据机器之心、量子位7月29日报道，字节跳动旗下豆包大模型团队已完成新一代豆包Mega 2.0的首轮内部测试，参数规模突破3万亿，原生支持多模态理解与10分钟级长视频生成。Mega 2.0预计2026年Q4正式发布，将接替豆包Mega 1.5成为字节旗下最强基座模型。
豆包Mega 2.0的核心突破在于「原生多模态对齐」技术架构。Mega 2.0采用端到端多模态Transformer架构，文本、图像、视频、音频统一编码到同一向量空间，从根本上解决了传统多模态模型的模态对齐损耗问题。Mega 2.0在30项多模态理解基准测试中刷新SOTA，其中VideoMME得分87.2%，MMMU-Pro得分82.1%，均领先GPT-5.6 Sol版。
豆包Mega 2.0的10分钟级长视频生成能力是其另一核心突破。传统视频生成大模型受限于显存与算力，单次生成时长通常不超过30秒。豆包Mega 2.0通过创新的「分镜自动生成+一致性维护」技术架构，实现单次生成10分钟级连贯长视频，已在抖音电商、巨量引擎、西瓜视频等业务场景完成内部测试。
字节跳动AI Lab负责人表示，豆包Mega 2.0将在2026年Q4通过火山引擎机器学习平台对外提供API服务，定价较GPT-5.6 Sol版降低60%以上。豆包Mega 2.0训练采用华为昇腾950PR集群完成，单次训练任务调用超过8192张昇腾950DT卡，是国产AI算力首次支撑万亿级参数大模型完成训练任务。
豆包Mega 2.0的训练数据规模与质量也达到行业领先水平。Mega 2.0预训练数据总量达50万亿tokens，覆盖中文、英文、日文、韩文、法文、德文、西班牙文7种语言，包含1800万小时视频数据、120亿张图像数据、100亿条音频数据。豆包Mega 2.0同步与中央广播电视总台、爱奇艺、优酷等头部内容平台达成战略合作，将Mega 2.0的视频生成能力应用于短视频、长剧集、纪录片等内容生产场景。Mega 2.0的10分钟级长视频能力还将驱动字节跳动在电影、广告、游戏CG等长内容生产场景的AI革命。
