7 月 21 日，Mind Lab 发布首个正式版本 MoE 模型 Macaron-V1。旗舰版 Venti 参数规模 748B，在 GLM-5.2 基座上叠加 4 个 1B 级 LoRA 专家模块；其长程自主智能体能力已与 GPT-5.5、Claude Opus 4.8 相当，并推动公司在商业化首两周即实现 1000 万美元 ARR。
第三方公开测试集显示，Macaron-V1-Venti 在聊天、编程、智能体、GenUI 四项任务的综合能力均超过其基座模型 GLM-5.2。在 LivingBench 与 PinchBench 等长周期智能体评测中，其能力已与 GPT、Claude 等通用顶尖大模型相当。
注：原图表仅作定性"相当/超过"关系示意，非具体分数排名；Macaron-V1 在智能体、编程的少数测试集中分数略低于 GPT-5.5 与 Claude Opus 4.8。能力边界以官方技术报告为准。
Mind Lab 认为，分水岭不在单点问答，而在长周期、动态环境、持续目标的智能体任务。为此团队自建了两套评测：ChatBench 评估复杂长篇对话能力，Macaron LivingBench 通过数周持续互动评价智能体性能——目前通用基准中尚无专门针对"个人智能"的评分标准。
Macaron-V1 的核心是 Mixture-of-LoRA（MoL）架构：依托 PEFT 范式冻结基座模型，以大量独立 LoRA 适配器作为可更新模块，实现增量式持续学习与多任务协同，解决传统全量微调难以支撑智能体持续演化的痛点。
GLM-5.2 原生能力（IndexCache），参数在训练中不更新，提供通用推理与知识底座。
4 个 1B 级 LoRA 适配器，承载偏好、技能、工具使用习惯与记忆迭代，即插即用拓展新能力。
在这套架构中，LoRA 发挥三方面作用：
论文显示，该方案将算力与通信开销降至传统全参数强化学习方案的约 10%，同时保留对万亿规模基座模型进行适配优化的能力。前 OpenAI CTO Mira Murati 创办的 Thinking Machines Lab 也押注同一路线，认为条件合适时 LoRA 可达到与全参数微调同等的性能水平。
每次更新动全身，成本高、易遗忘旧知识，难以支撑数以百万计的个性化智能体并行迭代。
基座不动、适配器增量沉淀；每个用户专属智能体长期独立进化、互不干扰。
LoRA 路线前景广阔，但全链路落地门槛极高——从大模型 RL 工程、稀疏 MoE 优化，到海量适配器调度、长时序训练、Agent 系统一体化搭建，每一环都需复合型人才与长年积累。Mind Lab 是业内为数不多率先跑通整套闭环的团队。
创始人 Andrew Chen 曾与腾讯首席 AI 科学家姚顺雨联合发表 FireAct 论文，探索以强化学习提升大模型 Agent 能力。Macaron-V1 是其前期所有学术研究与工程成果的集大成。Mind Lab 与 Thinking Machines Lab 也是全球唯二拥有能够同时开机数百个万亿参数大模型强化学习训练基础设施的团队。
商业化数据印证了技术转化效率：6 月完成累计近 5000 万美元融资（投资方含美团、元禾璞华、韶音、变量资本）；7 月开启商业化，两周内即实现 1000 万美元 ARR。团队同时联动字节、英伟达共建 LoRA 训练底座，并与韶音等 AI 硬件企业建立合作。
本篇核心数据（两周 ARR 破千万美元、能力与 GPT-5.5 相当）均为团队单方披露或引自第三方公开测试集，未见独立第三方复测报告。Macaron LivingBench 系 Mind Lab 自建评测，其评分维度与难度设定尚无同行评议。读者宜将"相当"理解为定性对标，而非定量排名。
值得关注的支线：DeepSeek 梁文锋在投资人会议录音中将 AGI 路径描述为"去年 CoT → 今年 Agent → 之后持续学习"，Macaron-V1 的 MoL 架构恰好押注同一节点。前 OpenAI CTO Murati 的 Thinking Machines Lab 也独立押注 LoRA——头部实验室正在收敛到同一技术假设。
Macaron-V1 全系列变体已在 Hugging Face 以开放权重形式发布，可自行拉取体验。
huggingface.co/MindLab → Macaron-V1 集合