爆改GLM-5.2！Macaron-V1混合LoRA开源，AI智能体新突破

type

status

date

slug

summary

category

icon

password

网址

最近手头在测一个新模型，叫 Macaron-V1。说实话一开始没抱太大期待，打着「个人智能体」旗号的产品这两年太多了，大多数打开之后还是那套老配方：一个聊天机器人，外面挂几个插件。但测了三四天下来，发现这个模型的思路跟我预想的不太一样，值得认真写一篇。

先说说这是谁做的

Macaron-V1 是心洲科技旗下前沿实验室 Mind Lab 推出的最新模型，定位是面向个人智能体场景。权重、官方 API、配套工具都已经开源上线

V1 一共两个版本：

Macaron-V1-Venti：748B 参数（744B 基础模型加 4 个 1B 的 LoRA），是旗舰版本，官方的说法是全球首个基于 GLM-5.2 完成后训练的模型。原生支持 2M 超长上下文。

Macaron-V1-Tall：35B，基于通义千问 3.6 后训练而来，专门给本地部署用，适合对隐私和成本比较敏感的场景。

Venti 建立在 GLM-5.2 这个强悍的基座之上，却走了一条完全不同的后训练演化路线。它把重点放在了“个人智能体”这个定位上，试图做一个能真正融入我们日常生活的“最强强化学习模型”。

架构这块，挺有意思

Macaron V1 用的是一个叫 MoL（Mixture of LoRA）的架构，这是团队从 Preview 版本延续下来的路线。具体做法是，GLM-5.2 基座整个冻住不动，上面挂四个 1B 规模的 LoRA 专家，分别掌管对话 (Chat)、智能体 (Agent)、代码 (Coding) 和界面渲染 (UI)：

L0 Chat，负责对话和指令遵循的主干；

L1 Agent，面向个人生活场景的重度工具使用，覆盖那种拖得比较长、变数比较多的复杂任务，V1 里把 Preview 版本 OpenClaw 相关的 LoRA 合并进了 L1；

L2 Coding，管代码理解、SWE 任务、终端操作；

L3 UI/A2UI，负责 UI4A 渲染和 UI 驱动的操作。

这就像是给一个知识渊博的底座，配上了四个专业领域的独立外脑。需要聊天时，L0 专家主导；需要写代码时，L2 专家接管。不同来源的技能在各自的适配空间里优化，互不打架。这种插件式的架构天然支持持续学习，未来想要加入新能力，只需再训练一个新的 LoRA 接入即可，完全不会动摇模型已有的知识体系。

实测

用了几天时间，把 Chat、Agent、Coding、UI4A 基本都测了一遍，挑几个印象比较深的说说。

API:

https://mintcn.macaron.xin/

建议大家在CC中使用

实测：UI4A 的魔法体验

在日常生活中使用 AI 时，我们常常面临一个痛点：很多时候我们想要的只是一目了然的图表或可以点按互动的工具，模型却往往却不能很好的实现。

Macaron V1 试图打破这种交互的边界。Mind Lab 团队在模型中内置了一个名为 UI4A 的生成式 UI 架构，并由专属的 L3 UI 专家来驱动它。简单来说，它兼顾了网页原生的极度灵活性与底层数据的精准控制，能够直接渲染出丰富的交互式视图。

为了验证这个能力到底有多强，我按照官方推荐在 Claude Code 中安装了 Macaron Artifacts 插件，并给它出了一道结合了自然语言处理与复杂前端渲染的难题。

Macaron Artifacts GitHub插件：

https://github.com/MindLab-Research/macaron-artifacts

我要求它为我生成一个“全能个人投资与财务分析控制台”。界面需要极简的暗黑风格，带有环形占比图、资产走势图，最重要的是必须有一个可以手动编辑的数据表格，且数据修改后图表必须跟着联动。随后，我抛了一堆记账流水：“上周五花了 2500 块买二手显示器，昨天把 500 股腾讯股票按每股 380 港币卖了，今天发工资 15000 元，顺便把两万块沪深300指数基金也算进总资产里。”

按下回车后的几分钟，Artifacts 可视化窗口里直接长出了一个带有精美很有质感的金融级 Dashboard，旁边的 Macaron 小助手还配上一句关于消费预警的幽默吐槽。

