Marcaron V1：站在 GLM-5.2 肩膀上教 GLM-5.2 做人

作者｜黄小艺
微信｜H997Hbiu

一个应用公司，突然宣布成立 AI Lab，一般有两种结果。

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。

一种是找来训练模型的人，组成新的业务架构，真的去尝试一些实验性的激进的前沿技术路线。

Mind Lab 看起来属于第二种。

2025 年底，个人 Agent Macaron 背后的 AI 公司 Mindverse 宣布成立 Mind Lab，并把它定义成一家 Neo Lab。很多人的第一反应是：怎么Agent 产品公司也要做前沿实验室了？

7 月 22 日，Mind Lab 正式发布并开源 Macaron V1，第一次正面回答了这个问题。

Macaron V1 包括两个版本：旗舰版 Venti（748B）和面向本地部署的 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，分别优化 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，根据 Mind Lab 公布的结果，让 Macaron V1-Venti 在12项评测里全部超过了原始 GLM-5.2，其中7项同时超过 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也能带来前沿模型的性能提升，它也在验证另一件事：模型在发布后，还能通过一组组轻量参数的后训练，持续提升效果。

这刚好撞上了一个突然变热的行业问题：模型如何在进入真实世界后持续学习？

虽然这个话题被提出很久了，但最近，梁文锋把“持续学习”称为继Agent 之后，模型需要突破的下一个问题；Thinking Machines Lab 则用 Inkling 和 Tinker 演示了模型“自己训练自己”并切换新权重的过程，让很多人联想到了它在持续学习领域的潜力。

Mind Lab 想做的也是这件事。V1 的背后，Mind Lab 把 MoL（Mixture-of-LoRA）、近万亿参数模型上的后训练、递归自我改进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。

1

实测：从交互设计到本地执行

在介绍他们在技术上做了哪些有意思的工作前，我们先把玩了一下这个模型。

我们通过 API 给 Macaron V1 -Venti 准备了三项开放测试，分别观察它的 UI4A、前端实现和 Agent 能力，一个核心的感受就是，它执行任务的完整度很高，时间和步骤很长。

实测一：把一段“吃瓜群聊”变成可以玩的界面

第一项测试中，我们让 V1 模拟一个有些诡异的群聊：几个人表面上聊办公室八卦，实际上在生活闲扯里交换暗号，并把整段对话做成 UI4A 界面。

V1 基本理解了“明里吃瓜、暗里对暗号”的双层叙事。它设计了五个群聊成员：有人负责夸张起哄，有人不断追问，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。

它还给页面增加了一个“解密”按钮。普通状态下，用户看到的是一段节奏很快的办公室群聊；点开解密后，与暗号有关的消息会被重新标注，并显示对应解释。

原本只能从头读到尾的一段文字，因此变成了一个交互小品，游戏趣味性很强。

但不足之处是，解密对话的设计不够精巧，比如“今晚八点，老地方”“三个，都穿黑”，并没有真正藏进生活闲聊。

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，要求模型做一个官网页面，包含餐厅介绍、四类菜单、标签筛选、菜品详情和订位流程。

结果是 V1 对主题的理解相当到位，它从 FENNEL 这个名字出发，把茴香和植物线稿变成贯穿页面的视觉元素，菜单则围绕现代欧洲小酒馆展开，使用大幅留白、精细分隔线和克制的酒红色按钮。

页面的交互逻辑也完全成立，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查看配料和推荐酒款；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：在本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海科研潜艇， 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：深色背景、蓝绿色设备灯和暖色舷窗、船体、推进器和外部设备，有明显的电影概念图质感。

整个任务运行了近40分钟，经历了脚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 工程和生成脚本。

这里体现出的能力，是模型能够围绕一个目标持续操作本地环境，在编写代码、运行程序、查看结果和再次修改之间保持任务连续性。

需要说明的是，我们没有使用原始 GLM-5.2 复跑同一组任务，因此这三项测试不能被视为一组严格的 LoRA 增益对照。

但它们至少呈现了 Macaron V1 的能力取向：它擅长把基座已有的文本、代码、工具和视觉能力组织成一条可以交付的行动链。

1

744B 负责能力，4B 负责把能力用对

要理解这种能力从哪里来，就需要回到 Mind Lab 真正训练的 4B 参数。

这 4B 参数采用的 LoRA 技术，在 2021 年就已经被提出，后来又因为 Stable Diffusion 的风格训练被更多人认识。

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模可训练矩阵，用一笔增量修正模型输出。因此，过去它更多被视为全参数后训练的平替方案。

但Mind Lab 想证明的是，它还可以成为前沿模型的正式组成部分。

在Macaron V1 Venti 中，Mind Lab 冻结了 GLM-5.2 的基础权重，并在其上分别训练了四个约 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）。

这么做是因为后训练里的能力并不总能和平共处。

聊天需要自然、连贯，Coding 要求精确、克制；Agent 需要持续调用工具，UI 又要求模型同时理解内容、代码和交互协议。如果所有目标都在一组参数里反复拉扯，一种能力提升，另一种可能就在退化。

