字节这篇 Lance，最让我抬眉的不是 benchmark，是那行小字：128 张 A100，from scratch。

3B 激活参数，统一图像、视频的理解+生成+编辑，benchmark 上压过 Flux.1-dev、Qwen-Image、Hunyuan Video、Wan2.1。在"统一多模态"这条赛道，能用这个量级算力训出来，挺反直觉的。

🔍 核心做法是双流 MoE：理解和生成走两条专家路径，但共享一份 interleaved 多模态序列做 context。再加一个 modality-aware RoPE 缓和异构 token 的位置干扰。

说人话——之前做视频生成踩过的最大坑就是：理解任务想要语义压缩、生成任务想要像素细节，两边一起 joint train 经常互相拽后腿，loss 看着降，出图越来越糊。Lance 这个思路是"context 共享、pathway 解耦"，把这个矛盾切开。

⚠️ 但有几个点我会保留怀疑：

📌 3B 激活不代表总参数 3B，MoE 真实显存占用得看实际放出的 ckpt
📌 VBench 这类自动指标和人眼观感的 gap 一直存在，尤其是动作一致性、长视频，等社区跑过才算数
📌 from scratch + 128 A100 听着省，但数据配比和 staged schedule 才是真正的护城河，论文里这部分给得不够细

不过开源 Apache 2.0，3B 尺寸单卡 40G 能推，对想自己接 ComfyUI 玩统一模型的人来说，这是今年少见的能上手的 baseline。等周末跑一下编辑链路看看。 #ByteDance Lance#