Mind Lab 推后训练平台 Mint Recursive，752B 模型两周迭代一次

围绕开源大模型的第三方后训练平台，正在成为 AI 行业新的竞争焦点。海外已有 Thinking Machines Lab 的 Tinker、Fireworks、Together AI、Prime Intellect 等多家公司入局，而国内专门做这一方向的独立平台并不多。近期，Mind Lab 发布了其面向企业的后训练与推理平台 Mint Recursive，并同步推出基于 GLM-5.3 的 Macaron V1.1 模型，试图切入这一赛道。

模型与基准表现

Macaron V1.1 是一款 752B 参数的模型，由 GLM-5.3 的 744B 基础权重与四组各约 2B 的 LoRA 组成，分别承担 Chat、Agent、Coding 与生成式 UI 四类任务。Mind Lab 公布的测试结果显示，V1.1 在全部 7 项评测中得分超过原始 GLM-5.3，并在第三方榜单 DeepSWE v1.1、SWE-Marathon、AutomationBench 上追平或超越 Opus 5。

在长程 Coding 任务中，V1.1 将 SWE 轨迹标准化为复现、定位、编辑、验证、恢复五个阶段，减少了低相关度探索轮次，从而以更少的步骤与 Token 完成同一任务。在复杂办公场景中，V1.1 强化了工具调用的安全边界，要求模型不仅懂得如何调用工具，也要知道何时不应动手，避免越出用户意图与授权范围。

平台机制

Mint Recursive 将一次模型更新拆解为评测、数据准备、训练、复测与部署几个环节，让后训练沿可复用的流程反复进行。

• 建立 Benchmark：企业先基于自身业务定义任务与标准，平台让基座模型跑一轮评测并保存失败轨迹。
• 数据准备：可使用既有数据，也可根据失败轨迹构造新样本。
• 训练方法：支持 SFT、DPO 与强化学习，提供 LoRA 与全参数更新两种规模选择。
• 复测与部署：新版本可直接上线，回归同一 Benchmark 检验，生产环境中暴露的问题还能回流为下一轮训练材料。

平台支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源模型系列，并提供 FDE 专家共同训练、平台自动化训练与企业自主训练三种合作方式。

商业化与教育路径

Mint Recursive 将价值拆为四个层次：低门槛、高性价比、可持续迭代与高自由度。

• 低门槛：金融、AI for Science、医疗等 AI 化程度较高的行业，已积累内部题库与业务规则，可直接作为 Benchmark 起点。
• 高性价比：专项模型训练服务最低 1000 美元起；不同 LoRA 可共享同一常驻基座，训练与部署按使用量计费。
• 可持续迭代：每个 LoRA 可单独训练、评测、上线与撤回；旧 LoRA 可能随基座升级过期，但企业的评测与数据资产可以延续。
• 高自由度：支持全参数训练与自定义 Loss，可通过 Python SDK 将 verl、TRL、OpenRLHF 或 PyTorch 训练代码迁移进来。

平台背后是 Mind Lab 自 2025 年起在 Kimi K2 等万亿参数模型上积累的 Infra 能力，包括超大模型在大量 GPU 上的拆分训练、生成与训练路径一致的异步训练、LoRA 热更新等，相关能力已接入 Megatron-Bridge、VERL、AReaL 等主流生态。

从应用到实验室再到企业服务

Mind Lab 的前身团队最初以个人 Agent 产品 Macaron 起家，关注个人记忆与个性化服务；之后成立实验室，训练自有模型 Macaron V1；如今又把训练模型的系统打包为 Mint Recursive，开始对外服务企业客户。

服务自身产品与服务外部企业是两件不同的事。做 Macaron 时，团队清楚目标并能持续调整方案；面对企业客户，任务、数据、预算都在变化，客户也可能尚未明确希望模型达成什么效果。能否用同一套能力稳定解决他人问题，将决定 Mint Recursive 能走多远。