作者｜黄小艺微信｜H997Hbiu
一个应用公司，，，突然宣布建设 AI Lab，，，一般有两种效果。 。。
一种是换个名字、攒几篇 Blog，，，拿到新的投资，，，但继续做原来的事儿。 。。
一种是找来训练模子的人，，，组成新的营业架构，，，真的去实验一些实验性的激进的前沿手艺蹊径。 。。
Mind Lab 看起来属于第二种。 。。
2025 年底，，，个人 Agent Macaron 背后的 AI 公司 Mindverse 宣布建设 Mind Lab，，，并把它界说成一家 Neo Lab。 。。许多人的第一反映是：怎么Agent 产品公司也要做前沿实验室了？？？？
7 月 22 日，，，Mind Lab 正式宣布并开源 Macaron V1，，，第一次正面回覆了这个问题。 。。
Macaron V1 包括两个版本：旗舰版 Venti（748B）和面向外地安排的 Tall（50B）。 。。其中，，，Venti 有744B参数来自于GLM-5.2 ，，，自己训练的只有 4B——四组各约 1B 的 LoRA，，，划分优化 Chat、Agent、Coding 和 UI。 。。
也就是说，，，99.47% 的参数已经在那里，，，Mind Lab 只动了剩下的 0.53%。 。。
但就是这小小的4B，，，凭证 Mind Lab 宣布的效果，，，让 Macaron V1-Venti 在12项评测里所有凌驾了原始 GLM-5.2，，，其中7项同时凌驾 GPT-5.5 和 Claude Opus 4.8，，，包括 TerminalBench 2.1、PinchBench等。 。。
这个跑分效果想要说明的是，，，小参数LoRA也能带来前沿模子的性能提升，，，它也在验证另一件事：模子在宣布后，，，还能通过一组组轻量参数的后训练，，，一连提升效果。 。。
这恰恰撞上了一个突然变热的行业问题：模子怎样在进入真实天下后一连学习？？？？
虽然这个话题被提出良久了，，，但最近，，，梁文锋把“一连学习”称为继Agent 之后，，，模子需要突破的下一个问题；；；Thinking Machines Lab 则用 Inkling 和 Tinker 演示了模子“自己训练自己”并切换新权重的历程，，，让许多人遐想到了它在一连学习领域的潜力。 。。
Mind Lab 想做的也是这件事。 。。V1 的背后，，，Mind Lab 把 MoL（Mixture-of-LoRA）、近万亿参数模子上的后训练、递归自我刷新和多智能体协作这些仍带着实验色彩的要素，，，组合在了一起。 。。
实测：从交互设计到外地执行
在先容他们在手艺上做了哪些有意思的事情前，，，我们先把玩了一下这个模子。 。。
我们通过 API 给 Macaron V1 -Venti 准备了三项开放测试，，，划分视察它的 UI4A、前端实现和 Agent 能力，，，一个焦点的感受就是，，，它执行使命的完整度很高，，，时间和方法很长。 。。
实测一：把一段“吃瓜群聊”酿成可以玩的界面
第一项测试中，，，我们让 V1 模拟一个有些诡异的群聊：几个人外貌上聊办公室八卦，，，现实上在生涯闲扯里交流旗号，，，并把整段对话做成 UI4A 界面。 。。
V1 基本明确了“明里吃瓜、私下对旗号”的双层叙事。 。。它设计了五个群聊成员：有人认真夸张起哄，，，有人一直追问，，，有人只说极短的指令。 。。明面上的话题是新同事保温杯里泡了什么，，，另一层则把时间、人数和行动安排藏进这些闲聊中。 。。
它还给页面增添了一个“解密”按钮。 。。通俗状态下，，，用户看到的是一段节奏很快的办公室群聊；；；点开解密后，，，与旗号有关的新闻会被重新标注，，，并显示对应诠释。 。。
原本只能重新读到尾的一段文字，，，因此酿成了一个交互小品，，，游戏趣味性很强。 。。
但缺乏之处是，，，解密对话的设计不敷精巧，，，好比“今晚八点，，，老地方”“三个，，，都穿黑”，，，并没有真正藏进生涯闲聊。 。。
实测二：完成一个餐厅官网
我们只给出餐厅名 FENNEL，，，以及“现代小酒馆”的定位，，，要求模子做一个官网页面，，，包括餐厅先容、四类菜单、标签筛选、菜品详情和订位流程。 。。
效果是 V1 对主题的明确相当到位，，，它从 FENNEL 这个名字出发，，，把茴香和植物线稿酿成贯串页面的视觉元素，，，菜单则围绕现代欧洲小酒馆睁开，，，使用大幅留白、细腻脱离线和榨取的酒红色按钮。 。。
