एक महीने पहले, बाइटडान्स के संस्थापक झांग यिन ने सीड टीम की आम बैठक में भाग लिया और दो साल के आंतरिक विवाद को समाप्त किया। उन्होंने घोषणा की कि बाइटडान्स अपने स्वयं के बड़े भाषा मॉडल (LLM) बनाने में तेजी लाने के लिए अन्य डेवलपर्स के मॉडलों का उपयोग नहीं करेगा, जिसमें बंद अत्याधुनिक मॉडल और ओपन-वेट मॉडल दोनों शामिल हैं।
यह नियम 2023 में स्थापित किया गया था। सीड टीम के शुरुआती चरणों में, जीपीटी एपीआई परिणामों का उपयोग प्रशिक्षण डेटा के रूप में प्रयोग किया गया था। अप्रैल 2023 में बाइटडान्स द्वारा जीपीटी एपीआई कॉल्स का ऑडिट शुरू करने के बाद, टीम ने एक सख्त नियम स्थापित किया: जीपीटी द्वारा उत्पन्न डेटा बाइटडान्स के प्रशिक्षण सेट में नहीं जाना चाहिए। यह प्रतिबंधात्मक तंत्र तब आया जब चीन के बाहर किसी ने डिस्टिलेशन पर चर्चा करना शुरू नहीं किया था।
पहला आंतरिक विवाद जनवरी 2025 में DeepSeek-R1 के जारी होने के बाद शुरू हुआ। सीड के शोधकर्ताओं ने एक स्पष्ट प्रश्न पूछा: यदि अन्य प्रयोगशालाएं पिछड़ने की भरपाई के लिए गुप्त रूप से उन्नत मॉडल के परिणामों का उपयोग कर रही हैं, तो वे ऐसा क्यों नहीं कर सकतीं? कुछ लोगों ने सीड के अपने पूर्व-प्रशिक्षण को अस्वीकार किए बिना अंतराल को भरने के लिए सावधानीपूर्वक डिस्टिल्ड परिणामों का उपयोग करने का सुझाव दिया। प्रबंधन ने इस प्रस्ताव को खारिज कर दिया।
एक साल बाद, जब अमेरिकी प्रयोगशालाओं में एनवीडिया ब्लैकवेल जीपीयू को व्यापक रूप से लागू किया जाने लगा, तो बहस फिर से शुरू हो गई। चीनी प्रयोगशालाओं के पास शीर्ष बी-सीरीज़ कार्ड खरीदने की क्षमता नहीं है। सीडेंस 2.0 एच20 क्लस्टर पर प्रशिक्षित हुआ, जिसकी प्रदर्शन क्षमता B200 का लगभग एक बीसवां हिस्सा है। जीपीटी-5.5 और क्लॉड 4.8, विशेष रूप से क्लॉड फेबल 5 द्वारा प्राप्त तर्क, कोडिंग और विज्ञान में प्रगति, ब्लैकवेल के आगमन के साथ मेल खाती है। हालांकि बंद मॉडल को डिस्टिल नहीं किया जा सकता है, सर्वश्रेष्ठ ओपन-वेट मॉडल किया जा सकता है।
वह बिंदु जिसने विवाद को आम बैठक तक पहुंचाया, वह मूनशॉट के Kimi K3 मॉडल था। मूनशॉट का ओपन-वेट मॉडल K3 उन्नत बंद मॉडलों के बराबर स्तर पर पहुंच गया। सीड के लिए, जो विश्व स्तरीय शीर्ष दस में शामिल होने की आकांक्षा रखने वाली एक अपेक्षाकृत छोटी चीनी प्रयोगशाला है, यह प्रश्न अपरिहार्य हो गया: सीड, प्रतिभा की उच्च घनत्व और बड़ी कम्प्यूटेशनल क्षमता रखने के बावजूद, समकक्ष स्तर का भाषा मॉडल क्यों नहीं बना सकी? डिस्टिलेशन सीड को सीमित प्रशिक्षण संसाधनों को उन क्षेत्रों में निर्देशित करने की अनुमति देगा जो अन्य स्थानों पर पहले ही प्रभावी साबित हो चुके हैं।
झांग का जवाब संक्षिप्त था। उन्होंने कहा कि सीड अस्थायी रूप से पीछे रह सकती है, लेकिन वह प्रतिस्पर्धियों के डिस्टिलेशन के माध्यम से इस अंतर को बंद नहीं होने दे सकती। यह रुख 2023 की नीति के अनुरूप है, हालांकि दांव काफी बढ़ गए हैं। एंथ्रोपिक ने सार्वजनिक रूप से टोंगयी कियानवेन, मूनशॉट और मिनीमैक्स पर क्लॉड के परिणामों के बड़े पैमाने पर संग्रह का आरोप लगाया है। इन आरोपों की सत्यता की परवाह किए बिना, भू-राजनीतिक, कानूनी और वाणिज्यिक जोखिम में भारी वृद्धि हुई है, और सीड अपनी स्थिति बनाए रखती है, भले ही इसके लिए बेंचमार्क में कई वर्षों का पिछड़ना पड़े।
