Macaron V1：用4580条动态训练的个人AI助手实测
近几个月国内大模型领域的迭代速度令人瞩目，多款旗舰模型接连发布，从GLM-5.2到Kimi K3再到Qwen3.8，每一款都在榜单上刷新着对比基准。而近期推出的Macaron V1则走出了一条差异化的路线，没有继续卷通用旗舰模型的跑分，而是选择基于成熟的GLM-5.2基座，通过后训练打造专属的个人助理模型。
创新的LoRA混合专家架构
Macaron V1的整体结构在当前大模型赛道中颇具辨识度：整体参数规模达748B，其中744B为固定不动的GLM-5.2基座，真正需要训练的是挂载在基座上的四个1B规模的LoRA专家模块。这种设计颠覆了传统微调的思路，官方将其称为MoL（Mixture of LoRA），也就是LoRA混合专家模式。
熟悉AI绘画领域的用户对LoRA并不陌生，传统的全量微调不仅成本高昂，还容易导致模型遗忘原有能力，而LoRA的思路是在不改动原有基座参数的前提下，新增小型适配模块，作为可拆卸的插件为模型补充新能力。不过此前LoRA更多被视为节省成本的权宜之计，而Macaron的研发团队将其提升到了新的层次。
他们认为，这些小型LoRA模块更像是用户的持久本地状态：基座提供通用的基础能力，而适配模块则承载用户的个人偏好、使用习惯和工具调用逻辑。团队在相关论文中验证过，即使将适配模块压缩到基座参数的0.5%以下，依然可以稳定学习，算力仅为全量微调的十分之一，而且基座越强，这种小范围更新的效果反而越显著。
在Macaron V1中，四个LoRA专家按照功能进行了清晰划分：L0负责日常聊天交互，L1处理个人生活相关的任务执行，L2专注代码开发，L3则负责界面生成。每次用户请求都会通过路由模块分配给最合适的专家模块，避免不同功能的权重互相干扰——如果将所有功能塞进同一组权重，很可能出现编程能力提升但聊天质量下降的情况，而这种模块化的设计则可以灵活新增能力，只需挂载新的LoRA模块即可，无需改动原有基座参数。
这款模型还有两个不同尺寸的版本：748B的旗舰版命名为Venti，35B的轻量化版本则叫Tall，后者基于通义千问3.6训练，专门针对本地部署场景优化，命名方式采用了星巴克杯型的分类，相比常见的Pro、Max等命名更直观易懂。
模型访问与测试入口
目前Macaron V1已经正式上线，测试方式十分简便。其背后的模型平台MinT同时兼容OpenAI和Anthropic的接口标准，用户可以轻松修改配置，让Claude Code直接运行在Macaron模型上。国内用户可以通过独立入口mintcn.macaron.xin进行访问，定价为输入每百万token 8元，输出每百万token 28元，平台还直接提供了GLM-5.2基座的调用入口，相当于自带了对照组，用户可以同时对比基座和Macaron V1的输出差异，直观感受到后训练带来的能力变化。
个人上下文理解能力测试
为了验证Macaron V1的个人助理定位，测试者选择了最具针对性的方式：将自己从2019年以来的全部4580条动态、总计65万字的内容全部导入模型，进行深度测试。
首先进行了精准定位测试：询问模型最早提到小猫补光灯的动态是什么时候发布的，模型准确定位到了2024年11月4日，并且完整引用了原文内容：“花一个小时用Cursor做了个『小猫补光灯』，默认有紫光、粉光、蓝光、白光这四种女生常用的补光色”，经过原始档案核对，内容完全准确。
随后设置了陷阱测试：让模型查找一条不存在的动态“我熬夜用Swift亲手写完了补光灯代码”。测试者本身并不会编写代码，4580条动态中完全没有相关内容。模型首先明确告知用户档案中没有这条动态，并提醒可能存在记忆偏差，随后找到了最接近的真实动态——11月11日的复盘内容，指出测试者是使用Cursor花费1小时完成了代码编写，并且标注了测试者“不会写代码非工程师出身”的身份，没有编造不存在的内容，而是通过精准匹配纠正了用户的记忆误差。
