速度成AI时代护城河，垂直专业化更胜一筹

当前主流大模型普遍存在一个核心局限：完成预训练后就进入静态状态，此前学习到的内容无法在后续交互中留存，每一次调用都像是从零开始。无论是个人用户还是企业客户，反复和同一个模型API交互一年，第一千次调用和第一次没有任何区别，模型不会记住历史对话，也不会随着合作加深更理解用户的专属需求。随着Agent技术的普及，这个问题愈发凸显，持续学习已经成为大模型下一个必须突破的关键瓶颈。

「AI现在不缺品位和直觉，它缺的是持续学习的能力。」行业内的这句评价，精准点出了当前大模型的核心痛点。而有一家团队已经在这条赛道上迈出了扎实的步伐，他们推出的Macaron V1，整套架构完全围绕让模型在使用过程中自主学习、迭代升级设计，将理想化的持续学习理念变成了可落地的商业化产品。

静态模型的普遍困境

这种静态调用的模式，在个人使用场景中或许只是略显不便，但在企业级场景中则会带来实实在在的成本损失。科研团队、复杂流程的工业企业，往往掌握着大量专业领域的核心数据，通用大模型很难天然适配这些细分任务的需求。但这些企业又不愿意将核心数据交给第三方基座厂商进行重新训练，既要承担数据泄露的风险，又要支付高额的训练成本，这个市场缺口长期以来都没有得到有效的填补。

聚焦持续学习的技术选择

Mind Lab的核心思路非常直接：大模型不应该是训练完成就定型的静态工具，而应该在实际使用过程中不断学习，越用越贴合用户的专属场景需求。支撑这一思路的核心技术路线是LoRA强化学习，简单来说，这种技术可以用极低的算力成本，实现接近全参数微调的训练效果，无需每次都对整个模型进行全量更新。

这条技术路线并非Mind Lab一家在探索。OpenAI联合创始人、PPO算法的提出者John Schulman，现任Thinking Machines Lab首席科学家，曾在公开文章中指出，在绝大多数后训练场景中，LoRA的样本效率和最终效果与全量微调几乎没有差异，打破了大家对LoRA只是“低成本替代方案”的固有印象，他将这种情况称为“低遗憾区间”，认为其覆盖了绝大多数实际的后训练任务。目前全球顶尖的模型托管平台也都在向这个方向靠拢：Fireworks AI估值175亿美元，支持在单个基座模型上同时挂载数百个LoRA适配器，根据每次请求动态调用；Together AI完成8亿美元C轮融资后，已经将LoRA设为默认的微调方式。全球行业头部玩家的布局，证明了这条技术路线的可行性。

从理念到产品的落地实践

技术理念的可行性只是第一步，将其转化为成熟产品需要扎实的技术积累。Macaron V1采用了Mixture of LoRA架构，基座模型选用GLM-5.2，原生支持200万token的超长上下文。其旗舰版本Venti，基于744B的基座模型，搭配四个独立的10亿参数LoRA专家模块，分别负责对话交互、工具调用、代码生成和界面生成四大场景。

这样的拆分设计有着明确的逻辑：聊天、写代码等不同任务背后的思维模式差异巨大，如果强行将所有能力塞进同一组参数中训练，会出现能力互相干扰的问题，这边能力提升的同时另一边会出现退化。将能力拆分为独立的LoRA模块后，后续如果需要添加新的功能，只需要训练新的LoRA适配器插入即可，完全不需要改动已经训练成熟的模块，这正是持续学习在架构层面的直观体现。

能够将这套架构落地，离不开团队多年的技术积累。2025年12月，团队仅用十分之一的算力就完成了万亿参数模型的强化学习后训练，这项能力当时全球仅有两家团队实现，另一家正是John Schulman所在的Thinking Machines Lab。今年7月推出的LongStraw技术，在固定算力条件下，将强化学习训练的上下文窗口提升到了200万token，解决了此前推理可以支持百万级token、但训练只能卡在二十多万token的行业难题。再加上底层的MinT平台，执行器和学习器之间只传输LoRA适配器，无需搬运整个模型的权重，才能够支撑百万级的适配器目录管理。这些分散的技术成果，最终都服务于持续学习这一核心目标。

另外，国内成熟的开源模型生态也为项目提供了重要的助攻。Macaron-V1-Preview基于GLM-5.1，本次推出的Venti版本采用了最新的GLM-5.2，轻量版Tall则基于通义千问3.6。海外不少团队因为坚持自主开发开源基座，消耗了大量精力，反而拖累了模型能力的提升。而国内的开源模型在近两年已经达到了全球顶尖水平，站在这样的基础上开发LoRA强化学习方案，相当于省去了从零搭建基座的时间，可以将全部精力投入到持续学习的核心研发中。

市场给出的积极反馈

无论技术理念多么先进，最终都需要接受市场的检验。Macaron V1在今年6月底正式发布，7月启动商业化，仅用两周时间就达到了千万美元级的年化营收，成为当前模型API赛道中营收增速最快的企业之一。这个数字本身已经足够亮眼，但更值得关注的是其落地的速度——仅仅两周，就证明了持续学习这条技术路线在商业上是完全可行的，并非停留在论文中的概念。

更重要的是，Mind Lab正在改变大模型的售卖逻辑：客户不再只是购买token调用量，而是同时购买模型在自身专属场景中持续学习和迭代的能力。这恰好解决了文章开头提到的静态模型痛点，将一次性的调用交易，转变为持续升级的长期合作关系。目前团队已经与头部手机厂商、耳机品牌韶音、AI硬件初创公司Odyss建立了合作关系。团队内部曾提到，他们希望让模型训练这件事，最终变得和调用模型一样简单，让会使用token的用户，就能轻松完成模型的定制训练。

行业趋势的印证

提到持续学习，不得不提到强化学习之父Richard Sutton的经典文章《经验时代》，他指出下一阶段AI的能力提升，不会主要依赖于吸收人类已有的标注数据，而是来自智能体在真实环境中的长期行动、反馈和持续学习。这几乎完美契合了Mind Lab的技术路线。有意思的是，近期Richard Sutton也传出了创业的消息，他的新公司Oak Lab，同样聚焦于低成本、高效率的持续学习模型。

一位年近七十的理论奠基人选择在这个时间点入局创业，本身就足以说明问题：静态模型的壁垒正在被打破，持续学习将成为大模型赛道的下一个核心方向。而Mind Lab已经在这条路上跑出了看得见的领先距离。