Mind Lab发布Macaron-V1 两周ARR破千万美元踩中AGI关键拐点|lab|基座|大模型|大语言模型|适配器

上周WAIC的闭门分享上，Mind Lab创始人扔出来一组数据，当场给圈内人整懵了。7月份才开商业化，刚半个月，年化经常性收入就干到了千万美元。能打出来这份成绩的，就是刚发布的Macaron-V1正式版。这可不是那种堆参数凑出来的网红大模型，它踩中的，是全行业找疯了的AGI落地台阶。

就在同一周，DeepSeek老板梁文锋在投资人闭门会上，把AGI落地的路线掰得明明白白。去年行业核心台阶是CoT思维链，今年是Agent，接下来最难啃的骨头，就是持续学习。这个判断直接戳中了现在大模型圈所有人的痛处。

现在市面上绝大多数通用大模型，本质还是“训练一次就定型的静态工具”。接个新任务，得人工把全部上下文补一遍，只要超出训练数据的范围，出错概率直接飙升。根本做不到像人一样，在长期互动里慢慢攒经验改习惯。

不少人之前觉得，把参数堆到万亿级别，自然就能解锁持续学习能力。现实给了所有人一巴掌，全参数微调的成本高到离谱，早就把九成九的团队拦在门外了。哪怕是顶流大厂，也扛不住每更新一次用户个性化技能，就重训几十万亿参数的开销。

现在AI应用从静态问答往长程自主智能体转，比拼的早就不是单次跑分成绩了。核心比的是系统的长期演化能力。这个行业拐点，来的比绝大多数人预想的都要快。

之前大伙讨论的还是“大模型能不能做好单轮推理”，现在行业隐性门槛已经悄悄抬上去了。现在比的是，能不能让模型在不破坏原有知识的前提下，一直沉淀新技能，适配不同用户的需求。这块刚好是很多团队跨不过去的坎。

很多人对LoRA的固有印象，还停留在“小团队省算力的平替方案”，说白了就是凑活用的没办法。Mind Lab用Macaron-V1直接打翻了这套固有认知，LoRA根本不是妥协，反而是实现持续学习的最优解。

Macaron-V1一共做了两个差异化版本，748B参数的旗舰版Venti，是基于GLM-5.2二次训练来的。50B参数的Tall，基于Qwen 3.6训练，专门适配本地部署。两个版本都用了冻结基座加4个独立LoRA专家模块的混合架构，把聊天、编程、智能体、GenUI四类任务的能力完全拆开了。

这种设计带来的改变真的是颠覆性的。之前用全参数微调，你给模型加了新的编程技能，很可能就把之前学会的长文本对话逻辑给覆盖了。不同任务的优化方向经常互相打架，哪边都做不好。现在所有新增技能、用户偏好、长期记忆，全都存在独立的LoRA适配器里，基座模型的核心能力一点都不会被改动。

更爽的是这套架构的成本优势真的实打实。在Kimi K2系统里，这套方案把强化学习的算力和通信开销，直接降到了传统全参数微调的10%。同时还能保留对万亿规模基座模型的优化能力。前OpenAI CTO Mira Murati创办的Thinking Machines Lab，现在也全力押注同一条路线，还通过信息论推导验证了，LoRA完全能达到全参数微调的同等性能。

为了跑通整套流程，Mind Lab还搭出来一个托管式基础设施系统叫MinT。这个系统能同时管理百万级的独立LoRA策略资源库，共享万亿参数基座的前提下，就能完成任意指定适配器的训练和在线推理。刚好补上了行业之前缺的最后一块拼图，不动基座，就能让百万用户的专属智能体各自独立迭代，互不干扰。

很多技术团队能做出好看的Demo，偏偏就卡在商业化落地的最后一公里走不出来。Mind Lab开商业化才两周就摸到千万美元ARR的门槛，核心就是踩中了国内开源模型生态的独特红利。这条路子选得太聪明了。

团队没有从零开始硬堆基座模型，而是站在GLM、Qwen这些国内顶尖开源基座的肩膀上做二次开发。把最金贵的研发资源，全砸在了LoRA混合架构、持续学习工程体系这些增量环节上。这种“基座共享、能力增量”的开发模式，直接把研发周期压缩了一大半。

从2023年联合提出FireAct框架，到后来推出专为超长上下文强化学习设计的LongStraw，再到Macaron系列模型一步步迭代，Mind Lab用两年多的技术积累攒出了完整的工程闭环。放眼全球，能同时调度数百个万亿参数大模型做强化学习训练的基础设施团队，目前也就Mind Lab和Thinking Machines Lab两家。这个实力确实够能打。

Mind Lab累计拿到了5000万美元融资，背后还有美团、韶音这些产业投资方入局。这也意味着，这套技术已经从实验室走出来，落地到真实的产业场景了。不管是智能硬件的个性化语音助手，还是企业内部的专属智能体集群，都能直接基于这套架构快速搭建，完全不用从零开始重训大模型。

现在整个行业的新产业链已经越来越清晰了，通用大模型基座做底层共享，LoRA适配器承载个性化能力，持续学习系统负责长期迭代。之前大伙想的是“全世界跑一个万能大模型”，现在这条新路径给出了更务实的答案。无数个依附共享基座、拥有独立记忆和专属技能的个性化智能体，才是AI落地的终局形态。