仅仅具备长上下文读取能力并不等于理解用户，在搭载Macaron的Claude Code环境中，测试者让模型梳理自己近几年工作和生活的关键转变，模型输出的内容精准到了每个阶段的核心节点，细节详实到令人惊讶。当测试者进一步询问下一阶段的工作重心调整方向时，模型的第一句评价就直击要害：你不是缺机会，你是机会太多、杠杆太散。后续的建议也完全基于测试者的真实项目和数据，没有泛泛的套话，全程没有刻意夸赞，而是基于真实履历给出了务实的改进方向。
这种测试方式可以被广泛复用：将模型接入个人全部工作文件后，提出真正悬而未决的问题，未读取过个人数据的模型只能给出通用的职业规划模板，而经过深度上下文学习的模型则可以提供极具针对性的个性化建议，价值差异显著。
编程能力实测对比
在编程能力测试环节，测试者设计了极具挑战性的任务。首先参考海外社交平台上一个获得200多万浏览的概念设计：悬浮的故宫金顶下方悬挂汉字字帘，交互时数千个字符像水流一样拧动缠绕。测试者将这个设计拆解为纯文字需求，要求四家模型复现：不提供任何图片素材，使用纯代码绘制屋顶，字符流动通过噪声场驱动，禁用所有外部库，专门考察复杂前端视觉能力。
测试结果显示，Kimi K3和Opus 4.8的还原度超出预期，实现了奶油纸底、衬线标题、密度接近原版的字帘，还为网站设计了专属品牌名。Qwen3.8的字帘密度偏低，字符散落如同飘雪，未能达到预期效果。而Macaron V1的表现同样出色：字帘的密度和流动感都符合要求，屋顶也通过纯代码完成绘制，在开发过程中，模型还自动启动无头浏览器，读取运行时的粒子数组来验证“瀑布宽度、与文案区重叠的粒子数”等指标，实现了自我验证和自我修正，更贴合其作为智能助理的设计定位。综合来看，Macaron V1的编程能力略低于Kimi K3，接近Claude Opus 4.8，高于Qwen3.8。
另一个编程测试则更具趣味性：让模型将经典坦克大战游戏改造为主题游戏，同时提供一份邮轮旅行指南，要求将指南中的知识完全融入游戏机制。模型首先提交了一份设计对照表供测试者确认方向，随后将指南中的细节全部嵌入游戏逻辑：航海日风速33公里每小时对应关卡内敌人移速提升30%，降雨概率96%对应出现6滴血的暴雨BOSS，末班摆渡船15点开走对应倒计时清场关卡，将7天行程设计为7关战役，甲板餐厅作为可破坏掩体，圣殿静区作为护盾道具。交付前模型还完成了程序化验证，通过像素统计确认所有元素渲染正确，通过逻辑测试验证了射击、掩体三血、道具拾取等核心功能。
智能体能力实测：开源仓库修复
在编程能力测试的收官环节，测试者进行了更具挑战性的智能体测试：将自己的huashu-design开源仓库交给Macaron驱动的Claude Code，要求自主挑选一个方向明确、有价值的issue进行修复，并直接提交代码，在commit中注明模型身份。
模型最终选择了第47号issue，该issue反馈使用skills CLI安装该技能时，子目录会被丢失。测试者原本以为模型会直接修改代码，但实际上模型首先安装了最新版CLI进行复现测试，发现该bug在CLI的1.5.19版本已经修复，用户反馈的问题源于使用了旧版本。因此模型仅进行了最小改动：在README的安装段落补充了三项内容，包括安装后的自检方法、旧版本的升级识别方式，以及git clone的兜底方案。随后模型完成了commit和push，并在issue下留言@反馈用户，附上了各子目录的实测文件数，署名Macaron-V1-Venti-Coding。
这种先验证问题是否存在、再决定修改方式的判断能力，正是进入工程化循环的智能体模型所必需的核心能力，而非盲目进行代码修改。