दिलचस्प दांव रणनीति के मूल में निहित मेटा-दांव में है। सीड की रणनीति मानती है कि आज के तर्क बेंचमार्क में आगे रहने वाली प्रयोगशालाएं उस बुद्धिमत्ता में आगे नहीं होंगी जिसे सीड बनाने की कोशिश कर रही है, और वर्तमान में उनके डेटा को उधार लेने से सीड को उनकी बुद्धिमत्ता वास्तुकला में स्थिर कर देगा, न कि अपनी खुद की में। यह एक ऐसा दांव है जिसे झांग मॉडल की स्थिति में नुकसान उठाकर समर्थन करने को तैयार है, जो कुछ अन्य चीनी प्रयोगशालाओं के लिए करना कठिन हो सकता है।
एम्बोडीड एआई (Embodied AI) 2026 में रोबोटिक्स के क्षेत्र में सबसे बड़ी दौड़ बन गया है। पिछले महीने WAIC प्रदर्शनी में, मानव सदृश रोबोटों के प्रदर्शन, जो नृत्य करते हैं और लड़ते हैं, का स्थान उन रोबोटों ने ले लिया जो पूर्ण पैमाने पर कारखानों की प्रतिकृतियों पर असेंबली, छँटाई और पुर्जों को चुनने जैसे कार्यों को करने वाली वास्तविक उत्पादन लाइनों पर काम कर रहे थे।
निवेशकों ने इस दिशा पर सक्रिय रूप से नजर रखी: 2026 की पहली छमाही में चीन में एम्बोडीड एआई और संबंधित आपूर्ति श्रृंखलाओं के क्षेत्र में 300 से अधिक सौदों का मूल्य 90 बिलियन युआन से अधिक था। इसके अलावा, पहले चार महीनों में ही एम्बोडीड एआई से संबंधित भूमिकाओं में लगे कर्मचारियों की संख्या चार गुना बढ़ गई।
हालांकि, इस सारी गतिविधि के पीछे एक सामान्य समस्या छिपी है - डेटा। सीमित कम्प्यूटेशनल शक्ति वाले मॉडल और सीमित क्षमताओं वाले एल्गोरिदम अब इस तथ्य का सामना कर रहे हैं कि विकास की क्षमता को डेटा ही सीमित करता है। रोबोट स्वचालित रूप से इंटरनेट सामग्री, जैसे पाठ, चित्र और वीडियो, को आत्मसात नहीं कर सकते। उन्हें जानकारी का एक अलग सेट चाहिए: सामग्रियों के बीच घर्षण, विभिन्न भारों के साथ काम करते समय उत्पन्न होने वाले बलों की समझ, और पकड़ और वस्तु के बीच कारण संबंध - वह सारी सूक्ष्म भौतिकी जो वेबसाइटें प्रदान नहीं करती हैं।
उद्योग विशेषज्ञों के अनुसार, हेरफेर के लिए उच्च गुणवत्ता वाले वैश्विक डेटा का भंडार केवल कुछ लाख घंटों का है, जबकि एक सार्वभौमिक रोबोट का समर्थन करने के लिए संभवतः दसियों मिलियन घंटों की आवश्यकता होगी।
टेलीऑपरेशन उच्च सटीकता वाला डेटा एकत्र करने की अनुमति देता है, लेकिन यह एक महंगी प्रक्रिया है। प्रथम-व्यक्ति वीडियोग्राफी सस्ती रूप से स्केलेबल है, हालांकि इसमें जोड़ों, बलों और पथों का विवरण कम होता है। शुद्ध सिमुलेशन वर्चुअल वातावरण से वास्तविक दुनिया में स्थानांतरित होने पर विफल रहता है। WUWENAI के संस्थापक और सीईओ, ल्यू शेंगशान, जिन्होंने पहले बाईडू में स्वायत्त ड्राइविंग के डेटा और परीक्षण परियोजनाओं का नेतृत्व किया था, इन तरीकों को विकल्प के रूप में नहीं, बल्कि एक एकीकृत पाइपलाइन के रूप में देखते हैं।
