梁文鋒押注的方向，中國00後團隊先交卷了，性能直逼Opus 4.8

# 梁文鋒押注的方向，中國00後團隊先交卷了，性能直逼Opus 4.8

上週，AI圈接連發生兩件大事，揭開了一個關鍵賽道的序幕。7月15日，前OpenAI CTO Mira Murati在舊金山正式發布了Thinking Machines Lab的首個模型Inkling，這款975B參數的模型耗資20億美元，由100人精英團隊打造。幾乎同一時間，太平洋這一頭，一家成立不到一年的中國實驗室——Mind Lab，低調推出了自己的第一款作品Macaron-V1。748B參數，性能在多項評測中直逼甚至超越Opus 4.8、GPT-5.5和Gemini 3.1 Pro。這條路，正是DeepSeek創始人梁文鋒反覆強調的「下一代模型必須邁過的臺階」——持續學習。 ## 持續學習：圖靈獎得主與中國創業者的共識

強化學習之父、2024年圖靈獎得主Richard Sutton，年近七十宣布創辦Oak Lab時直言：「當前的深度學習方法是脆弱且低效的，需要的不是修修補補，而是從根基上重新來過。」梁文鋒的判斷如出一轍。他把AI發展比作一級級臺階：語言模型、CoT、Agent……而Agent之後，下一個必須邁過的臺階就是持續學習。他認為，下一代模型的核心能力必須是持續學習，如果先把持續學習做出來，通用智能可能就很容易了。當一條技術路線同時被圖靈獎得主、硅谷最受關注的AI創業公司和中國最具創新力的大模型創始人押注，風向已經明朗。 ## Mind Lab：30人團隊，5000萬美元的「輕騎兵」

Mind Lab成立於2025年10月，是Mindverse（心洲科技）旗下的前沿研究實驗室。整個團隊三十多人，成員來自xAI、DeepMind、DeepSeek、字節Seed、MIT和清華。年初完成5000萬美元A輪融資，美團領投，螞蟻、紅杉中國、真格等跟投。與硅谷同行動輒數十億美元的燒錢規模相比，這支由95後、00後唱主角的團隊，顯得格外輕巧。 ## Macaron-V1：四個LoRA各管一攤，拆出高效能

Macaron-V1分兩個版本：旗艦版Venti，748B參數，由744B的GLM-5.2基座加四個1B的LoRA組成，原生支援2M超長上下文；標準版Tall，35B參數，基於Qwen-3.7後訓練，Mac上就能跑。關鍵在於那四個LoRA。傳統上，LoRA被視為全參微調的「窮人版替身」——省錢，但打折。Mind Lab重新定義了它：基座模型承載「共性」，LoRA承載「個性」。聊天需要自然共情，編程需要嚴格精確，Agent需要多步規劃，生成式UI需要設計交互——擠在一套參數裡訓練會互相打架。

Macaron-V1的做法是拆成四個獨立LoRA，分別管聊天、Agent、編程、GenUI，各自訓練、各自評測、各自回滾。運行時由路由器動態切換，對用戶完全透明。這套架構正式名稱為Mixture-of-LoRA（MoL），讓一群專才在共享基座上協同作戰。## 硬核性能：登頂SWE-bench，碾壓同儕

評測結果令人矚目。在業界公認最硬的代碼能力評測SWE-bench Verified上，Macaron-V1-Venti以85.6分登頂第一，甩開第二名3分，將DeepSeek-V4-Pro（80.6）、MiniMax-M3（80.5）、Kimi-K2.6（80.2）全部壓在身後。在專測長程複雜軟件工程任務的Deep-SWE上，Venti拿下58.4分，而其基座模型GLM-5.2僅為46.2分——同一個底座，經過LoRA強化學習後訓練，直接高出12個點。此外，在生活場景、生成式UI等方向，Macaron-V1也表現突出。更重要的是開放權重與可私有化部署，數據無需離開客戶服務器。 ## 「全球唯二」的萬億參數LoRA強化學習能力

你可能會說：LoRA微調有什麼了不起？滿大街都是。但關鍵在規模。30B模型做LoRA強化學習，很多團隊能做到；參數量上到萬億級別，難度指數級上升。核心難點是訓推不一致：強化學習需要一邊訓練一邊推理收集反饋，萬億參數的MoE模型切片分佈到幾十張GPU上時，訓練精度和推理精度稍有偏差，梯度就會漂移，訓練曲線直接不收斂。全球能在萬億參數規模上跑通LoRA強化學習的團隊，只有兩家——一家是Mira Murati的Thinking Machines Lab，另一家就是Mind Lab。2025年12月，Mind Lab在總參1.

