Mind Lab 发布 Macaron-V1 模型，两周 ARR 突破千万美元

7 月 21 日，AI 团队 Mind Lab 发布了其首个正式版 MoE 模型 Macaron-V1，包含 Macaron-V1-Venti 和 Macaron-V1-Tall 两个版本，均专为 Agent 任务设计。Venti 版为 748B 参数的旗舰模型，由 744B 参数的基础模型和 4 个 1B 参数的 LoRA 专家模块组成，这也是首个在 GLM-5.2 上进行二次训练的模型。Tall 版参数规模为 50B，由 35B 参数的基础模型和 4 个 3.7B 参数的 LoRA 专家模块组成，基于 Qwen 3.6 训练，适用于本地部署。所有模型变体已在 Hugging Face 的 Macaron-V1 集合中以开放权重发布。

通过引入 LoRA 混合架构，Macaron-V1 系列在聊天、编程、智能体、GenUI 任务上的综合性能与国际头部模型相当，尤其在长程自主智能体任务上表现突出。Mind Lab 认为，未来 AI 的核心在于持续学习与群体智能两种能力互补。持续学习通过训练后的递归自我改进机制，使模型能不断生成经验并从中学习；群体智能则依托统一共享的底层基座，实现多款专用模型的高效多智能体协同作业。模型在“个人智能”方面的能力被视为关键，即需要以单一用户个体为中心，具备持久身份、长期记忆、持续适应用户偏好并跟随用户演化。为此，Mind Lab 开发了 ChatBench 和 Macaron LivingBench 两项基准测试，分别评估复杂长篇对话能力和数周互动中的智能体性能。

Macaron-V1 的核心技术在于 Mixture-of-LoRA 架构，依托 PEFT（参数高效微调）范式冻结基座模型，以大量独立 LoRA 适配器作为可更新模块，实现增量式持续学习与多任务协同。该方案将算力与通信开销降至传统全参数强化学习方案的约 10%。在此基础上，Mind Lab 推出了 MindLab Toolkit（MinT），这是一套面向 LoRA 后训练与在线推理服务的托管式基础设施系统，能够管理百万级 LoRA 策略资源库，在共享万亿参数级别基座模型的基础上完成指定版本适配器的训练与在线推理。

商业化方面，Mind Lab 于今年 7 月开启商业化，仅用时两周，年化经常性收入（ARR）便突破 千万美元 量级。今年 6 月，该公司完成累计近 5000 万美元（约合人民币 3.39 亿元）融资，投资方包括美团、元禾璞华、韶音、变量资本等。Mind Lab 还联动字节、英伟达共建 LoRA 训练底座，并与韶音、AI 硬件企业等建立合作。团队创始人 Andrew Chen 早在 2023 年便与现任腾讯首席 AI 科学家的姚顺雨联合发表论文 FireAct，探索以强化学习方式提高大模型 Agent 能力。此后，团队接连发布专为超长上下文强化学习设计的 LongStraw、Macaron-V1 预览版、基于 MinT 训练的 Macaron-A2UI、针对个性化长期记忆微调的 MindClaw 等成果，Macaron-V1 是其前期学术研究与工程成果的集大成之作。

当前，持续学习已成为下一代大模型不可或缺的核心底层能力，而 LoRA 架构为持续学习的工程落地提供了有效技术路径。全球范围内，Mind Lab 与 Thinking Machines Lab 是唯二拥有能够同时开机数百个万亿参数大模型强化学习训练 Infra 的团队。Fireworks AI、Together AI 等也押注此路线，但技术成熟度各有不同。Macaron-V1 的发布标志着以混合 LoRA 为核心的 PEFT 缩放范式从实验室理论走向规模化商用，为 AI 产业从单一万能大模型向无数依附共享基座、拥有独立记忆与能力的个性化智能体共生生态拓宽了边界。