cấp bậc 4-2, tương đương giám đốc cấp cao hoặc kiến trúc sư cấp cao trong đội ngũ kỹ thuật nòng cốt. Theo China Daily, tổng thu nhập hằng năm của vị trí này, gồm lương, thưởng và cổ phiếu, có thể vượt 5 triệu nhân dân tệ (750.000 USD).
"Yan có khả năng đánh giá kỹ thuật tốt và luôn chủ động trong công việc. Khi tin vào một hướng đi, cô kiên trì theo đuổi và tìm mọi cách huy động nguồn lực để biến ý tưởng thành hiện thực", một người từng làm việc với Yan tại ByteDance nói với 36Kr.
Từ Đại học Giao thông Tây An đến ByteDance
Nếu nhìn vào sơ yếu lý lịch, Yan không tạo ấn tượng như các tài năng AI khác. Cô sinh năm 1997, tốt nghiệp Đại học Giao thông Tây An, sau đó lấy bằng thạc sĩ tại Đại học Montreal ở Canada - con đường được đánh giá phổ biến ở Trung Quốc.
Tuy nhiên, những gì diễn ra tiếp theo không hề "bình thường". Tháng 9/2021, Yan gia nhập ByteDance AI Lab với tư cách nhân viên mới, bắt đầu ở vị trí kỹ sư thuật toán. Chỉ hai tháng sau, cô công bố báo cáo khoa học đầu tiên trên kho lưu trữ kỹ thuật số arXiv - nền tảng của mô hình X-VLM nổi tiếng sau này.
Trong báo cáo, Yan nêu cách làm thế nào để AI vừa hiểu "bức tranh tổng thể" vừa nhận ra "những chi tiết nhỏ". Các mô hình ngôn ngữ thị giác truyền thống thường đi theo hai hướng. Một hướng chỉ học mối liên hệ giữa hình ảnh tổng thể và văn bản, ví dụ khi xem ảnh, AI chỉ nhận diện đó là bãi biển, nhưng không mô tả được chi tiết bên trong. Hướng còn lại sử dụng công cụ phát hiện vật thể để nhận diện từng chi tiết. Cách này cho kết quả chính xác hơn nhưng tiêu tốn nhiều tài nguyên tính toán và cần lượng lớn dữ liệu gắn nhãn thủ công.
X-VLM do Yan đề xuất kết hợp ưu điểm của cả hai hướng. Mô hình có thể học hình ảnh ở nhiều cấp độ, từ toàn cảnh đến từng vật thể, từ đặc điểm khái quát đến chi tiết, đồng thời liên kết chúng với những mô tả văn bản tương ứng.
Hai năm tiếp theo, Yan tiếp tục công bố báo cáo mới với vai trò tác giả chính tại các hội nghị, tạp chí khoa học hàng đầu. Cô cũng tham gia phản biện trong nhiều diễn đàn học thuật lớn, với các ý kiến được giới chuyên môn đánh giá cao.
Cuối 2022, ChatGPT gây sốt trên toàn cầu. Đầu 2023, các tập đoàn công nghệ lớn đồng loạt tăng tốc phát triển mô hình AI quy mô lớn. ByteDance cũng nhanh chóng điều chỉnh chiến lược công nghệ để bắt kịp xu hướng bằng cách thành lập bộ phận nghiên cứu mô hình lớn Seed. Với kinh nghiệm của mình, Yan được điều chuyển về đây.
Tại bộ phận mới, cô lập tức chứng tỏ khả năng khi dẫn dắt hai dự án quan trọng, gồm mô hình ngôn ngữ đa chiều CCLM và Lynx. CCLM dùng khung tiền huấn luyện thống nhất, cho phép mô hình học từ dữ liệu hình ảnh và văn bản tiếng Anh rồi áp dụng kiến thức sang tác vụ đa phương thức bằng tiếng Trung, Nhật hoặc ngôn ngữ khác mà không cần huấn luyện lại. Trong khi đó, Lynx là dự án nghiên cứu có hệ thống về cách huấn luyện mô hình ngôn ngữ đa phương thức quy mô lớn theo hướng tương tự GPT-4 của OpenAI.
Nhưng điều khiến Yan thực sự nổi bật là PixelDance cuối năm 2023. Với báo cáo "Làm cho các điểm ảnh nhảy múa: Tạo video có độ động cao", đề xuất của Yan giải quyết một mâu thuẫn tồn tại trong lĩnh vực tạo video, đó là làm thế nào để cân bằng giữa tính năng động và tính ổn định.
Các mô hình tạo video truyền thống thường tạo video trước rồi sửa từng khung hình để duy trì tính nhất quán. PixelDance tiếp cận theo hướng khác: cho phép mô hình học cách tạo chuyển động từ đầu. AI kết hợp hình ảnh đầu, cuối và mô tả văn bản để định hướng quá trình, đồng thời giữ chủ thể và bối cảnh nhất quán ngay cả khi chuyển động.
"Nó giống như huấn luyện vũ công thực hiện những động tác biên độ lớn trong khi vẫn giữ thăng bằng từ đầu", một cựu nhân viên ByteDance nói với China Daily.
Thành công của PixelDance nhanh chóng nâng vị thế của Yan tại ByteDance. Năm 2024, cô được thăng chức từ kỹ sư lên nhà nghiên cứu thuật toán, trở thành một trong những nhà nghiên cứu trẻ nhất trong nhóm Seed.
