两周一次迭代，1000美元起，这家公司想让后训练“人人可用”

作者｜黄小艺

微信｜H997Hbiu

最近几个月，后训练成了 AI 行业最集中的议题。

基础模型公司在扩大 RL 的规模；应用公司也在考虑，如何基于真实业务里的任务轨迹、用户反馈构建自己的后训练流程。

它们指向了同一个变化：模型在真实环境所产生的经验，正在成为下一代智能的原料。

这也引出了一个反常现象。

全球最活跃的一批开源模型来自中国，但围绕这些模型形成的第三方后训练平台，却在海外发展得更快。

Thinking Machines Lab 的 Tinker 、Fireworks、Together AI、Prime Intellect 和 Applied Compute 已经从不同位置进入这个市场，但国内拥有类似定位的独立平台很少。

现在，Mind Lab 开始做这件事了。

今年 7 月，它基于 GLM-5.2 发布了 Macaron V1；9 月 23 日，它又发布了基于 GLM-5.3 的 Macaron V1.1，并同步推出了 V1.1 背后的后训练平台 Mint Recursive。

Mind Lab 官方显示，作为面向企业的后训练与推理平台， Mint Recursive 支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源模型系列，目前有 FDE 专家共同训练、平台自动化训练、企业自主训练三种合作方式。

对一家商业公司里的 Neo Lab 来说，这一步很实际：在尝试并得到了一些技术成果之后，它要从 Paper 和实验室，走向市场落地。

Macaron V1 证明 Mind Lab 可以后训练“自己的模型”，Mint Recursive 则开始回答，它能不能把这套能力交给更多企业。

1

模型发布以后，学习才刚刚开始

先看此次发布的模型。

延续 V1 的思路，Macaron V1.1 是一款 752B 参数的模型，由 GLM-5.3 的 744B 基础权重和四组各约 2B 的 LoRA 组成，分别负责 Chat、Agent、Coding 和 生成式 UI。

Mind Lab 公布的测试结果显示，V1.1 在全部 7 项评测上，得分超过了原始 GLM-5.3；并在第三方榜单 DeepSWE v1.1、SWE-Marathon、AutomationBench 上，超越或追平了 Opus 5。

这个跑分直观地说明，新增的约 8B 参数确实提升了模型表现。而它具体改变了什么表现，也反映出 Mind Lab 认为模型需要解决哪些问题。

在长程 Coding 任务中，V1.1 完成任务所需的步骤和 Token 更少，核心做法是在数据层面将 SWE 轨迹标准化为五个阶段——复现、定位、编辑、验证、恢复，从而减少低相关度的探索轮次。

而在复杂办公场景里，V1.1 则重点加强了工具调用安全，要求模型不仅知道如何调用工具，也知道什么时候不该动手，避免越出用户的意图和授权范围。

这些改动，恰好对应了企业使用模型时最常遇到的几种问题。在使用 Mint Recursive 的基础上，Mind Lab 完成这一轮模型更新，只用了两周。

Mint Recursive 的逻辑并不复杂，它把一次模型更新拆成评测、数据准备、训练、复测和部署几个环节，让后训练能够沿着同一套流程反复进行。

按照官方介绍，在使用 Mint Recursive 时，企业的第一步是建立自己的 Benchmark，也就是用来判断模型是否把工作做对的一组任务和标准。

平台会先让基座模型经过一轮 Benchmark 评测，保存任务执行的轨迹，帮助团队看到模型在哪一步出错，再决定哪些问题值得通过后训练解决。

例如一家企业想训练自己的办公 Agent，除了任务有没有完成，还可能会关心它用了多少步骤和 Token。只看最终结果，模型的低效路径很容易被忽略。

接下来，企业可以整理已有数据，也可以根据失败的任务轨迹构造新的训练样本，并选择 SFT、DPO 或强化学习等训练方法，根据预算和任务需求决定采用 LoRA 还是全参数更新。

训练完成的新版本可以直接部署，也可以回到最初的 Benchmark 上接受检验。效果达到要求就上线，上线后收集到的问题，还可以成为下一轮训练的材料。

这套流程的关键在于，它是一个一体化且可持续的过程，有“同一把尺子”。

许多模型训练项目的问题，出在训练前后用了不同的评价口径：数据团队追求一种效果，训练团队优化另一组指标，业务部门上线后又用第三套标准验收。

借助 Mint Recursive，相当于企业可以对模型进行全生命周期管理，从为什么要训，到训出了什么，再到哪一版正在生产环境里运行，持续沿着同一套记录迭代。

一款单独训练出来的垂直模型，会随着基础模型升级迅速贬值；一套能够不断制造“下一个版本”的系统，才有可能成为长期资产。

1

让企业掌握模型的进化方向

这也对应了当下企业的需求。

过去企业使用大模型，一个核心考量就是选择哪一家 API。

但基础模型持续开源、模型能力排名不断变化以后，选中某一款模型本身越来越难形成长期壁垒。今天最好用的是 GLM，几个月后可能变成 Kimi、Qwen、DeepSeek 或 MiniMax。

