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，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

维度	Macaron V1	GPT 5.5
训练范式	后训练（基于 GLM 5.2）	端到端预训练 + RL
参数效率	仅训练 0.5% 参数（LoRA）	全参数训练
能力扩展	挂载新 LoRA 即可，灵活组合	需重新训练整个模型
架构特色	MoL 多专家隔离，互不干扰	单一模型端到端优化
上下文长度	2M（LongStraw 扩展）	128K-1M
生成速度	320 字/秒	中等
UI 生成	原生支持（UI4A）	不支持
自写工具	原生支持（REPL Harness）	不支持
ChatBench	58.3	55.5
LivingBench	64.0	61.9
PinchBench	94.0	89.0
TerminalBench 2.1	87.6	83.4
UI4ABench	87.8	72.1

Macaron-V1 的应用场景

• 企业级复杂任务处理
  ：Venti 面向高阶场景，提供稳定可靠的推理与执行能力。

• 智能 Agent 开发
  ：支持工具调用、任务规划与动态环境交互，适用于自动化工作流。

• 代码生成与工程化
  ：覆盖代码生成、调试、算法开发及 SWE 任务，TerminalBench 2.1 得分 87.6。

• 交互式 UI 自动生成
  ：通过 UI4A 渲染可交互界面，适用于前端原型与可视化表达。

• 本地轻量部署
  ：Tall 版本低成本、开箱即用，适合个人开发者与边缘设备集成。

Macaron V1 以其创新的 MoL 架构、极低的训练成本、超长上下文和领先的生成速度，为多能力 AI 模型提供了一种高效、灵活的新范式。无论是企业级部署还是个人研发，都能在性能与成本之间找到最佳平衡点。