Mind Lab 釋出 Macaron-V1 模型，兩週 ARR 突破千萬美元

7 月 21 日，AI 團隊 Mind Lab 釋出了其首個正式版 MoE 模型 Macaron-V1，包含 Macaron-V1-Venti 和 Macaron-V1-Tall 兩個版本，均專為 Agent 任務設計。Venti 版為 748B 引數的旗艦模型，由 744B 引數的基礎模型和 4 個 1B 引數的 LoRA 專家模組組成，這也是首個在 GLM-5.2 上進行二次訓練的模型。Tall 版引數規模為 50B，由 35B 引數的基礎模型和 4 個 3.7B 引數的 LoRA 專家模組組成，基於 Qwen 3.6 訓練，適用於本地部署。所有模型變體已在 Hugging Face 的 Macaron-V1 集合中以開放權重發布。

通過引入 LoRA 混合架構，Macaron-V1 系列在聊天、程式設計、智慧體、GenUI 任務上的綜合性能與國際頭部模型相當，尤其在長程自主智慧體任務上表現突出。Mind Lab 認為，未來 AI 的核心在於持續學習與群體智慧兩種能力互補。持續學習通過訓練後的遞迴自我改進機制，使模型能不斷生成經驗並從中學習；群體智慧則依託統一共享的底層基座，實現多款專用模型的高效多智慧體協同作業。模型在“個人智慧”方面的能力被視為關鍵，即需要以單一使用者個體為中心，具備持久身份、長期記憶、持續適應使用者偏好並跟隨使用者演化。為此，Mind Lab 開發了 ChatBench 和 Macaron LivingBench 兩項基準測試，分別評估複雜長篇對話能力和數週互動中的智慧體效能。

Macaron-V1 的核心技術在於 Mixture-of-LoRA 架構，依託 PEFT（引數高效微調）範式凍結基座模型，以大量獨立 LoRA 介面卡作為可更新模組，實現增量式持續學習與多工協同。該方案將算力與通訊開銷降至傳統全引數強化學習方案的約 10%。在此基礎上，Mind Lab 推出了 MindLab Toolkit（MinT），這是一套面向 LoRA 後訓練與線上推理服務的託管式基礎設施系統，能夠管理百萬級 LoRA 策略資源庫，在共享萬億引數級別基座模型的基礎上完成指定版本介面卡的訓練與線上推理。

商業化方面，Mind Lab 於今年 7 月開啟商業化，僅用時兩週，年化經常性收入（ARR）便突破 千萬美元 量級。今年 6 月，該公司完成累計近 5000 萬美元（約合人民幣 3.39 億元）融資，投資方包括美團、元禾璞華、韶音、變數資本等。Mind Lab 還聯動位元組、輝達共建 LoRA 訓練底座，並與韶音、AI 硬體企業等建立合作。團隊創始人 Andrew Chen 早在 2023 年便與現任騰訊首席 AI 科學家的姚順雨聯合發表論文 FireAct，探索以強化學習方式提高大模型 Agent 能力。此後，團隊接連發布專為超長上下文強化學習設計的 LongStraw、Macaron-V1 預覽版、基於 MinT 訓練的 Macaron-A2UI、針對個性化長期記憶微調的 MindClaw 等成果，Macaron-V1 是其前期學術研究與工程成果的集大成之作。

當前，持續學習已成為下一代大模型不可或缺的核心底層能力，而 LoRA 架構為持續學習的工程落地提供了有效技術路徑。全球範圍內，Mind Lab 與 Thinking Machines Lab 是唯二擁有能夠同時開機數百個萬億引數大模型強化學習訓練 Infra 的團隊。Fireworks AI、Together AI 等也押注此路線，但技術成熟度各有不同。Macaron-V1 的釋出標誌著以混合 LoRA 為核心的 PEFT 縮放範式從實驗室理論走向規模化商用，為 AI 產業從單一萬能大模型向無數依附共享基座、擁有獨立記憶與能力的個性化智慧體共生生態拓寬了邊界。