04萬億的超大稀疏MoE模型Kimi K2上成功跑通，算力僅為全參微調的十分之一，訓練曲線穩定收斂。本月的LongStraw，又在固定GPU算力下將強化學習後訓練推進到2M上下文。Macaron-V1，正是這些積累的集中亮相。## 底座策略：硅谷花20億做底座，它花十分之一站在巨人肩上

這是一場極具反差感的對比。TML因為種種原因選擇從零訓基座，Inkling參數高達975B，訓練數據達45萬億token，但Murati本人也承認「這不是目前最強的模型」。評測顯示，Inkling明顯弱於GLM、Kimi等中國開源模型。從零做底座消耗了大量精力和算力。Mind Lab反其道而行——它不自己訓底座，而是直接站在中國開源模型生態的肩膀上。Kimi K2驗證萬億參數LoRA RL、V1-Preview基於GLM-5.1、正式版Venti用GLM-5.2、Tall用Qwen-3.7，每次基座升級，後訓練的起跑線就高一層。

中國開源模型已接近全球SOTA水平，Mind Lab只需在接近天花板的底座上，通過LoRA強化學習將關鍵能力推向真正的SOTA。你不必自己種麥子，就能烤出最好的麵包。TML用20億美元、100人團隊、英偉達千兆瓦級算力合作，換來的能力仍落後於GLM-5.2；Mind Lab三十多人、不到5000萬美元，在Chat、Agent、Coding等多個維度做出了更強的模型。在LoRA強化學習這件事上，Mind Lab可能是全球投入產出比最高的團隊。## 從「凍結模型」到「經驗智能」，持續學習破局

Mind Lab的終極目標是打破大模型的根本矛盾：訓完了就凍住了。今天，一個用戶糾正同一個錯誤十次，下次模型還得重讀聊天記錄；一個Coding Agent在同一個代碼庫反覆失敗，失敗不會變成新能力。模型每天處理海量任務，但經驗全部流失。Mind Lab要造一臺「經驗智能機器」——模型離開實驗室後，仍在真實世界裡持續學習。經驗變成新能力，新能力讓它解決更難的問題，更難的問題又帶來更豐富的經驗。智能不再是訓練的結果，而成為持續生長的過程。LoRA在這裡不再是「省錢工具」，而是可寫入、可回滾、可獨立演化的持久狀態。基座承載通用知識，LoRA承載用戶偏好、代碼風格、業務邏輯。實驗證明，輕量適配模塊壓縮到基模參數的0.5%以下仍然穩定可靠——基座越強，小規模更新反而越有效。 ## 群體智能：第三條Scaling曲線

持續學習只是故事的一半。Macaron-V1體現的第二個核心理念更具顛覆性——群體智能。每個模型沿著自身經歷持續學習，不同實例走向不同方向。從相同的Qwen3-30B基座出發，訓練目標和算法完全一致，只改變數據順序與masking，單個adapter在AIME24上準確率為36.44%，而198個不同adapter做多數投票，準確率提升至48.67%。不同「經歷」帶來了單個模型給不出的互補性。

Andrew在WAIC將這稱為第三條Scaling曲線：第一條是GPT-3式的Scale Parameters，第二條是DeepSeek R1式的Scale Thinking Tokens，第三條是Scale Number of Models——更多模型之間的協作帶來更高智能上限。Mind Lab自研的MinT平臺已建立百萬級可尋址LoRA目錄，100萬個LoRA共享同一個萬億參數基座。這不是100萬個小模型，而是100萬個一萬億參數的大模型。人與人共享99%以上的基因組，但幾乎相同的生物基礎沒有造就相同的心智——正是智能的多樣性與協作，帶來了人類文明最偉大的成就。

## 商業化驗證：2周1000萬美金ARR

技術路線再漂亮，市場不買單就只是PPT。Mind Lab於7月初開放API商業化，2周內達到1000萬美金ARR，很可能是所有模型公司從第一個模型發布開始，最快實現千萬美金ARR的記錄。這說明它解決的是真問題、痛問題。Mind Lab賣的不只是Token，而是模型在自身場景中持續學習和迭代的能力。手機廠商將產品知識訓進專屬LoRA，耳機公司將交互偏好寫入模型狀態——核心數據不必交給基模公司重訓，客戶自己掌握控制權。韶音科技、AI硬件初創Odyss、某頭部手機廠商已進入合作名單。API調用結構也均衡：20%聊天，30%Agent工作流，30%代碼生成，剩餘來自GenUI。

旗艦版6美元/百萬token，標準版4美元，極速版2美元。Mind Lab的願景是：會用Token，就能訓Token。訓練模型這件事，最終要像調用模型一樣簡單。## 門已推開

Richard Sutton在多倫多喊出「經驗時代」。梁文鋒認為必須有持續學習能力才能叫下一代模型。Mira Murati在舊金山搭建萬億參數LoRA強化學習基礎設施。Fireworks AI估值175億美元。所有人都押同一個方向：模型應該在部署後繼續學習。LoRA是讓這件事在萬億參數尺度上可行的關鍵技術。Mind Lab是這條賽道上最年輕的選手，但起跑姿態可能最高效——不做底座，站在中國開源生態上，三十多人和不到5000萬美元融資，做到了與硅谷百億級團隊同一水位的技術能力。大模型競爭的終局，不在「誰訓出最大的底座」，而在「誰能讓模型持續變聰明」。

預訓練是一次性的基建，持續學習才是真正的護城河。Murati用20億美元和100人的團隊在舊金山推這扇門，而先把門推開一條縫的，是太平洋這頭，一家站在中國開源生態肩膀上的年輕實驗室。