字节 Seaweed-7B

数据规模与来源

Seaweed-7B（arXiv 2504.08685）预训练约 100M 片段、均长约 8s；约 22 万小时为换算值，原文为数量级口径。来源只写"diverse sources"，未点名；另混入数百万条合成仿真视频 [1]。训练耗 665,000 H100 GPU 小时。

加工

数据管线日处理超 50 万小时。6 级质量过滤使人工评估的无效片段率由 42% 降到 2.9%；语义加视觉特征聚成 1 万+簇，头部簇降采样；captioner 为 CLIP 加 LLM，72B 教师蒸馏到 7B 学生 [1]。

后训练

SFT 约 70 万条高美学视频，其中约 5 万条最优并加权；DPO 对每个 prompt 生成 4 条，由人工选出 best 与 worst [1]。

口径提示

字节系公开的数据账中，Seaweed-7B 与 字节 Waver 披露的数字最多，Seedance 1.0 则补充了"公开与授权库"的来源口径，见 字节 Seedance（1.0 / 2.0）与即梦。授权状态与具体来源均未披露。

来源

1. https://arxiv.org/html/2504.08685 (2026-10-15)
2. https://arxiv.org/html/2506.09113 (2026-10-15)