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

正文

见到Mind Lab创始人陈锴杰，是在北京的晚上9点半，他已经见了一天的投资人。

陈锴杰是一位连续创业者，从杜克大学休学，做过AI互动故事平台MidReal，也推出了Personal Agent应用Macaron（马卡龙），上线当天就登顶了Product Hunt日榜；2025年10月，Mind Lab成立，团队约30余人，Mind Lab创始人Andrew Chen曾和姚顺雨共同发表FireAct论文，团队主要来自xAI、DeepMind、 DeepSeek 、字节跳动Seed、MIT和清华大学等企业与高校。他们以Neo Lab的形象再度出现在大众的视野里。

他们所押注的方向，与图灵奖得主、强化学习之父Richard Sutton和OpenAI前CTO Mira Murati所强调的持续学习方向，高度一致。

几天前，WAIC 2026首日主论坛上，Sutton发表演讲，强调了下一代AI的核心路线是经验驱动，而静态标注数据模式已触达天花板。 DeepSeek 近期也把持续学习带进了更多人的视野之中，声称 Agent之后需要的解决的问题是持续学习，这也是下一代模型必须具备的能力。

可见，后训练与持续学习，越来越成为下一阶段评判模型能力的关键点。

Mind Lab在上个月发布了Macaron-V1-Preview模型，此后业务迅速被推着往前走：商业化刚开始跑2周，ARR就达到了1000万美金。

Macaron-V1-Preview的构成是：在GLM-5.1上，挂载了5个参数约1B的LoRA专家模块。尽管只是一个预览版的模型，Macaron-V1-Preview在多个Benchmark上的表现也很亮眼，不仅性能反超基座模型GLM-5.1外，还领先GPT 5.4、Claude Opus 4.6等一众模型。而超越基座的能力，就来自于挂载其上的LoRA。

而真正让他们备受关注的，是用MoL（Mixture-of-LoRA）的方式做后训练的路径。在模型执行不同任务时，系统可以根据任务类型，动态切换到最适合的专家模块；在用户长时间的使用中，沉淀下来的数据也能积累出一个专属LoRA，能随着模型的不断调用而持续更新。

Preview版本率先跑通了技术路径、做好了市场验证。紧接着，7月21日，Mind Lab发布并开源了Macaron-V1的正式版本。从官方发布的benchmark来看，Macaron-V1在12项基准测试中拿下了6个SOTA，其余成绩和前沿模型也比较接近。

这一版本有两个模型：旗舰版Venti，是一个基于GLM-5.2做后训练、总参数748B的模型，其中744B来自冻结的GLM-5.2基座，4B来自于Mind Lab自己训练的4组各约1B的LoRA，分别负责Chat、Agent、Coding和生成UI界面四类能力；另一个是面向本地部署的轻量版Tall，是基于Qwen3.6做后训练、总参数50B的模型。两个版本都原生支持200万token上下文。

这也意味着， 仅仅改变4B参数，这支团队让GLM-5.2实现了超越自身的能力。

对Mind Lab来说，创业是无数次保持主线与推翻重做的过程。剥去外部的各种喧嚣，在团队内部，一条更为深远的技术路线在不断进化当中——持续学习。

与此同时，一线资本也纷纷押注。 成立以来，Mind Lab母公司Mindverse（心洲科技）累计获得6000万美元融资。 2026年年初，完成由美团战投领投的近5000万美元A轮融资，元禾璞华、韶音科技、变量资本及老股东追加跟投。历史股东包括蚂蚁集团、红杉中国、源一、真格、高榕等。

经验的智能：让模型越来越懂你

最初的出发点，可以追溯到2023年Mind Lab联合创始人Andrew和姚顺雨合作的一篇FireAct论文。那时他们认为，想要提升Agent的任务表现，与其做提示词工程，不如把相关的数据直接训进模型里。

这是他们押注持续学习和后训练的起点，当时，这还不算一个广受关注的技术路线。“当我们开始做持续学习的时候，我们都不知道它叫持续学习。”陈锴杰说。

已有技术存在的问题是，一个通用大模型难以做好对所有场景的适配，在模型训练结束后，其参数往往是固定的，不会因为具体的场景而改变模型的参数，从头训模型的成本又非常高。

想要让大参数模型在不同垂直场景中执行任务，用一个复杂的Harness当然能做好对场景的适配，但是与此同时的必然结果是，它会消耗很多Token，速度也会很慢，这显然无法从根本上解决问题。