Mind Lab 发布 Macaron-V1：采用 MoL 架构的 748B 模型

中国 AI 实验室 Mind Lab（心洲科技旗下）正式发布大模型 Macaron-V1，采用 Mixture-of-LoRA（MoL）架构，旗舰版总参数达 748B，权重开放并支持私有化部署。该模型在多个代码评测中表现突出，其技术路线与近期业界关注的「万亿参数 LoRA 强化学习」方向一致。

模型规格与 MoL 架构

Macaron-V1 包含两个版本：

• 旗舰版 Venti：748B 参数，由 744B 的 GLM-5.2 基座叠加四个 1B 的 LoRA 适配器组成，原生支持 2M 超长上下文；
• 标准版 Tall：35B 参数，基于 Qwen-3.7 后训练，可在 Mac 本地运行。

核心设计在于「四个 LoRA 分管一摊」：聊天、Agent、编程、生成式 UI 四类能力分别由独立 LoRA 完成训练、评测和回滚，运行时由路由器按任务动态切换，对用户透明。Mind Lab 将其命名为 Mixture-of-LoRA（MoL），核心理念是让不同能力在共享基座之上独立训练、灵活组合、按需调用。

此外，Macaron-V1 采用「模型与 Harness 共设计」，即训练环境与部署环境的工具接口、执行流程保持一致，避免上线后性能损失，并配套 REPL Harness 支持代码组合工具、保存中间状态。

评测表现

根据 Mind Lab 提供的数据：

• SWE-bench Verified：85.6 分，宣称在该榜单排名第一，超过 DeepSeek-V4-Pro（80.6）、MiniMax-M3（80.5）和 Kimi-K2.6（80.2）；
• Deep-SWE（长程软件工程任务）：58.4 分，同一基座 GLM-5.2 得分为 46.2 分，差距约 12 分。

文章同时称 Macaron-V1 在多数任务上已能打平甚至超越 Opus 4.8、GPT-5.5、Gemini 3.1 Pro 等闭源模型，尤其在生活场景、代码与生成式 UI 方向较为突出。以上数据来自厂商自报，尚待第三方独立复现。

万亿参数规模的 LoRA 强化学习

Macaron-V1 的技术难点并非 LoRA 本身，而是「万亿参数级别」的强化学习训练。当 MoE 模型被切片分布到几十张 GPU 上时，训练精度与推理精度的微小偏差会导致梯度漂移，使训练曲线难以收敛。

文章称，全球能在万亿参数规模上跑通 LoRA 强化学习的团队「只有两家」：一家是 Mira Murati 创办的 Thinking Machines Lab，另一家是 Mind Lab。该说法来自厂商陈述，尚未见到独立来源佐证。Mind Lab 表示已于 2025 年 12 月在 Kimi K2（总参 1.04 万亿 MoE）上跑通 LoRA 强化学习，算力约为全参微调的十分之一。

在理念层面，Macaron-V1 与 Richard Sutton、David Silver 等人倡导的「经验时代」相呼应：LoRA 被重新定位为可写入、可回滚、可独立演化的持久状态，用以承载用户偏好、业务逻辑与持续学习成果。Mind Lab 同步推出 MinT 平台，目标是在百万级 LoRA 共享同一万亿参数基座。

团队与商业化进展

Mind Lab 成立于 2025 年 10 月，团队约 30 余人，成员来自 xAI、DeepMind、DeepSeek、字节 Seed、MIT 和清华。2026 年初完成 5000 万美元 A 轮融资，由美团领投，蚂蚁、红杉中国、真格等跟投。

Macaron-V1 于 7 月初开放 API 商业化。Mind Lab 称开放 2 周内即达到 1000 万美元 ARR，并将其描述为「最快实现千万美元 ARR 的模型公司记录之一」。已披露的合作客户包括韶音科技、AI 硬件初创 Odyss 以及某头部手机厂商。API 调用结构上，聊天、Agent 工作流、代码生成各占约 20%–30%，生成式 UI 占剩余部分。

定价方面，旗舰版 6 美元/百万 token、标准版 4 美元/百万 token、极速版 2 美元/百万 token。模型采用开放权重策略，企业可在自有环境中完成私有化部署。