页面的交互逻辑也完全建设，，，用户可以按素食、无麸质和辛辣筛选菜品，，，点击菜名后在侧边卡片审查配料和推荐酒款；；；订位部分则完整走通了日期、人数、时间、姓名和电话的流程。 。。
但最致命的问题在于，，，菜单把一道含有北非粗麦粉的菜品标成了“无麸质”，，，没有在交付之前完整地自检文本。 。。
实测三：在外地渲染一艘未来深海潜艇
第三个测试，，，我们要求 V1 使用 Blender 制作一艘高级质感的未来深？？？？蒲星蓖В， PBR 材质、体积光、粒子和景深，，，并交付 Blender 工程与最终渲染图。 。。
单看最终效果，，，这个案例的完成度不错：深色配景、蓝绿色装备灯和暖色舷窗、船体、推进器和外部装备，，，有显着的影戏看法图质感。 。。
整个使命运行了近40分钟，，，履历了剧本调试和多轮测试渲染。 。。最终交付给到了一份能继续编辑的 Blender 工程和天生剧本。 。。
这里体现出的能力，，，是模子能够围绕一个目的一连操作外地情形，，，在编写代码、运行程序、审查效果和再次修改之间坚持使命一连性。 。。
需要说明的是，，，我们没有使用原始 GLM-5.2 复跑统一组使命，，，因此这三项测试不可被视为一组严酷的 LoRA 增益比照。 。。
但它们至少泛起了 Macaron V1 的能力取向：它善于把基座已有的文本、代码、工具和视觉能力组织成一条可以交付的行动链。 。。
744B 认真能力，，，4B 认真把能力用对
要明确这种能力从那里来，，，就需要回到 Mind Lab 真正训练的 4B 参数。 。。
这 4B 参数接纳的 LoRA 手艺，，，在 2021 年就已经被提出，，，厥后又由于 Stable Diffusion 的气概训练被更多人熟悉。 。。
它通过在训练时冻结基座权重，，，只在部分网络层旁加入小规？？？？裳盗肪卣螅，用一笔增量修正模子输出。 。。因此，，，已往它更多被视为全参数后训练的平替方案。 。。
但Mind Lab 想证实的是，，，它还可以成为前沿模子的正式组成部分。 。。
在Macaron V1 Venti 中，，，Mind Lab 冻结了 GLM-5.2 的基础权重，，，并在其上划分训练了四个约 1B 参数的 LoRA 专家，，，面向 Chat、Agent、Coding 和 UI 四类能力，，，这套架构称为 MoL（Mixture of LoRA）。 。。
这么做是由于后训练里的能力并不总能清静共处。 。。
谈天需要自然、连贯，，，Coding 要求准确、榨取；；；Agent 需要一连挪用工具，，，UI 又要求模子同时明确内容、代码和交互协议。 。。若是所有目的都在一组参数里重复拉扯，，，一种能力提升，，，另一种可能就在退化。 。。
MoL 的步伐很直接：既然训练目的差别，，，那就脱离练。 。。需要新能力时，，，不必重新合并整台模子，，，再挂一组 LoRA 就行。 。。
官方评测效果展示了Macaron V1中，，，多个LoRA对差别场景的匹配。 。。
以TerminalBench为例，，，由于GLM-5.2 已经掌握了代码、下令和工具挪用，，，LoRA 只需要把模子无意做对的操作变得越发稳固，，，就能获得显着的提升。 。。
但到了SWE Atlas QnA 的测试中，，，由于它要求 Agent 进入真实工程客栈，，，通过代码搜索、运行时剖析和跨文件推理回覆架构问题，，，基础模子很难通过一组1B参数迅速补齐，，，最终这一项只提高了0.6分。 。。
这些效果把 LoRA 的能力界线说得很清晰：它更善于改变模子挪用已有能力的方式，，，增补基座的短板则要难题堪多。 。。
先有足够强的 744B，，，才有值得训练的 4B LoRA。 。。
模子宣布以后，，，“履历”还要继续进入参数
既然 LoRA 这么好用，，，为什么恒久以来，，，它在许多人眼中只是平替，，，直到当下这个节点？？？？
一个原因是它要求基础模子自己有相当高的智能水平；；；另一个原因，，，和Agent的普遍使用有关。 。。
Agent 恒久进入事情和生涯后，，，会重复操作统一套工具、阅读统一个代码库，，，也会一直犯错并接受纠正。 。。这些预训练无法提前获得的履历信息，，，会直接影响它下一次能否完成使命。 。。
常见处理方式是把这些信息写进 Memory、Skill、知识库或者系统提醒词，，，需要时重新放回上下文，，，但这仍然属于外部存储和挪用，，，比及下一次推理时，，，系统需要重新检索、拼接和读取这些质料，，，也会继续消耗上下文。 。。
而参数训练带来的改变纷歧样。 。。