所有企业都能更换模型，但不管怎么换，最关键的还是每家公司对自身业务的理解。

这种差距在 Agent 场景中更加明显。通用模型会调用工具，却未必理解一家公司的业务规则、成本要求和授权边界。企业越来越需要把任务轨迹、专家判断和用户反馈转化成模型可以学习的经验，从而掌握模型的改进方向和上线标准。

从这个角度看，Mint Recursive 正在从四个层次服务于这种需求：低门槛、高性价比、可持续迭代和高自由度——让企业进得来、用得起、长期训得下去，也让专业团队能够按自己的方式继续做深。

低门槛首先来自 Benchmark。

过去，很多企业在选择 API 时，就已经积累了内部题库和评测标准；进入后训练阶段，这些材料正好可以成为判断模型哪里需要改、训练以后有没有改对的起点。

这也解释了 Mint Recursive 的早期客户为什么集中在金融、AI for Science 和医疗行业：它们 AI 化程度较高，已经积累了明确的业务规则、评测方法和任务数据，不必从零定义什么叫“模型把事情做对”。

第二层，是高性价比，要让企业用得起。

全参数训练对多数企业仍然过重，LoRA 只更新少量新增参数，可以先用较小投入验证效果。按照 Mind Lab 官网的报价，专项模型训练服务最低 1000 美元起。

英伟达今年 7 月把后训练的核心指标概括为“intelligence per dollar”。企业关心的正是有限预算能否换来真实的业务提升。在 Mint Recursive 上，不同 LoRA 可以共享同一个常驻基座，训练和部署按实际使用量计费，也无需为每个业务版本复制一套完整模型。

第三层，是可迭代。基础模型在迭代，模型进入企业的方式在迭代，甚至企业自己的业务和用户也在迭代。在 Mint Recursive 里，每个 LoRA 都可以单独训练、评测、上线和撤回；生产环境里出现的新问题，也可以进入下一轮训练。旧 LoRA 可能随着基座升级而过期，企业自己的 Benchmark、数据和评价标准仍然能够继续发挥作用。

最后，也是最重要的，自由度。在整个周期里，企业都可以自己调整方案，也可以设定目标、预算和约束，让系统协助选择数据、算法与参数。

LoRA 只是 Mint Recursive 提供的一种方案。平台同时支持全参数训练，并可以选择 SFT、DPO、强化学习等方法。企业可以直接配置基座模型、数据、算法和常用 Loss，也可以通过 Python SDK 自定义损失函数、强化学习环境和训练循环，把原有的 verl、TRL、OpenRLHF 或 PyTorch 训练代码迁移进来。

这几层叠加在一起，才能让企业可以从一次成本可控的实验开始，再根据效果逐步扩大训练规模。

Mint Recursive 想得很清楚：企业不用先成为一家模型实验室，也能开始训练自己的模型。

1

从应用到 Lab，再回到市场

表面上，Mint Recursive 只是把后训练整理成评测、数据、训练和部署几个步骤。底下真正支撑这些操作的，是 Mind Lab 从 2025 年在 Kimi K2 等万亿参数模型上做后训练时就开始积累的 Infra 能力。

为了让这种服务能够运行，团队解决了几类问题：把超大模型拆到大量 GPU 上训练，避免算力长时间等待；尽量让模型生成数据和接受训练时走过一致的计算路径，减少“学错”；再通过异步训练和 LoRA 热更新，让训练、推理与版本切换可以同时进行等等。相关能力也被接入 Megatron-Bridge、VERL 和 AReaL 等主流生态，减少企业迁移已有训练代码的工作。

这些工作共同指向一个结果——企业看到的是一次 API 调用，平台承担的是万亿模型背后的分布式训练、状态管理和故障恢复。

在这个节点，回头看这家公司发生的变化，其实很有意思。一个做个人 Agent 的应用团队，孵化出一家实验室，训练了自己的模型，现在又把训练模型的系统拿出来，开始服务企业。

做个人 Agent Macaron，首先要面对的是如何理解一个具体的人：记住他的偏好，熟悉他的习惯，让过去的相处对下一次服务有用。团队从这里关注到个人记忆，Mind Lab 又把问题往前推了一步——这些经验，能不能进入参数，改变模型处理任务的方式？

围绕这个问题，他们做研究、训练 LoRA 模型，也积累起支撑这些工作的 Infra。到了 Mint Recursive，这些原本服务于自身探索的能力，开始被整理成其他企业也可以使用的产品。

从应用到 Lab，再从 Lab 回到应用市场，产品中的问题变成了研究方向，研究过程中造出的工具，又成了新的业务机会。

不过，服务自己的产品和服务外部客户，终究有不同的要求。做 Macaron 和 Mind Lab，团队知道自己想解决什么问题，也能够不断调整产品和训练方案。面对企业客户，任务、数据、预算都在变化，客户甚至可能还没有想清楚，自己究竟希望模型做到什么。

此前，它从自己的应用问题里积累出了一套研究和工程能力；接下来，能否用这套能力稳定地解决别人的问题，将决定 Mint Recursive 能不能成为一门长期的生意。

点个“爱心”，再走吧