Mindverse获5000万美元融资：构建持续学习的Agent模型新范式

type

status

date

slug

summary

从预训练到后训练：AI能力的质变

长期以来，行业关注的重点大多在于预训练阶段，即通过海量数据让模型建立对世界的基本认知。然而，Mindverse创始人陈锴杰指出，预训练只是给了模型“世界观”，而真正的“执行力”则来源于后训练。

在大模型智能上限不断被推高的背景下，如何让模型从“知道很多”转变为“能办好事”，成为了AI下半场的关键课题。Mindverse押注的正是这条路径：通过强化学习，让模型在复杂、多步骤的真实任务中学会如何将认知转化为行动。这种从“对话”到“执行”的跨越，正是AGI（通用人工智能）走向落地的必经之路。

Mixture of LoRA：持续学习的技术底座

Mindverse的核心技术突破在于对LoRA（Low-Rank Adaptation）技术的创新应用。许多开发者对LoRA的认知还停留在微调适配器阶段，但Mindverse将其打造为“持续学习”的技术底座。

通过构建“Mixture of LoRA”架构，Mindverse实现了在通用基座模型上挂载无数个“技能包”。每一个技能包（LoRA）都可以独立更新、彼此隔离，且参数量极小。这种架构的优势显而易见： * 低成本扩展：企业无需重训整个大模型，只需针对特定场景训练相应的LoRA。 * 持续进化：模型可以随着用户反馈或环境变化，不断累积新知识，而不会遗忘旧能力。 * 高效复用：共享同一个聪明的底座，实现“一模多能”。

这种架构不仅极大地降低了算力成本，还为大规模Agent落地提供了技术可行性，是目前LLM领域极具前瞻性的工程实践。

Agent Model：为真实场景而生

Mindverse旗下的Macaron产品不仅仅是一个C端应用，它更是一个“Agent Harness”（智能体训练环境）。这种“模型喂养产品，产品反馈模型”的双向循环，是其差异化竞争力的来源。

在Macaron中，模型不断处理真实生活中的模糊请求、长链路任务和工具调用。通过这种方式，Mindverse训练出的模型天生具备“Agent Native”属性，能够更好地适应多轮交互、长链路推理和复杂决策。与追求通用榜单第一不同，Mindverse更看重在生活场景中的实际表现，如生成式UI的交互体验和任务完成率。

对AI未来的展望

Mindverse的成功融资与技术路径，为我们展示了AI产业的未来图景：模型不再是冷冰冰的静态参数，而是能够像人类一样，在交互中不断学习、持续进化的智能伙伴。无论是对于开发者还是企业用户，这种基于高效LoRA架构的持续学习模式，都将成为未来大模型落地应用的核心范式。

随着AI技术的不断演进，保持对前沿动态的敏锐感知至关重要。如果你想了解更多关于大模型、LLM的最新进展，获取最新的AI资讯与技术干货，欢迎访问 AIGC.bar。这里汇集了全球最新的AI新闻、Prompt技巧、大模型应用案例以及实用的AI变现指南，助你紧跟人工智能时代的潮流。