Macaron V1 开源模型深度体验：用 LoRA 破解大模型「能力干扰」，打造个人 Agent 的实战利器
近期 Kimi K3 暂停了订阅服务，GLM 5.2 很难抢到，海外模型又面临封号风险——但选择远不止这些。我最近就在试用 Mind Lab 刚刚推出的 Macaron V1，一款专为个人 Agent 场景设计的开源模型。
新模型一发布，大家通常先看排行榜、价格和参数量，而我更关心它真实的编程与 Agent 能力。Mind Lab 把这条技术路线总结为“适应”与“协作”：先通过 LoRA 为不同能力留出相对独立的训练空间，再用强化学习持续优化，最后由基础设施和 Harness 将这些能力输送到真实任务中。Macaron V1 值得一聊的地方，正在于这几个环节已经串联成一套可以实战的模型系统。
这样讲可能还有点抽象。简单来说，Macaron V1 是心洲科技旗下 Mind Lab 面向个人 Agent 场景发布的开源模型，包含 Venti 与 Tall 两个版本：
Venti 共 748B 参数，由 744B 基础模型和四个 1B LoRA 组成，基座采用 GLM-5.2，原生支持 2M 上下文； Tall 为 35B，基于 Qwen3.6 进行后训练，面向本地部署。
一个大版本偏重前沿能力，一个小版本适合本地运行，在 Mac 上就能跑。参数规模大家都看得懂，但 Venti 真正值得关注的，是 744B 基座之外的那四个 LoRA。它们决定了 Macaron V1 如何组织不同能力，也引出了一个核心问题：为什么要将能力拆开训练，又怎样避免它们互相干扰？要回答这个问题，得先从 LoRA 说起。
1
LoRA 是 Low-Rank Adaptation 的缩写，中文通常译为“低秩适配”。
可以这样理解：一个大模型拥有数千亿参数，想让它掌握新技能，直接重新训练所有参数成本极高。LoRA 的做法是冻结原来的大模型，只在部分网络层旁边添加一组很小的可训练参数。训练时只更新这些小模块，就能调整模型行为。也就是说：
基础模型提供通用的知识和推理能力； LoRA 是装在基础模型上的“技能插件”； 不同 LoRA 可以分别负责聊天、编程、工具调用、界面生成等任务。它的优势包括训练成本低、文件较小、容易切换和回滚，还能在同一个基础模型上挂载多个专业版本。
Macaron V1 用了四个 LoRA，解决大模型后训练中的“能力干扰”。
在后训练阶段，如果把聊天、工具调用、编程和界面生成的数据混在一起训练同一组参数，不同任务的优化方向很容易发生冲突。例如：
聊天希望语言自然、有弹性； 编程要求语法严格、输出精确； Agent 强调规划与工具调用； GenUI 需要生成结构完整的交互界面。
当这些能力共同修改一套参数时，增强编程能力可能让聊天变得生硬；强化自由对话又可能降低代码输出的稳定性。这就是所谓的“互相打架”。
Macaron V1 的策略是将这四类能力分别放进四个 LoRA：
L0：Chat L1：Agent L2：Coding L3：GenUI
基础模型负责共享知识和推理能力，每个 LoRA 则在相对独立的参数空间中优化自己的专项能力。收到新请求后，L0 会判断任务类型并将请求路由到合适的 LoRA。这样既减少了不同任务在训练时的相互干扰，也便于单独升级、评测和回滚某项能力。
过去，人们通常只把 LoRA 视为一种节省训练成本的微调方法。Mind Lab 更看重它的另一层价值：让一个很小的模块长期保存模型在特定场景中形成的偏好、技能和工具使用习惯，而基础模型继续提供通用的知识和能力。
研究显示，用 LoRA 进行强化学习，算力和通信开销大约只有全参数训练的十分之一；即使把模块压缩到每层只调整一个方向，它仍然能够稳定学习。正因为模块足够小，每项能力都可以单独训练、测试、上线、回滚，也可以与其他能力灵活组合。
MoE、Skills 与 MoL 三种能力扩展路径
2
今天的 Agent 已经高度依赖 Memory、RAG、Skill 和 Harness。这些方法的共同特点是：经验保存在模型外部，需要使用时再放入上下文，让模型重新阅读。它们更新快，也适合保存事实、规则和操作流程，但随着内容不断积累，上下文会越来越长，信息冲突和维护成本也随之升高。模型读过一段历史，并不意味着它真正学会了其中反复出现的规律；参数学习则更进一步，把经过验证的经验写入可训练状态，让新的行为成为模型下一次工作的起点。
我更愿意把这两条路径理解为不同时间尺度的记忆。临时信息放进上下文，常用事实交给 Memory 和 RAG，逐渐稳定的行为习惯写入 LoRA，经过长期验证的通用能力再回到基础模型。这样的分层既能控制学习和更新成本，也为评估与回滚留出了空间。
