Mind Lab开源Macaron-V1：用LoRA后训练押注大模型“持续学习”

据36氪报道，中国AI创业团队Mind Lab近期以“Neo Lab”的形象再次进入行业视野，并在上个月发布Macaron-V1-Preview后，于7月21日发布并开源了Macaron-V1正式版。该团队由连续创业者陈锴杰创立，成员来自xAI、DeepMind、DeepSeek、字节跳动Seed、MIT、清华大学等企业与高校。Mind Lab押注的核心方向，是正在被更多前沿研究者和大模型公司讨论的持续学习与后训练：让模型不只是一次性训练完成，而是在使用过程中积累经验、适配任务，并逐步形成更贴近用户和场景的能力。

从Macaron到Macaron-V1：用少量LoRA撬动大模型能力

来源显示，Mind Lab此前推出过Personal Agent应用Macaron，上线当天曾登顶Product Hunt日榜。其最新模型路线则围绕Macaron-V1展开。早先发布的Macaron-V1-Preview基于GLM-5.1，挂载了5个约1B参数规模的LoRA专家模块。尽管只是预览版本，官方称其在多个Benchmark中表现亮眼，甚至在部分测试中超过基座模型GLM-5.1，并领先GPT 5.4、Claude Opus 4.6等模型。

这一结果的关键不在于重新训练一个完整大模型，而是通过MoL（Mixture-of-LoRA）方式做后训练：模型执行不同任务时，系统可按任务类型动态调用最合适的LoRA专家模块；用户长期使用沉淀的数据，也可能进一步形成专属LoRA，并随调用持续更新。对AI产品而言，这意味着模型能力的提升不一定只依赖更大规模预训练，也可以来自更灵活、更低成本的后训练与个性化适配。

正式版双模型：旗舰与本地部署并行

Macaron-V1正式版包含两个版本。旗舰版Venti基于GLM-5.2做后训练，总参数748B，其中744B来自冻结的GLM-5.2基座，4B来自Mind Lab自训的4组约1B LoRA，分别对应Chat、Agent、Coding和生成UI界面四类能力。另一个轻量版Tall面向本地部署，基于Qwen3.6做后训练，总参数50B。来源称，两个版本都原生支持200万token上下文。

从官方Benchmark看，Macaron-V1在12项基准测试中取得6个SOTA，其余成绩也与前沿模型接近。值得注意的是，Mind Lab强调其能力提升主要来自4B规模的LoRA参数，而非改动整个基座模型。这种方式若能稳定复现，将对模型公司、企业AI落地和个人智能体产品产生实际吸引力。

• 技术路线：冻结大基座模型，通过多个LoRA专家模块进行任务级增强。
• 产品方向：面向Agent、代码、对话、UI生成等高频应用场景。
• 部署形态：既有大规模旗舰模型，也提供面向本地运行的轻量版本。
• 商业验证：来源称其商业化启动约2周后ARR达到1000万美元。

影响与解读：持续学习正在成为后训练竞争焦点

持续学习之所以受到关注，是因为传统大模型训练范式存在明显边界：模型完成训练后，参数通常固定，难以自然吸收用户长期使用中的反馈，也难以对复杂场景持续自我修正。来源提到，图灵奖得主、强化学习之父Richard Sutton以及OpenAI前CTO Mira Murati都曾强调类似方向；DeepSeek近期也将持续学习带入更多讨论，认为Agent之后需要解决的重要问题正是持续学习。

从产业角度看，后训练和持续学习可能成为下一阶段衡量模型能力的重要指标。过去行业更关注参数规模、预训练数据和通用榜单成绩；而在Agent和企业应用普及后，模型是否能在特定任务中越用越好、能否保留长期经验、能否在不重训全量模型的情况下快速适配，将直接影响产品体验和商业化效率。

Mind Lab母公司Mindverse（心洲科技）也获得资本持续押注。来源显示，公司成立以来累计融资6000万美元，2026年年初完成由美团战投领投的近5000万美元A轮融资，元禾璞华、韶音科技、变量资本及老股东追加跟投，历史股东包括蚂蚁集团、红杉中国、源一、真格、高榕等。

总体来看，Macaron-V1的意义不只是发布一款新模型，而是把“通过LoRA专家模块实现持续适配”的路线推向更明确的产品化阶段。对于中文AI生态而言，这类探索提供了一个值得观察的方向：未来模型竞争，可能不再只是比谁的底座更大，而是比谁能更快把经验、工具调用和用户场景沉淀为可持续进化的智能能力。