Macaron-V1 – MindLab 推出的后训练多能力模型系统

Macaron-V1是什么

Macaron V1 是 MindLab 推出的后训练多能力模型系统，基于 GLM 5.2 基座，通过强化学习对约 0.5% 核心参数进行 LoRA 微调。系统独创 Mixture-of-LoRA（MoL）架构，挂载 Chat、Agent、Coding、UI 四个独立专家，由 Router 按需激活，彻底消除能力干扰。Macaron V1提供旗舰版 Venti与轻量版 Tall，覆盖对话、智能体、编程与交互式 UI 生成，实测生成速度达 320 字/秒。

Macaron-V1的主要功能

• MoL 后训练架构：冻结基座，仅训练 0.5% 核心参数，四个独立 LoRA 专家隔离优化，互不干扰，新增能力只需再挂一个 LoRA。
• 双模型变体：旗舰 Venti（748B，基于 GLM 5.2，原生 1M 上下文扩展至 2M）；轻量 Tall（35B，基于 Qwen 3.6，本地部署优化）。
• 三大配套系统：UI4A通用生成式 UI 架构，渲染交互式视图、REPL Harness持久 Python 环境，模型自写工具并提升为全局工具、MinT自研训练平台，仅传递 Adapter，支持百万级目录与万亿参数。
• 自建评测基准：Macaron ChatBench支持长上下文诚实对齐与 LivingBench动态沙盒环境，验证持续理解与任务重规划。
• 极致生成速度：API 实测 320 字/秒，34.3 秒完成 10,975 字长文。

Macaron-V1的技术原理

• MoL（Mixture-of-LoRA）架构：冻结 GLM 5.2 基座全部权重，仅提取约 0.5% 的核心参数构建四个独立的 LoRA 专家模块，分别专精 Chat、Agent、Coding、UI 四大能力方向。每个专家在隔离的适配空间中独立优化，彻底消除多能力联合训练时常见的”按下葫芦浮起瓢”式相互干扰问题。用户输入经显式 Router Tool 路由至对应专家，实现按需激活与资源高效利用。
• LongStraw 长上下文扩展：基于自研 LongStraw 技术，将 GLM 5.2 原生 1M 上下文窗口扩展至 2M。核心机制是将共享提示词复用为常驻状态，避免长序列中重复计算带来的开销，大幅降低长上下文推理的资源消耗与延迟，使模型在处理超长文档、多轮复杂对话时保持高效稳定。
• MinT 分布式训练平台：MindLab 自研的后训练基础设施，核心设计突破传统分布式训练中 Actor 与 Learner 需传递完整权重的瓶颈，改为仅传递轻量 Adapter。这一设计天然契合 MoL 架构，支持百万级 Adapter 目录管理，端到端可覆盖万亿参数规模模型的强化学习训练，显著降低通信带宽与存储压力。
• 真实环境驱动的奖励函数：区别于依赖人工标注或静态基准的训练范式，Macaron 强调来自真实产品环境的奖励信号。团队自建 Macaron ChatBench 与 LivingBench 两个动态评测基准：前者考察长上下文中的诚实对齐与任务完成能力，后者在包含动态噪声、动态环境与动态用户的沙盒中验证模型的持续理解、信息验证与任务重规划能力，确保模型在真实交互中持续进化。

如何使用Macaron-V1

Macaron V1 处于内测阶段，可通过 macaron 网关 https://mintcn.macaron.xin 调用 API。

Macaron-V1的核心优势

• 能力隔离不互扰：MoL 架构让各专家独立优化，彻底避免多能力混训时的性能此消彼长。
• 极低成本扩展：新增能力仅需挂载新 LoRA，无需重新训练整个模型，灵活组合。
• 超长上下文支持：LongStraw 技术将上下文扩展至 2M，且通过状态复用降低长序列开销。
• 真实环境进化：自建动态评测基准，模型在模拟真实噪声与动态用户的环境中持续迭代。
• 生成速度领先：实测 320 字/秒，远超市面主流模型，首 token 响应后持续稳定输出。

Macaron-V1的同类竞品对比

Macaron-V1的应用场景