2026年7月21日，心洲科技旗下前沿实验室 Mind Lab 正式开源旗舰模型 Macaron-V1，在智谱 GLM-5.2 的千亿参数基座之上，通过 LoRA 插件式架构实现了模型的「持续学习」与「群体智能」。这一做法挑战了行业长期以来的「Scaling Law」信仰，提出了一条不靠堆参数、而靠模型自我迭代成长的新技术路线。在 UI4A 等基准测试中，Macaron-V1 成绩全面超越基座 GLM-5.2，甚至大幅领先 Claude Opus 4.8。

「经验智能机器」：训练结束不该是学习结束

当今大模型的能力基本都是在少数几次集中训练中获得的，训练结束后参数冻结，以固定状态进入部署。然而许多有价值的信息——用户的长期偏好、代码库的独特架构、任务反复失败的原因——都是部署之后才会涌现的。

Mind Lab 提出的「经验智能机器」（Experiential Intelligence Machine）概念的核心理念是：机器应从自己的经历中学习，经验转化为新能力，新能力让它能解决更难的问题，更难的问题又带来更丰富的经验——智能由此成为一个持续生长的过程。

MoL架构：把「持续学习」做成可插拔的模块

Macaron-V1 的核心是 Mixture-of-LoRA（MoL）架构。其设计思路非常直观：技能和思维模式相近的任务归进同一个 LoRA，让它们相互强化；技能差异大的任务分到不同 LoRA，各自独立、互不干扰。

具体到 Macaron-V1 旗舰版 Venti（748B 总参数），它在冻结的 GLM-5.2（744B）基座上搭载了四个 1B 的 LoRA 专家：

• L0 Chat：负责对话与指令遵循

• L1 Agent：负责重度工具使用与长程复杂任务

• L2 Coding：负责代码理解与终端使用

• L3 GenUI：负责生成式 UI 渲染与 UI 驱动操作

新能力以插件式 LoRA 加入，不动摇已有知识，不同来源的专家还能在同一基座上自由组合。MoL 让 LoRA 从微调的「廉价替代品」翻身成为「持久的本地状态」——共享的基座提供通用能力（共性），适配器承载个性化行为（个性）。

群体智能：198个LoRA协作超越单体模型

一旦模型能沿着自身经历持续学习，不同实例就会逐渐走向不同方向。多样性是自我迭代的自然结果，并可能成为智能的新来源。

Mind Lab 的实验给出了有力证据：从相同的 Qwen3-30B 基础模型出发，保持训练目标一致，只改变数据顺序。在 AIME24 上，单个 adapter 准确率是 36.44%；把 198 个不同 adapter 做多数投票，准确率提高到 48.67%；而从同一个 adapter 做相同规模重复采样，最高只到 43.78%。这说明不同学习轨迹带来的差异包含了超出普通采样的互补性——群体不是简单的重复，而是真的更聪明。

在工程侧，Mind Lab 配了两套互补系统：底层是后训练平台 MinT，支持百万规模 Adapter 目录和万亿参数模型训练；上层是 MindForge 强化学习训练框架，通过 Harness Context Protocol（HCP）实现训推一致。

从 Scaling Law 到「经验燃料」

Richard Sutton 与 David Silver 在 2025 年的著名博文中直接把下一个 AI 阶段命名为「经验时代」。Macaron-V1 的实践验证了这条路线：在一个足够强的开源基座之上，用可插拔的 LoRA 承载持续学习，用多个 LoRA 的协作实现群体智能，再用能同时驾驭百万 Adapter 的基础设施把它们撑起来。

Mind Lab 已在 Hugging Face 上发布了 Macaron-V1-Venti、Macaron-V1-Coding-Venti 以及基于 Qwen 3.6 的 Macaron-V1-Tall 三个变体的开放权重，官方托管 API 同日上线。