马卡龙的下注：把模型后训练，做成企业服务

马卡龙（准确说叫 Mind Lab）在版本理解上，一直是非常领先的。而今天，马卡龙正式发布了 Mint Recursive：定位面向企业的模型后训练与推理平台，以托管服务的方式提供模型的训练与部署能力

马卡龙作为可能是目前国内最典型的 neo lab，具体是做了这些：

从大模型后训练研究出发，建起 MinT 等底层系统
用这套系统完成 Macaron V1.1 的训练与迭代
现在把内部训练链路整理为 Mint Recursive，对企业开放

至于想法，则是这么一个判断：企业会需要符合自身业务标准、能够持续更新的模型版本，围绕它的训练、部署和迭代，也会成为一项持续服务

因自身需求，而搭起训练底座

要让企业持续训练自己的模型版本，首先得把成本降下来，负担得起

Mind Lab 有一款自己的应用，叫做马卡龙。在最早的时候，Mind Lab 为了能够给用户提供更好的长期记忆能力，便围绕着这个产品进行了一系列的后训练和部署

在 2025 年。Mind Lab 开始在 Kimi K2 等大模型上做后训练，并完成基础设施建设，在 64 张 H800 上运行万亿参数模型 LoRA 强化学习的实践（NVIDIA 还对此有所报道）

在这里面，团队要解决跨 GPU 的分片、通信和显存问题，也要让不同客户的训练任务共享资源而互不干扰。于是，MinT 等底层系统把不同任务的 LoRA、梯度、优化器状态和模型版本隔离管理，同时共享常驻基座与算力

作为结果：在相同资源配置下，三个独立的 Qwen3-4B 强化学习任务从依次执行改为共享并发，总完成时间从约 3081 秒降到 1736 秒，峰值显存不变，通过更高的资源利用率，为小批量 LoRA 训练共享常驻基座、按用量提供服务打下工程基础

训练 Macaron V1.1

Macaron V1.1 这个模型，是以 744B 的 GLM-5.3 为基座后训练而来，为 Chat、Agent、Coding 和生成式 UI 分别训练四个 2B LoRA 专家，最终尺寸为 752B

而在这个训练的过程中，数据、训练、测试、部署连成自动化流程均由 Mint Recursive 所为，并构建了一条模型自迭代的管线：π₀ →〔观测 → 归因 → 干预 → 验证〕ⁿ → πₙ模型分析自己的表现，针对能力缺口合成和筛选数据，发起训练与评估，再根据新结果决定下一轮怎么改，不断轮回

在后训练的过程中，有一项执行的发票核对任务：原邮件金额为 12,340.50 美元，财务负责人随后在 Slack 更正为 11,340.50 美元；旧模型漏读更正，按旧金额入账。模型回看执行轨迹，把失败归为写入前缺少核对。团队先用规则对照测试这个判断，再生成示范“查证更正、写入明细、核对汇总”的训练数据。V1.1 随后找到更正并更新了记录，验证看的是实际入账结果

发票任务中核对 Slack 更正并更新记录的前后对照

这种归因也用在开放任务里。比如在 Chat 模式中，用户已经表示想先待一会儿，模型继续追问，团队就把“及时停止”变成具体的训练目标。生成式 UI 中，供应商对比页面算对了价格，却没让人直接看出低单价与高起订量之间的取舍；模型据此提出补充比较关系更清楚的页面样本，训练后的版本改用并排图表

供应商比较页面的前后对照

在完成一系列后训练后，在同一组 60 题 UI4A 任务里，GLM-5.3 首次交付成功 43 题，Macaron V1.1 成功 58 题。这说明给定任务和评测标准内的首次交付表现有所改善；真实新任务能否持续带来下一版能力，还要继续验证

把内部能力开放

从马卡龙自己的长期记忆需求出发，Mind Lab 已经把评测、数据、后训练和部署接进同一套系统。V1.1 是这套系统最新的一次内部实践；今天发布 Mint Recursive，则是把它整理为企业能直接使用的托管服务

Mind Lab 发现，其他团队也有类似需求：先定义业务 Benchmark，再整理或生成训练数据，发起后训练，对比前后表现，部署新版本，并把线上反馈接入下一轮。Mint Recursive 把这几步留在同一个平台

Mint Recursive 将训练部署、评测环境与数据连接成一套系统

目前平台支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源基座，以及监督微调、强化学习、全参数训练和 LoRA。企业可以通过 API、Python SDK 自己控制数据和训练方法，也可以与 Mind Lab 专家共同训练，或在设定目标、预算和约束后让平台运行迭代。训练记录、模型版本和推理部署留在同一处，便于比较、上线和回退

这里的“拥有”不是说每家企业都要自研基座，而是拥有自己的任务数据、评测标准和基座上的 LoRA 版本，让业务经验在一轮轮训练中沉淀下来