इस प्रणाली में भौतिक संपर्क के बारे में लगातार डेटा प्राप्त करने के लिए वास्तविक परिस्थितियों में मल्टीमॉडल डेटा संग्रह कॉम्प्लेक्स शामिल हैं। समानांतर में, एक जनरेटिव ग्लोबल मॉडल सिमुलेशन में परिदृश्यों और चरम मामलों का विस्तार करता है, और दोनों तत्वों का उपयोग निरंतर प्रशिक्षण और आगे डेटा उत्पादन के लिए किया जाता है। WUWENAI इसे 'वर्चुअल और वास्तविक डेटा के संलयन की बंद प्रणाली' कहता है, जो तीन घटकों पर बनाया गया है: डेटा फैक्ट्री, ग्लोबल मॉडल और ग्लोबल सिम्युलेटर, जो बड़े पैमाने पर प्रशिक्षण, मूल्यांकन और प्रतिक्रिया प्रदान करता है।
ल्यू का मानना है कि कंपनी केवल डेटा आपूर्ति प्लेटफॉर्म से परे जा रही है। जैसे ही उच्च सटीक ग्लोबल सिम्युलेटर वास्तविक भौतिकी को विश्वसनीय रूप से पुन: प्रस्तुत कर पाएगा, रोबोट अल्फागो स्तर का युद्धाभ्यास कर सकेगा, सिमुलेशन में लाखों सस्ते प्रयास और त्रुटि चक्र चला सकेगा और अनुकरण प्रशिक्षण से सुदृढीकरण शिक्षण में जा सकेगा। WUWENAI ने हाल ही में वर्ल्ड लैब्स द्वारा SceniX के अधिग्रहण से कुछ महीने पहले ही इस Real2Sim2Real स्टैक की आपूर्ति शुरू कर दी थी।
ल्यू इस समानता को उद्योग के लिए एक संकेत के रूप में रेखांकित करते हैं: वैश्विक मॉडल तभी बुनियादी ढांचा बनते हैं जब उन्हें वास्तविक डेटा, रोबोटिक सिमुलेशन, स्केल्ड लर्निंग और वास्तविक दुनिया से फीडबैक के साथ एकीकृत किया जाता है। केवल वीडियो और 3डी जनरेशन पर्याप्त नहीं है।
कंपनी का दांव उत्पाद-आधारित नहीं, बल्कि संरचनात्मक है। एम्बोडीड एआई मॉडल केवल मापदंडों की संख्या से सीमित नहीं होते हैं, बल्कि उनके द्वारा उपभोग किए जाने वाले डेटा की मात्रा से सीमित होते हैं, और डेटा उद्योग कच्चे डेटा के साधारण संग्रह से ऑर्केस्ट्रेटेड बुनियादी ढांचे के निर्माण की ओर बदल रहा है। चीनी स्टार्टअप WUWENAI के लिए अगली चुनौती यह है कि क्या यह वर्ल्ड लैब्स, टेस्ला के ऑप्टिमस और गूगल डीपमाइंड जैसे दिग्गजों की पृष्ठभूमि में भौतिक एआई-बुनियादी ढांचे में विश्व स्तरीय कंपनी बन सकता है, जो अपने स्वयं के स्टैक को समानांतर में विकसित कर रहे हैं। रास्ता किसी भी मामले में खुल रहा है, और WUWENAI ने डामर बिछाने वाले की जिम्मेदारी लेने का फैसला किया है।
पिछले एक साल में कोडिंग और एजेंट क्षमताओं के विकास ने मॉडल रैंकिंग को काफी बदल दिया है। चूंकि एजेंट अधिक लंबी कार्य श्रृंखलाओं को संभाल रहे हैं, इसलिए अधिक सामान्य मॉडल नेटिव मल्टीमोडैलिटी की क्षमताओं से मेल खाना शुरू कर रहे हैं।
36Kr की रिपोर्ट के अनुसार, एक अंतर देखा गया है: Moonshot AI Kimi K3, Alibaba Qwen3.8-Max और ByteDance Doubao-Seed-2.1 ने नेटिव मल्टीमोडल प्रशिक्षण का निर्णय लिया है। इसके विपरीत, DeepSeek, Zhipu और Tencent Hunyuan अपने नवीनतम सामान्य आधारों में पाठ प्रारूप बनाए रखते हैं।