对于长期维护同一个代码库的 Coding Agent 来说，这种方式比不断堆积上下文更具吸引力。
当 LoRA 可以被低成本地复制、训练和组合，增加模型数量本身也会成为提升能力的途径。在一组控制实验中，Qwen3-30B 的单个 Adapter 在 AIME24 上的准确率为 36.44%；让 198 个拥有不同学习经历的 Adapter 分别作答，再进行多数投票，准确率提升到 48.67%。相比之下，对同一个 Adapter 重复采样，最高只能达到 43.78%。这说明不同的训练经历能够形成互补能力，而 MoL 可以通过路由选择合适的专家，让“这项任务交给谁”也变成推理过程的一部分。
不同学习轨迹的 adapter 协作随模型数量扩展
3
这种技术选型真正困难的部分在基础设施。
在 30B 模型上进行强化学习，就已经需要很强的工程能力；当模型扩大到千亿参数级的 MoE 架构，训练难度还会显著上升。训练和推理在数值精度或执行路径上稍有偏差，奖励信号和生成结果就可能发生漂移，最终导致训练难以收敛。模型被拆分到多张 GPU 后，还必须保证各个切片之间的通信、计算和状态同步始终一致。
Macaron V1-Venti 的意义，正在于它把 LoRA 强化学习带到了 748B 的规模。 做过模型研发的同学应该能体会到，这一点非常了不起。
MinT 就是支撑这件事的后训练基础设施，也是核心竞争力的所在。 在这套系统中，负责生成训练经验的 Actor 与负责更新模型的 Learner 之间，只需要传递轻量的 Adapter，无需反复搬运完整的模型权重。系统可以统一管理上百万个拥有独立身份和版本记录的 LoRA，并支持最高万亿参数规模模型的训练与部署。当模型版本、GPU 集群和分布式训练被纳入同一套管理体系，一个共享基座上就可以运行大量不同的个性化状态，LoRA 也由此从一种实验性的训练方法，走向可以长期运行的服务能力。
MinT 连接用户可控训练与底层分布式基础设施
长上下文强化学习是另一块硬骨头。传统强化学习需要保留训练过程中的大量中间结果，还要对同一个提示词生成多个回复、计算奖励并更新参数，因此模型在推理时能读完一百万 Token，并不意味着训练时也能处理同样长的内容。
Mind Lab 为“超长上下文强化学习”设计了一套训练方法和执行系统，名为 LongStraw。在 8 张 H20 GPU 上，这套方法把 Qwen3.6-27B 的 GRPO 训练长度推进到 210 万 Token，也为 Macaron V1 的 2M 长上下文提供了后训练层面的支撑。
4
仔细看过 Mind Lab 的技术说明之后，会发现 Macaron V1 还有一处容易被忽略的设计：Harness 与模型是一起训练的。
模型训练时使用的工作环境，会尽量与上线后的真实环境保持一致。如果把模型看作“大脑”，Harness 就是它调用工具、保存状态和完成任务的“工作台”。UI4A 让模型通过代码把回答变成可交互的页面；REPL Harness 则允许模型把已经验证过的代码保存为工具，以后遇到类似任务时直接复用。HCP 负责统一管理运行过程中需要的规则、技能和模型配置，MindForge 再把这套工作台带入强化学习。这样一来，模型在训练中学会的工具和工作方式，到了真实产品中依然可以使用，从而减少“实验环境表现很好，上线后却无法正常工作”的问题。
模型在各个领域基准线上的成绩也十分亮眼。
5
目前 MinT 官方 API 已经上线。我这周就在用 Claude Code + Macaron-V1-Coding-Venti 做功能开发，官方提供了 CC Switch 的配置，可以一键导入：
配置完成后打开 CC，模型已经就位：
我用 Coding Venti 实现了 CatReader 智能翻译里的一个功能——默认显示翻译好的译文：
速度很快，完成度也相当不错。
使用过程中，我还在 CC 里安装了他家的插件 Macaron Artifacts，启动后访问 http://localhost:7878，界面如下：
通过这套 WebUI，我们可以观察模型和项目的运行状态，也可以直接在这套控制台里执行任务，使用起来相当方便。
Macaron V1 为我们打开了一个新的视野，它把个人 Agent 最难的几个问题都给出了明确的解法：经验如何形成学习信号，如何用轻量参数吸收经验，如何让大量专家共存协作，又如何让训练条件贴近真实运行环境。这条路现在已经从论文概念走到模型、基础设施和开发工具。
对于关心 Agent 未来发展的朋友来说，Macaron V1 绝对值得上手一试。