一段履历若是被写进了参数，，，纵然 Prompt 里没有再提起它，，，模子的行为倾向也会改变。 。。这是“记着”和“每次都被提醒”的区别。 。。
思量到全参数训练的本钱摆在那，，，不可能为每个用户、每个代码库、每个 Agent 划分训一遍 744B 模子，，，这个时间，，，LoRA就为这些履历与习惯类的信息，，，提供了一条中心路径：本钱足够低，，，可以单独训练、生涯、加载、评测和回滚，，，同时直接加入模子内部盘算。 。。
虽然，，，Macaron V1 现在交付的四组 LoRA 仍然属于通用能力？？？？椋，笼罩 Chat、Agent、Coding 和 UI。 。。 Mind Lab下一步想推进的，，，才是为每个用户在线训练一组个人 LoRA。 。。
但V1 给出了它的第一步验证：在强基座上的少量参数更新，，，可以获得稳固收益。 。。
为LoRA的一连迭代，，，搭一套后训练“系统”
若是要进化到为“一户一LoRA”，，，那么 Mind Lab 必需拥有一套自己的、完善的、稳固的后训练系统。 。。
V1 的背后，，，就有这样一套系统。 。。
在 V1 中，，，只训练 0.53% 参数，，，很容易让人误以为这件事的工程量也只有 0.53%。 。。
现实完全不是。 。。LoRA 省掉的是基座权重的梯度和优化器状态，，，但 744B 模子自己仍然要完整运行。 。。每天生一次谜底、盘算一次奖励、更新一次参数，，，数据都要穿过整台模子。 。。
Agent的长轨迹和模子的 MoE 架构还带来了特殊压力：前者让激活生涯与反向撒播占用大宗显存；；；后者可能由于推理和训练阶段的实现或数值精度差别，，，使统一个 token 在两次盘算中被分配给差别专家，，，这样一来，，，训练时重算的概率就不再对应现实天生轨迹，，，战略梯度也会失真。 。。
Mind Lab 已往八个月的大部分事情，，，着实都在解决这些问题。 。。
2025 年 12 月，，，Mind Lab 先在 Kimi K2 上完成万亿参数 LoRA-RL 实验，，，使用的 GPU 数目约为古板全参数 RL 的 10%；；；2026 年 1 月宣布 MinT，，，把盘算调理、漫衍式训练、模子状态和故障恢复封装成后训练基础设施；；； 2 月提出 Context Learning，，，研究哪些上下文履历值得进入参数；；；4 月完成 GLM-5 和 GLM-5.1 的 LoRA 训练、DSA 与 MTP 适配；；；6 月宣布 Macaron V1 Preview；；；7 月一连果真了 LongStraw、UI4A 等长上下文 RL 和天生式界面事情。 。。
这些看起来相对疏散的项目，，，最后在 Macaron V1 上汇合了。 。。
MinT 治理训练、评测、服务和回滚；；；LongStraw 解决百万 token 级长上下文 RL 的执行问题；；；R3 对齐天生和训练时的 MoE 专家路由；；；MindForge 则把生产情形使用的 Agent Harness 带进强化学习，，，只管阻止模子训练一套、安排以后又换成另一套。 。。
这是一项重大的系统工程。 。。
更新模子的能力，，，正在成为产品
不止Mind Lab，，，Thinking Machines Lab 也在探索相似偏向。 。。
它推出的 Tinker 是一套 LoRA 训练 API。 。？？？？⒄呔鲆槭荨⒔崩脱盗费罚，平台认真算力与漫衍式系统。 。。差别的是，，，TML 首先面向外部研究者和开发者提供通用训练基础设施，，，Mind Lab 则同时运营 Macaron Agent，，，并实验把 Agent 在真实产品中爆发的使命轨迹和用户反馈带回训练循环。 。。
两家公司从差别位置出发，，，得出了相近判断：越来越强的基础模子会成为起点，，，模子宣布后的更新能力会形成新的竞争层。 。。
这条蹊径仍有许多问题需要解决。 。。现实反馈经常延迟、模糊甚至相互冲突，，，模子也可能把无意偏好写成恒久习惯。 。。哪些信息可以进入参数，，，谁拥有删除权限，，，模子学坏以后怎样恢复，，，都需要恒久研究和产品验证。 。。
面向每个用户的一连在线学习仍处于未来阶段。 。。但V1的价值在于，，，把Mind Lab自己所相信的这条手艺蹊径推进成了一套可以训练、评测和运行的工程系统。 。。
若是基础模子会逐渐成为基础设施，，，那么清静、自制、一连地修改这些模子，，，会成为一项自力且主要的能力。 。。
而Mind Lab 想要制造出这种能力。 。。
点个“爱心”，，，再走 吧