लियान वैनफेंग ने उल्लेख किया कि उच्च गुणवत्ता वाले एआई प्रशिक्षण के लिए विश्व स्तरीय मॉडल या मल्टीमोडैलिटी होना आवश्यक नहीं है, लेकिन उन्होंने स्वीकार किया कि अंततः मल्टीमोडैलिटी आवश्यक है। कंपनियां इस दृष्टिकोण के दीर्घकालिक मूल्य पर सहमत हैं, लेकिन समय और लागत के संबंध में राय में भिन्न हैं। कोडिंग में तेजी से सुधार के चरण में, विजन के सिंक्रोनस प्रशिक्षण और मॉडल, डेटा और कंप्यूटिंग शक्ति में निवेश की मात्रा के बीच चयन प्रमुख चीनी मॉडलों के तकनीकी मार्ग को आकार देता है।
नेटिव मल्टीमोडैलिटी महत्वपूर्ण क्यों है, इसका कारण यह है कि एजेंट कितनी देर तक तर्क कर सकते हैं। लंबी अनुक्रम वाली कार्यों को निष्पादित करते समय, यदि प्रतिक्रिया केवल कोड स्तर पर आती है, तो त्रुटियां जमा हो सकती हैं, जिससे बहुत खराब अंतिम परिणाम मिलते हैं। दृष्टि कहीं अधिक सटीक प्रतिक्रिया संकेत प्रदान करती है।
जब एजेंट वेब पेज उत्पन्न करते हैं, सॉफ़्टवेयर का प्रबंधन करते हैं और निष्पादन परिणामों की जाँच करते हैं, तो दृष्टि उपयोगकर्ता द्वारा प्रदान किए गए एक साधारण इनपुट पैरामीटर से बदलकर एक फीडबैक तंत्र बन जाती है जिसका उपयोग मॉडल स्व-जांच और कार्यों को समायोजित करने के लिए करता है। Kimi K3 के जारी होने के बाद, इसने 1679 अंकों के साथ Arena Frontend Code रैंकिंग में पहला स्थान हासिल किया। यह रैंकिंग न केवल कोड की कार्यक्षमता का मूल्यांकन करती है, बल्कि पृष्ठ के सही प्रदर्शन का भी मूल्यांकन करती है।
Puter ब्राउज़र प्लेटफॉर्म पर परीक्षण पृष्ठों में पांच दृश्य विचलन दर्ज किए गए थे; Kimi K3 ने लक्ष्य पृष्ठ की तुलना काम कर रहे पृष्ठ के स्क्रीनशॉट से की और बिना किसी झूठे अलार्म के उन सभी पांचों का पता लगाया। Moonshot AI इस विधि को 'लूप में दृष्टि' कहता है: मॉडल कोड लिखता है, पृष्ठ देखता है, और फिर दृश्य डेटा के आधार पर सुधार करना जारी रखता है।
बाहरी विज़ुअल टूल के समर्थकों का तर्क है कि सिस्टम एजेंट फ्रेमवर्क या MCP के माध्यम से OCR या स्वतंत्र VLM को कॉल कर सकते हैं, छवियों को पाठ या निर्देशांक में परिवर्तित कर सकते हैं इससे पहले कि उन्हें टेक्स्ट मॉडल को भेजा जाए। हालांकि, इस मॉड्यूलर दृष्टिकोण की सीमाएं हैं। यदि कोई उपकरण बुलाया जाता है, तो दो मॉडल बने रहते हैं: एक LLM जो नहीं देखता है, और एक सहायक मॉडल जो देख सकता है।
आंतरिक नेटिव मल्टीमोडल मॉडल दृश्य इनपुट और भाषाई कोर के बीच एक व्यापक संचार चैनल रखते हैं, बजाय इसके कि वे पहले छवि को पाठ में संपीड़ित करें और फिर इसे दूसरे मॉडल को पास करें। यह अंतर प्रशिक्षण के बाद भी प्रकट होता है। यदि मॉडल इसे स्वयं कर सकता है, तो परिणाम बेहतर होगा। लंबी श्रृंखला वाले कार्यों में, जिसके लिए बार-बार स्क्रीन देखने की आवश्यकता होती है, यह अंतर अधिक स्पष्ट हो जाता है। नेटिव मल्टीमोडैलिटी के बिना, मॉडल की आंखें नहीं होती हैं, और प्रतिक्रिया पाठ तक ही सीमित होती है। कई उपयोगकर्ता परिणाम दृश्य होते हैं: वेब पेज, चित्र, वीडियो। मॉडल को इन परिणामों को समझना चाहिए और खुद को प्रतिक्रिया देनी चाहिए।