让人惊喜的还在后面。它不仅极其精准地从那堆口水话里剥离出了时间、资产类别并做好了港币换算，而且它生成的界面是真正“活”的。当我尝试在界面的表格里，新添加存款收入时，上方的环形占比图也随之产生动画，立刻做出了联动更新。

这意味着以后我需要的各种趁手工具，无论是健康打卡、塔罗牌游戏还是复杂的财务看板，都不用再去下载臃肿的 App，直接用一句话让 Macaron 当场为我“捏”出来即可。强烈建议大家试试

实测二：Coding

刚才的 UI 组件渲染让我看到了它在前端交互上的灵感，但硬核的代码编写往往需要极其严密的数理逻辑与空间想象力。在 Macaron V1 的 MoL 架构中，L2 Coding 专家专门负责啃这些硬骨头。

case1:

我给它出了一个基于 Three.js 物理与视觉渲染难题。我要求它写出一个复古蒸汽朋克风格的“机械太阳系仪”，所有内容必须封装在单个 HTML 文件里。它不能依赖任何外部的 3D 模型或贴图，必须纯靠数学公式和原生几何体构建出完整的黄铜支架与齿轮。同时，整个系统还得遵循合理的行星公转规律，并附带基于物理的真实材质渲染（PBR）与动态光影。

Macaron V1构建过程很有意思，它会在cc里一边构建一边调用浏览器获取屏幕截图实时测试渲染效果,找出故障直到最后成功，很明显给一个种从vibe coding到“氛围工程”的感觉，构建速度也非常快。

case2:

为了探探模型的底，我给它出了一个堪称“变态级”的难题。我要求它用 WebGL 纯手搓一幅包含十二个段落的“交互式水墨山水长卷”。不允许加载任何外部的图片素材或文件。它必须完全依靠数学公式去写出水墨晕染的 Shader，还要用严谨的状态机去管理排版，确保随着页面滚动触发的诗句绝对不能发生重叠。

这次花费的时间比较长，有半个小时左右，Macaron V1会不断的进行端到端的测试，截取屏幕找故障，单次效果：

扑面而来的东方美学质感着实让我起了一身鸡皮疙瘩。伴随着鼠标滚轮的推进，画面从大片留白的晨雾远山，一路推演到冷暖对比强烈的黄昏竹林，最终收束于极简的月夜孤舟。十二个段落的滚动阻尼、视差速度和墨色浓淡过渡得很有呼吸感。

Macaron V1 通过 L2 专家将代码能力放进专属的参数空间里独立优化。这种物理上的隔离使得它在写代码时心无旁骛，指令能精准遵循工程约束。

实测3:Agent

Agent 这块我测了一个更贴近真实工程现场的任务，让Macaron V1自己去 FastAPI 这个几十万星标的开源仓库里翻 issue，挑一个被很多用户反复提起、但一直没人推进实现的功能需求来做。

整个测试花了2小时左右，它最后选中的是一个关于同时使用多个 Query、Header、Cookie 参数模型的老问题，仓库里已经躺着一个 2024 年就提出的相关 PR，点赞和回复都不少，好几个用户明确说自己的项目被这个限制卡住了，维护者也表态认可这个方向，但两年过去，这个 PR 一直卡在反复解决合并冲突、迟迟排不上最终审查的状态。模型把它当成候选之后，先确认了问题在最新代码上依然成立，也没有被别的改动悄悄解决掉，还特意避开了另一个看起来类似、但维护者已经明确说要自己私下处理的功能点，没有去凑一个其实已经有人在做的伪需求。

这个 PR 我核实了一下（真实存在，#12481，从 2024 年 10 月开到现在还没合并），细节和你报告里对得上

定位根因这块，它给出的解释是，FastAPI 处理单个 Pydantic 模型作为参数时会把字段展开成一个个独立参数，但同时传入多个模型时只有第一个会被展开，其余的会被整体当成一个对象塞进接口文档，导致文档里写的调用方式和实际运行时能接受的调用方式对不上。代码里刚好有两处只处理单模型情况的判断逻辑，一处管接口文档生成，一处管运行时参数解析。它把这两处都改成能遍历处理所有模型的版本，抽出一个公共辅助函数复用，同时保证原来单模型场景的行为完全不受影响，新增了六个测试覆盖多模型场景，又给官方教程补了一个新例子和八个配套测试。跑完仓库里原有的三千多个测试，全部通过，唯一一个失败项跟这次改动完全无关，回退代码之后同样会失败，说明是环境本身的问题，不是它改坏的。

