Macaron-V1 – MindLab 推出的後訓練多能力模型系統

Macaron-V1是什麼

Macaron V1 是 MindLab 推出的後訓練多能力模型系統，基於 GLM 5.2 基座，通過強化學習對約 0.5% 核心參數進行 LoRA 微調。系統獨創 Mixture-of-LoRA（MoL）架構，掛載 Chat、Agent、Coding、UI 四個獨立專家，由 Router 按需激活，徹底消除能力干擾。Macaron V1提供旗艦版 Venti與輕量版 Tall，覆蓋對話、智能體、編程與交互式 UI 生成，實測生成速度達 320 字/秒。

Macaron-V1的主要功能

• MoL 後訓練架構：凍結基座，僅訓練 0.5% 核心參數，四個獨立 LoRA 專家隔離優化，互不干擾，新增能力只需再掛一個 LoRA。
• 雙模型變體：旗艦 Venti（748B，基於 GLM 5.2，原生 1M 上下文擴展至 2M）；輕量 Tall（35B，基於 Qwen 3.6，本地部署優化）。
• 三大配套系統：UI4A通用生成式 UI 架構，渲染交互式視圖、REPL Harness持久 Python 環境，模型自寫工具並提升爲全局工具、MinT自研訓練平台，僅傳遞 Adapter，支持百萬級目錄與萬億參數。
• 自建評測基準：Macaron ChatBench支持長上下文誠實對齊與 LivingBench動態沙盒環境，驗證持續理解與任務重規劃。
• 極致生成速度：API 實測 320 字/秒，34.3 秒完成 10,975 字長文。

Macaron-V1的技術原理

• MoL（Mixture-of-LoRA）架構：凍結 GLM 5.2 基座全部權重，僅提取約 0.5% 的核心參數構建四個獨立的 LoRA 專家模塊，分別專精 Chat、Agent、Coding、UI 四大能力方向。每個專家在隔離的適配空間中獨立優化，徹底消除多能力聯合訓練時常見的”按下葫蘆浮起瓢”式相互干擾問題。用戶輸入經顯式 Router Tool 路由至對應專家，實現按需激活與資源高效利用。
• LongStraw 長上下文擴展：基於自研 LongStraw 技術，將 GLM 5.2 原生 1M 上下文窗口擴展至 2M。核心機制是將共享提示詞複用爲常駐狀態，避免長序列中重複計算帶來的開銷，大幅降低長上下文推理的資源消耗與延遲，使模型在處理超長文檔、多輪複雜對話時保持高效穩定。
• MinT 分佈式訓練平台：MindLab 自研的後訓練基礎設施，核心設計突破傳統分佈式訓練中 Actor 與 Learner 需傳遞完整權重的瓶頸，改爲僅傳遞輕量 Adapter。這一設計天然契合 MoL 架構，支持百萬級 Adapter 目錄管理，端到端可覆蓋萬億參數規模模型的強化學習訓練，顯著降低通信帶寬與存儲壓力。
• 真實環境驅動的獎勵函數：區別於依賴人工標註或靜態基準的訓練範式，Macaron 強調來自真實產品環境的獎勵信號。團隊自建 Macaron ChatBench 與 LivingBench 兩個動態評測基準：前者考察長上下文中的誠實對齊與任務完成能力，後者在包含動態噪聲、動態環境與動態用戶的沙盒中驗證模型的持續理解、信息驗證與任務重規劃能力，確保模型在真實交互中持續進化。

如何使用Macaron-V1

Macaron V1 處於內測階段，可通過 macaron 網關 https://mintcn.macaron.xin 調用 API。

Macaron-V1的核心優勢

• 能力隔離不互擾：MoL 架構讓各專家獨立優化，徹底避免多能力混訓時的性能此消彼長。
• 極低成本擴展：新增能力僅需掛載新 LoRA，無需重新訓練整個模型，靈活組合。
• 超長上下文支持：LongStraw 技術將上下文擴展至 2M，且通過狀態複用降低長序列開銷。
• 真實環境進化：自建動態評測基準，模型在模擬真實噪聲與動態用戶的環境中持續迭代。
• 生成速度領先：實測 320 字/秒，遠超市面主流模型，首 token 響應後持續穩定輸出。

Macaron-V1的同類競品對比

Macaron-V1的應用場景