深圳心洲：4B参数撬动748B模型，Macaron-V1让GLM-5.2反超自身，两周ARR破千万美元 📅 2026-07-29 📰 36氪 🏷️ 后训练 · 持续学习 · MoL 后训练正在从「锦上添花」变成大模型竞争的主战场。深圳心洲旗下的 Mind Lab，用一款只训练了 4B 参数的 Macaron-V1，向行业证明了一条不同于传统 Scaling Law 的突围路径。 748B 旗舰版 Venti 总参数量 4B 训练参数（仅 0.5%） 6/12 SOTA 数 / 总基准数 1000万 ARR 美金（2 周） 6000万 累计融资（美金） 9个月 公司成立到发布 7 月 21 日，深圳心洲科技有限公司（Mindverse）旗下 Mind Lab 正式发布并开源 Macaron-V1。 旗舰版 Venti 总参数 748B，其中 744B 来自冻结的智谱 GLM-5.2 基座，仅 4B（约 0.5%）来自自研的四个 LoRA 专家模块。在 12 项基准测试中，Macaron-V1 拿下 6 个 SOTA，其余成绩与 GPT-5.5、Claude Opus 4.8 等前沿模型接近或持平。 [AI工具集] Macaron-V1 因而成为「全球首个在 GLM-5.1/5.2 上完成强化学习后训练的外部团队成果」——它没有动基座模型的权重，仅靠后训练层面对 4B 参数的优化，就让 GLM-5.2 达成了超越自身的性能表现。 更让市场关注的是其商业化速度： API 上线仅两周，ARR（年化经常性收入）突破 1000 万美元 ——在模型行业，从发布到规模化收入通常以年计。 [Z Finance] MoL 架构：4B 参数为什么够用 Macaron-V1 的技术核心是 Mixture-of-LoRA（MoL） 架构。在冻结的 GLM-5.2（744B）基座上，Mind Lab 挂了四个约 1B 参数的独立 LoRA 专家模块，分别专精四类能力： Chat（对话）、Agent（工具调用与长程任务）、Coding（代码理解）和 GenUI（生成式 UI 渲染） 。用户输入经 Router 按任务类型路由至对应专家，能力之间互不干扰。 [搜狐] Mind Lab 在公开实验中验证了一个关键发现： 多个 LoRA 协作的效果显著优于单个 LoRA 。用 200 份不同数据分别训练 200 个 LoRA 后挂在同一模型上协作，任务表现随 LoRA 数量呈 log 线性增长；而同样数据训出的一个 LoRA，比 200 个 LoRA 协作的表现低约 25%。 [36氪] Mind Lab 还在更早的实验中验证了另一个关键结论：在足够大的 MoE 模型上用 LoRA 做强化学习，性能没有损失。2025 年 12 月，他们仅用 64 张 H800，就在万亿参数模型（Kimi K2）上跑通了端到端 LoRA-RL，GPU 消耗只有传统全参数 RL 的约 10%。 [36氪] 关键信号： OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab 在其论文《LoRA Without Regret》中独立印证了同一结论——在足够大的 MoE 模型上用 LoRA 做强化学习，性能无损失。两条独立技术路线在这一点上形成了交叉验证。 持续学习：从「训练结束」到「学习开始」 Macaron-V1 不只是单个模型发布。它是 Mind Lab「 经验智能（Experiential Intelligence） 」路线的落地载体。创始人陈锴杰将这一方向概括为： 模型从自身经历中学习，经验转化为新能力，新能力解决更难的问题，更难的问题带来更丰富的经验——智能由此成为持续生长的过程。 [36氪] 这套思路与强化学习之父 Richard Sutton 在 WAIC 2026 首日主论坛上的演讲方向高度一致：Sutton 强调「下一代 AI 的核心路线是经验驱动，静态标注数据模式已触达天花板」。两周前，Sutton 亲自下场创业，创立 Oak Lab，致力于构建能从自身经验中持续学习的智能体。 陈锴杰的起点可以追溯到 2023 年他与姚顺雨合作的 FireAct 论文。当时团队发现：提升 Agent 任务表现的最佳方法不是提示词工程，而是把相关数据直接训进模型。这个思路在一年半后变成了 Macaron-V1 的产品形态—— 模型参数不再「一次训练终身冻结」，而是可以在部署后通过 LoRA 持续更新。 产业落地场景： Macaron-V1 的 B 端客户中已有不少智能硬件厂商。智能硬件是持续学习的天然场景——不同用户的使用数据各不相同，LoRA 可以承载个性化的持续训练。「勾选持续学习选项后，几乎能实现每天更新一个更适配用户的 LoRA 版本。」 [36氪] 九个月：心洲科技的爆发时刻线 2025-09-03 深圳心洲科技有限公司注册成立 ，法定代表人陈锴杰，注册资本 1 万人民币，注册地址深圳南山区。