撑得起这些能力的，是几套基础设施

前面这些表现背后，团队在训练基础设施上做了不少工作，简单说两个。

一个是 2M 原生上下文的训练问题。推理端读百万级 token 不难，但强化学习训练要给同一个提示词评估多份回复、保留激活、累积梯度，训练端在固定硬件上很容易卡在二十多万 token。团队的解法叫 LongStraw：共享的长提示词只算一次存成可复用的常驻状态，后面只重放真正有学习信号的回复分支。官方数据是，8 张 H20 上把 Qwen3.6-27B 的 GRPO 训练推到 210 万 token，常驻前缀训练能到 446 万 token；32 张 H20 上用同样方法训练 GLM-5.2（78 层 MLA/DSA、256 专家 MoE），全模型训练也做到了 210 万 token。

另一个是模型自我进化的问题。MinT 管底层训练基础设施，Actor 和 Learner 之间只传 Adapter，配一个百万级的 Adapter 目录，端到端能撑到万亿参数模型，跟 MoL 的插件式架构正好契合。在这套设施上，HyperRSI 跑递归自我改进的闭环，训练框架 MindForge 把 Pi 和 Claude Code 生产环境的 Harness 直接接进强化学习，用同一套 HCP 协议对齐训练和线上环境看到的任务信息，保证练的和用的是一回事。闭环大致是：从种子任务生成更难的任务，筛掉没价值的，对生成的轨迹做审计，反复调整直到没有进一步收益，再把经验固化成新的模型参数，如此循环。

跑分

团队自己搭了两个个人化的评测集，ChatBench 看的是模型在长的智能体上下文里是否诚实，该说的说、该藏的藏、该认错的时候别硬撑；LivingBench 是一个能跨数周持续互动的纵向评测，搭在一个模拟沙盒里，里面有动态噪声、动态生存环境和动态用户三种机制，专门用来看模型在任务执行过程中偏离原计划之后，还能不能继续理解用户需求、验证信息、重新规划、处理意外，同时不侵犯隐私。自 Preview 版本以来，这个基准也一直在扩展，覆盖了更多不同文化背景下的案例。

除了这两个自建的，团队也在 VitaBench、PinchBench（个人生活智能体）、SWE-Verified、DeepSWE、TerminalBench 2.1（编程与终端）、UI4A-Bench（生成式 UI）这几条通用能力轴线上做了对比，同台竞技的还有 Opus 4.8、GPT 5.5 等几个前沿模型。官方给出的结论是，在个人生活和生成式 UI 这两条线上，Venti 能打平甚至超过这些前沿基线，同时还保留了开源和可自托管的优势；编程这条线上，V1 保持在跟前沿水平接近的位置，团队自己的说法是这是他们给「非个人生活类」能力轴线定的标准，没有硬说自己在编程上是最强，这点倒是挺实在的。

写在最后

测完这一圈，我个人的感受是，这个模型没有把力气花在「看起来什么都会」这件事上，反而是老老实实地把个人场景拆开，一块一块去啃。架构上用 MoL 把不同能力隔开训练，基础设施上死磕 2M 上下文和自我迭代的闭环，评测上专门搭了两个盯着诚实和长程稳定性的基准，这几个选择放在一起看，是一套挺连贯的思路。指令遵循更好，更安全，有些危险的东西会问用户再操作，GLM5.2 喜欢一股脑上，coding上幻觉比原版glm5.2小。

当然，这也就是几天的体验，长期用下去稳不稳、遇到复杂场景会不会翻车，还得再观察。如果你也对这类Agent方向的模型感兴趣，可以自己上手试试。

文章来自于微信公众号 “AI寒武纪”，作者 “AI寒武纪”