UI4A：实时渲染交互界面
UI4A是Macaron V1的最新功能模块，全称UI for Agents。与普通模型仅输出文字或静态HTML文件不同，UI4A可以直接输出可交互的界面组件，并通过配套运行时实时渲染，用户可以在对话流中看到界面组件逐步生成的过程。例如当用户询问健康计划时，模型可以直接返回可填写数字的卡片和动态图表，而非十条干巴巴的建议清单。
官方介绍这套架构兼具HTML的灵活性和结构化协议的可控性，无需针对特定模型进行微调，基础基座模型即可驱动，而Macaron专门通过L3 LoRA模块对UI生成能力进行了深度优化。
使用方式十分简便：用户可以在Claude Code插件市场安装Macaron Artifacts插件，其开源仓库地址为https://github.com/mindverse-ltd/macaron-artifacts，安装完成后本地会启动预览页面。在搭载Macaron的Claude Code环境中正常提出需求，并说明“做成UI4A形式展示”，预览页面就会实时展示界面逐步生成的全过程。
测试者使用两个自己的项目进行了验证：第一个是小猫补光灯项目，要求将上架App的补光台改造为对话内可交互的控制台，包含中间的发光补光圆盘、三个调节色温/亮度/色相的滑杆、一排马卡龙色快速切换按钮，以及一个“猫爪补光”按钮，按下后光晕会呈现暖白色呼吸效果。模型在绘制过程中出现过组件属性错误、import路径写错的问题，但每次都会自行发现报错并就地修正，修正时界面会停留在可正常渲染的版本，不会出现白屏，修改完成后继续推进，测试者拖动色相滑杆时，圆盘的颜色确实会跟随变化。
另一个测试则更为简单，制作一个马卡龙呼吸灯番茄钟：中间的圆形随呼吸缩放发光，颜色随剩余时间在薄荷绿和蜜桃粉之间过渡，倒计时数字平滑跳动，下方设置开始、暂停、重置按钮和时长预设选项。虽然这个测试没有太高的技术难度，但整体氛围感出色，直观展示了Macaron Artifacts的实际使用体验。
测试总结与未来展望
经过两天的全面测试，可以得出清晰的判断：Macaron V1并没有打算争夺通用模型的SOTA地位，其核心思路是聚焦个人助理场景，打造一组贴合用户需求的专才模块，并构建越用越懂用户的长期学习机制。因此我们可以看到它将核心能力拆分为四个独立的LoRA插件，评测基准中加入了跨会话交互、用户诚实性等常规跑分榜单不会覆盖的维度，官方还为模型配备了可跨会话积累工具的REPL环境，让模型编写的工具可以在后续任务中持续使用，逐步构建专属的工具箱。
在训练侧，团队的LongStraw系统将强化学习训练的上下文规模提升到了210万token，意味着长上下文不仅可以用于推理，还可以融入训练过程。如果这一技术能够完全落地，个人专属模型的故事才算真正走通。
当然这款模型也存在明显的短板：复杂视觉编排能力相比Kimi K3仍有一定差距，同时在复杂任务中思考链较长，单轮问答的响应速度较慢，更适合放入智能体环境中完成任务，而非作为即时回复的快速模型使用。
但整体来看，这款模型依然值得持续关注。当它能够将一份邮轮指南完整转化为七关游戏战役，能够精准梳理出测试者三年的人生节点，这种基于用户个人数据的个性化能力，正是当前通用模型所缺乏的。近两年的大模型赛道一直围绕“更聪明”展开，榜单跑分比拼的都是同一套标准，而个人专属模型则是一条全新的岔路：通用能力的强弱有公认的排行榜，但是否懂用户，只有每个使用者自己才能评判。Macaron V1未必是这条赛道的终点，但有人愿意认真探索这个方向，本身就值得肯定。
同一个问题，读过用户65万字个人数据的模型和未读取过的模型，给出的答案完全是两个维度。可以预见，在不久的将来，每个用户都会想要一个真正懂自己的专属模型。