Từ PixelDance đến Seedance 2.0
PixelDance là tiền thân của Seedance, ghép từ "Seed" và "Dance" - thể hiện ý tưởng "làm cho các pixel nhảy múa". Tháng 11/2025, Seedance 1.0 phát hành, và Yan đứng đầu bộ phận R&D của mô hình.
Dù đạt một số bước tiến, Seedance 1.0 và 1.5 đều chưa đạt kỳ vọng khi còn kém Veo của Google, thậm chí xếp sau Kling tại Trung Quốc. Một nhân viên Volcano Engine (bộ phận nền tảng đám mây của ByteDance) cho biết công ty theo sát Kling của Kuaishou và Runway của Runway AI, nhưng "chưa đủ khả năng" bắt kịp đối thủ.
Tháng 12/2025, sau khi Seedance 1.5 ra mắt, nhóm phát triển bắt tay huấn luyện phiên bản 2.0. Tuy nhiên, ByteDance gặp bất lợi về năng lực tính toán khi phải dùng GPU kém tiên tiến hơn đối thủ như Google và OpenAI. Vì vậy, nhóm tập trung cải thiện kiến trúc mô hình và dữ liệu huấn luyện để bù đắp hạn chế phần cứng. Việc được thông qua ngân sách huấn luyện mô hình ít nhất 200 tỷ tham số tiếp sức mạnh cho đội ngũ của Yan.
Theo 36Kr, tính đến đầu năm, ngân sách dữ liệu dành cho huấn luyện mô hình thế giới ảo và lập trình mô hình của ByteDance đã vượt 10 triệu USD, và "nếu thấy không đủ, ngân sách có thể được tăng bất cứ lúc nào". Bên cạnh đó, công ty cũng quán triệt không thực hiện quá trình "chưng cất dữ liệu".
Seedance 2.0 nhanh chóng tạo cơn sốt khi trình làng tháng 2. Công cụ được đánh giá cao ở khả năng xử lý văn bản, hình ảnh, âm thanh cùng lúc, giúp giảm chi phí tạo nội dung. Nhiều người so sánh nó với "khoảnh khắc DeepSeek", theo ghi nhận của Global Times.
Sức hút của Seedance 2.0 hiện đã vượt ra bên ngoài Trung Quốc. Trên X, Reddit và Discord, hàng loạt video tạo từ mô hình này được chia sẻ. Truyền thông quốc tế cũng đánh giá cao AI của ByteDance. Theo Forbes, mô hình "tái hiện chính xác vật lý thế giới thực và tạo video chân thực", cung cấp mức độ kiểm soát sáng tạo ở cấp độ "bắt chước một đạo diễn con người". Reuters và Bloomberg chung nhận định Seedance 2.0 vượt trội đối thủ ở khả năng xây dựng cốt truyện điện ảnh chỉ với một vài thao tác.
"Mọi thứ diễn ra quá nhanh", Elon Musk từng viết về Seedance 2.0 trên X cuối tháng 2.
Đến tháng 7, ByteDance tiếp tục tung ra Seedance 2.5 với khả năng tạo video dài 30 giây trong một lần xử lý, gấp đôi bản 2.0, hỗ trợ tối đa 50 tư liệu tham chiếu gồm 30 ảnh, 10 video và 10 đoạn âm thanh. Mô hình cải thiện khả năng duy trì nhân vật, chuyển cảnh, đồng bộ hình ảnh và âm thanh, đồng thời cho phép chỉnh sửa video theo mốc thời gian, góc máy và phông nền. ByteDance hướng bản 2.5 đến quy trình sản xuất video chuyên nghiệp, thay vì chỉ tạo clip ngắn.
Một số thống kê cho thấy, nhiều phim ngắn AI tạo từ Seedance hiện nhận hàng tỷ lượt xem, chẳng hạn phim Bước vào sân khấu dùng Seedance 2.5 với 6,6 tỷ lượt xem; Lưu vực Kho báu: Nguồn gốc tâm linh sản xuất bằng Xiaoyunque Short Drama Agent tích hợp Seedance 2.0 đạt 1,1 tỷ lượt xem; trong khi hàng chục bộ phim khác thu hút hàng trăm triệu lượt xem.
Yan tiếp tục thăng tiến khi đạt cấp độ 3-2 đầu năm và 4-2 giữa tháng 11. Việc hai lần thăng cấp liên tiếp trong một năm được đánh giá hiếm thấy, nhất là ở môi trường có mật độ nhân tài cao ở ByteDance.
Tuy vậy, Yan hiếm khi xuất hiện trước truyền thông và vẫn miệt mài cho các đề tài khoa học. Đầu tháng 11, cô công bố trên nền tảng nguồn mở Hugging Face báo cáo "Cola2: Áp dụng mô hình khuếch tán và phương pháp không gian tiềm ẩn liên tục từ lĩnh vực tạo video vào mô hình ngôn ngữ", đề xuất phương pháp cho phép mô hình xử lý văn bản bằng cách tạo video giúp tiết kiệm sức mạnh tính toán và mang lại hiệu quả tạo hình tốt hơn.
- Seedance 2.0 và kỷ nguyên 'đoàn làm phim một người'
- Seedance 2.0 và kỷ nguyên 'đoàn làm phim một người'