字节跳动突发开源大模型，一出手就是360亿参数的Seed-OSS-36B。
图片
这个Seed-OSS的命名方式，明显是在呼应OpenAI此前发布的GPT-OSS系列。
与OpenAI的开源策略也是一样，并没有直接开源核心商业模型豆包（Doubao），而是基于内部技术打造了一个专门面向开源社区的版本。
字节跳动Seed团队正式在Hugging Face和GitHub上发布了这个系列模型，采用Apache-2.0开源协议，可以免费用于学术研究和商业部署。
512K上下文窗口，还能灵活控制思考预算
要说Seed-OSS最让人眼前一亮的特性，那必须是原生512K的超长上下文。
目前主流的开源模型，比如DeepSeek V3.1的上下文窗口是128K，而Seed-OSS直接翻了4倍。
而且这个512K是在预训练阶段就构建好的，不是后期通过插值等方法硬撑上去的。
这意味着法律文档审查、长篇报告分析、复杂代码库理解等需要处理海量信息的专业场景，Seed-OSS都能轻松拿下。
此外，Seed-OSS还引入了“思考预算”（Thinking Budget）机制。
通过设定一个token数量，你就能控制模型思考的深度。比如你设置512个token的预算，模型在推理过程中会这样工作：复制
好的，让我一步步来解决这个问题。题目说的是… 我已经使用了129个token，还剩383个token可用。 使用幂法则，我们可以… 我已经使用了258个token，还剩254个token可用。 另外，记住… 我已经耗尽了token预算，现在开始给出答案。
对于简单任务，可以设置较小的预算让模型快速响应；对于复杂的数学推理或代码生成，你可以给更多预算让它深思熟虑。
图片
字节跳动建议使用512的整数倍（比如512、1K、2K、4K、8K或16K），因为模型在这些区间上经过了大量训练。
模型架构方面，Seed-OSS采用了成熟稳定的设计：
360亿参数的稠密模型（不是MoE），使用了RoPE位置编码、GQA注意力机制、RMSNorm归一化和SwiGLU激活函数。整个模型有64层，隐藏层维度5120，词汇表大小155K。
图片
考虑到合成指令数据可能影响后训练研究，字节Seed团队提供了两个版本的基座模型，一个包含合成指令数据（性能更强），一个不包含（更纯净），为研究社区提供更多选择。
多项基准测试开源SOTA
那么这个模型的实际表现如何呢？
在知识理解方面，Seed-OSS-36B-Base在MMLU-Pro上达到了65.1分，超过了同等规模的Qwen2.5-32B-Base的58.5分。在TriviaQA上更是拿下了82.1的高分。
推理能力的BBH基准测试得分87.7，直接刷新了开源模型的记录。在数学能力上，GSM8K达到90.8分，MATH的81.7分。
Seed-OSS代码能力同样不俗，HumanEval得分76.8，MBPP达到80.6。
图片
指令微调版本Seed-OSS-36B-Instruct在AIME24数学竞赛题上达到了91.7分的成绩，仅次于OpenAI的OSS-20B。
图片
并且这些成绩是用仅12T token训练出来的，相比之下，很多同规模模型的训练数据量都在15T以上。
字节Seed团队的开源版图
字节Seed团队成立于2023年，定位是“打造业界最先进的AI基础模型”，研究方向覆盖大语言模型、多模态、AI基础设施等多个前沿领域。
过去一年多时间里，已经陆续开源了多个有影响力的项目，只不过多是细分领域模型，而不是受关注的基座语言模型。
图片
今年5月，他们发布了Seed-Coder，一个8B规模的代码生成模型，最大的创新是让LLM自己管理和筛选训练数据，大幅提升了代码生成能力。
紧接着，他们又推出了BAGEL，一个能同时处理文本、图像和视频的统一多模态模型，真正实现了”万物皆可输入输出”。
更早之前，他们还发布了Seed Diffusion，这是一个基于离散状态扩散技术的实验性语言模型，在代码生成任务上实现了极高的推理速度。
为了支撑这些模型的训练，团队还开源了VeOmni，一个PyTorch原生的全模态分布式训练框架。
最近他们还搞了个Seed LiveInterpret端到端的同声传译模型，不仅翻译准确率高，延迟低，还能复刻说话人的声音特征。
随着Seed-OSS的开源，国产开源Base模型又添一员猛将。
GitHub：https://github.com/ByteDance-Seed/seed-oss
HuggingFace：https://huggingface.co/collections/ByteDance-Seed/seed-oss-68a609f4201e788db05b5dcd