MoL 的办法很直接：既然训练目标不同，那就分开练。需要新能力时，不必重新合并整台模型，再挂一组 LoRA 就行。

官方评测结果展示了Macaron V1中，多个LoRA对不同场景的匹配。

以TerminalBench为例，由于GLM-5.2 已经掌握了代码、命令和工具调用，LoRA 只需要把模型偶尔做对的操作变得更加稳定，就能获得明显的提升。

但到了SWE Atlas QnA 的测试中，由于它要求 Agent 进入真实工程仓库，通过代码搜索、运行时分析和跨文件推理回答架构问题，基础模型很难通过一组1B参数迅速补齐，最终这一项只提高了0.6分。

这些结果把 LoRA 的能力边界说得很清楚：它更擅长改变模型调用已有能力的方式，补充基座的短板则要困难得多。

先有足够强的 744B，才有值得训练的 4B LoRA。

1

模型发布以后，“经验”还要继续进入参数

既然 LoRA 这么好用，为什么长期以来，它在很多人眼中只是平替，直到当下这个节点？

一个原因是它要求基础模型本身有相当高的智能水平；另一个原因，和Agent的广泛使用有关。

Agent 长期进入工作和生活后，会反复操作同一套工具、阅读同一个代码库，也会不断犯错并接受纠正。这些预训练无法提前获得的经验信息，会直接影响它下一次能否完成任务。

常见处理方式是把这些信息写进 Memory、Skill、知识库或者系统提示词，需要时重新放回上下文，但这仍然属于外部存储和调用，等到下一次推理时，系统需要重新检索、拼接和读取这些材料，也会继续消耗上下文。

而参数训练带来的改变不一样。

一段经验如果被写进了参数，即使 Prompt 里没有再提起它，模型的行为倾向也会改变。这是“记住”和“每次都被提醒”的区别。

考虑到全参数训练的成本摆在那，不可能为每个用户、每个代码库、每个 Agent 分别训一遍 744B 模型，这个时候，LoRA就为这些经验与习惯类的信息，提供了一条中间路径：成本足够低，可以单独训练、保存、加载、评测和回滚，同时直接参与模型内部计算。

当然，Macaron V1 目前交付的四组 LoRA 仍然属于通用能力模块，覆盖 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，可以获得稳定收益。

1

为LoRA的持续迭代，搭一套后训练“系统”

如果要进化到为“一户一LoRA”，那么 Mind Lab 必须拥有一套自己的、完善的、稳定的后训练系统。

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%。

实际完全不是。LoRA 省掉的是基座权重的梯度和优化器状态，但 744B 模型本身仍然要完整运行。每生成一次答案、计算一次奖励、更新一次参数，数据都要穿过整台模型。

Agent的长轨迹和模型的 MoE 架构还带来了额外压力：前者让激活保存与反向传播占用大量显存；后者可能因为推理和训练阶段的实现或数值精度不同，使同一个 token 在两次计算中被分配给不同专家，这样一来，训练时重算的概率就不再对应实际生成轨迹，策略梯度也会失真。

Mind Lab 过去八个月的大部分工作，其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 数量约为传统全参数 RL 的 10%；2026 年 1 月发布 MinT，把计算调度、分布式训练、模型状态和故障恢复封装成后训练基础设施； 2 月提出 Context Learning，研究哪些上下文经验值得进入参数；4 月完成 GLM-5 和 GLM-5.1 的 LoRA 训练、DSA 与 MTP 适配；6 月发布 Macaron V1 Preview；7 月连续公开了 LongStraw、UI4A 等长上下文 RL 和生成式界面工作。

这些看起来相对分散的项目，最后在 Macaron V1 上汇合了。

MinT 管理训练、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 对齐生成和训练时的 MoE 专家路由；MindForge 则把生产环境使用的 Agent Harness 带进强化学习，尽量避免模型训练一套、部署以后又换成另一套。

这是一项庞大的系统工程。

1

更新模型的能力，正在成为产品

不止Mind Lab，Thinking Machines Lab 也在探索相似方向。

它推出的 Tinker 是一套 LoRA 训练 API。开发者决定数据、奖励和训练循环，平台负责算力与分布式系统。不同的是，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，并尝试把 Agent 在真实产品中产生的任务轨迹和用户反馈带回训练循环。

两家公司从不同位置出发，得出了相近判断：越来越强的基础模型会成为起点，模型发布后的更新能力会形成新的竞争层。

这条路线仍有很多问题需要解决。现实反馈经常延迟、模糊甚至互相冲突，模型也可能把偶然偏好写成长期习惯。哪些信息可以进入参数，谁拥有删除权限，模型学坏以后怎样恢复，都需要长期研究和产品验证。

面向每个用户的持续在线学习仍处于未来阶段。但V1的价值在于，把Mind Lab自己所相信的这条技术路线推进成了一套可以训练、评测和运行的工程系统。

如果基础模型会逐渐成为基础设施，那么安全、便宜、持续地修改这些模型，会成为一项独立且重要的能力。

而Mind Lab 想要制造出这种能力。

点个“爱心”，再走 吧