股东为陈锴杰（50%）与陈柏安（50%）。（ 天眼查工商信息 ） 2025-10 Mind Lab 成立 ，团队约 30 余人，核心成员来自 xAI、DeepMind、DeepSeek、字节跳动 Seed、MIT、清华大学。 [36氪] 2025-12 万亿参数 LoRA-RL 跑通 。在 Kimi K2（万亿参数 MoE）上仅用 64 张 H800 实现端到端 LoRA 强化学习训练，GPU 消耗仅全参训练的约 10%。 2026-01 MinT 基础设施平台发布 ，可管理百万级 LoRA 模型，面向客户提供后训练全流程解决方案。 2026 年初 完成近 5000 万美元 A 轮融资 ，由美团战投领投，元禾璞华、韶音科技、变量资本及老股东跟投。历史股东包括蚂蚁集团、红杉中国、源一、真格、高榕。累计融资约 6000 万美元。 2026-06 Macaron-V1-Preview 发布 ，性能反超基座 GLM-5.1 并领先 GPT 5.4、Claude Opus 4.6 等模型，完成技术路径验证。 2026-07-09 注册地址变更 ：从清华研究院新大楼 B801 迁至 B813。（ 天眼查风险提示 ） 2026-07-21 Macaron-V1 正式版发布并开源 （Venti 748B / Tall 50B），12 项基准 6 个 SOTA。API 上线 2 周 ARR 达 1000 万美元。 商业化已起步，但 Research 仍是底色 Mind Lab 当前的业务分为三块： 前沿研究（Infra 系统与后训练）、C 端产品（Macaron App，个人 Agent）、B 端服务 （为微软云、华为云等部署训练 Infra，提供 MinT 及持续学习 LoRA 模型）。 值得注意的是其收入结构： 虽然已做到 1000 万美金 ARR，但陈锴杰明确表示「不想把算力都拿去跑订单，重点还得把 Research 做好」。 团队约 30 余名研究人员从事基础 Infra 和前沿研究。 ✅ 有利因素 全球首个在 GLM-5.2 上完成 RL 后训练的外部团队，先发优势 美团、韶音等产业资本入局，提供硬件场景落地渠道 MoL 架构与基础设施 MinT 形成壁垒——百万级 LoRA 管理能力 技术路线与 Sutton、Mira Murati 等国际前沿团队高度一致 ⚠️ 风险与挑战 公司成立不满一年，团队规模小（~30人），人才留存是长期风险 严重依赖智谱 GLM 基座，基座模型策略变动可能影响上层 后训练赛道竞争快速升温——大厂（字节、阿里、DeepSeek）均有布局 商业化早期，1000 万美金 ARR 能否持续验证仍需时间 后训练赛道：谁在押注「持续性」 持续学习已经从少数团队的探索变成行业共识。以下是几条值得关注的并行路线： 团队 / 公司 方向 关键进展 Mind Lab （心洲科技） MoL + 经验智能 Macaron-V1 开源，6 SOTA，1000 万美金 ARR Thinking Machines Lab （Mira Murati） LoRA-RL 后训练 《LoRA Without Regret》独立验证「MoE+LoRA RL 无性能损失」 Oak Lab （Richard Sutton） 经验驱动智能体 2026 年 7 月创立，方向与 Mind Lab 高度重合 智谱 AI （02513.HK） 基座模型 + 持续学习 唐杰内部信提到下一步攻克「记忆、持续学习、自我评判」 DeepSeek 持续学习 + Agent 公开表示「Agent 之后需要解决的是持续学习」 字节 / 阿里 / Kimi 万亿参数 RL 具备万亿参数强化学习能力，但尚未公开外部团队方式的 LoRA-RL 成果 核心追问： MoL（Mixture-of-LoRA）的缩放规律还能推到多大？参与协作的 LoRA 数量与模型表现呈 log 线性增长——这条曲线会在什么参数量级上遇到天花板？200 个 LoRA 协作的 25% 提升，在 1000 个、10000 个 LoRA 时还能维持吗？这可能是持续学习路线下一步最需要回答的实验性问题。 本文参考来源 36氪｜在大模型的下一阶段议题上，我们找到了一家做持续学习的中国Neo Lab 天眼查｜深圳心洲科技有限公司｜工商基础信息 天眼查｜深圳心洲科技有限公司｜疑似实际控制人 天眼查｜深圳心洲科技有限公司｜企业天眼风险 搜狐｜当变大不再是唯一的路：国产模型Macaron-V1用持续学习开辟新范式 AI工具集｜Macaron-V1 – MindLab 推出的后训练多能力模型系统 Z Finance｜深度｜梁文峰预言的「下一代 AI」，被这家成立 9 个月的中国实验室做出来了 腾讯新闻｜Mind Lab Macaron-V1 深度实测 AI工具集｜Macaron-V1 评测数据 本文基于公开资料与可核验来源撰写。所有推测性判断、待验证信号及风险提示均已使用明确措辞标注。