7.5
深览指数
产品人人都是产品经理·赛博禅心··AI 生成
马卡龙的下注：把模型后训练，做成企业服务
Mind Lab 发布模型后训练与推理平台 Mint Recursive，将其内部用于训练 Macaron V1.1 的 MinT 系统开放为企业托管服务。文章核心论点是，企业未来需要能持续迭代、符合自身业务标准的模型版本，而围绕该需求的高效低成本后训练将是一项持续性服务。文章详细披露了 Macaron V1.1 以 GLM-5.3 为基座、训练四个 2B LoRA 专家的技术实践，包括利用数据-训练-评测-部署闭环自动化流程进行模型自迭代的具体案例。适合对 LLM 工程化落地、后训练成本优化及 AI 平台产品化感兴趣的读者。原文 ↗
核心观点
- ▍企业需要自身业务标准、能持续更新的模型版本，围绕模型训练、部署和迭代将成为一项持续性服务，而非一次性工程。
- ▍提供这种服务的关键在于将模型后训练的成本降下来，通过共享常驻基座、隔离 LoRA 任务（如 MinT 系统）来最大化算力利用率。
- 01Mind Lab 的 MinT 系统在 64 张 H800 上运行万亿参数模型 LoRA 强化学习，解决跨 GPU 分片、通信和显存隔离问题。
- 02在相同资源配置下，使用 MinT 系统，三个独立的 Qwen3-4B 强化学习任务从串行改为共享并发，总完成时间从 3081 秒下降到 1736 秒，峰值显存不变。
- 03Macaron V1.1 模型以 744B 的 GLM-5.3 为基座，训练了四个 2B 参数的 LoRA 专家（分别针对 Chat、Agent、Coding 和生成式 UI），最终模型尺寸为 752B。
- 04Macaron V1.1 的训练构建了一个自迭代管线：π₀ →〔观测 → 归因 → 干预 → 验证〕ⁿ → πₙ，即模型分析自身表现，针对能力缺口合成数据并发起训练。
- 05在发票核对任务中，模型通过回看执行轨迹，将失败归因为“写入前缺少与 Slack 更正的核对”，然后团队生成示范数据训练，V1.1 最终成功找到更正并更新了记录。
- 06在 60 题的 UI4A 任务评测中，GLM-5.3 首次交付成功 43 题，Macaron V1.1 成功 58 题，显示出在给定任务范围内的首次交付表现改善。
- 07新发布的 Mint Recursive 平台将内部训练、评测、部署链路打包成托管服务，支持 GLM、Qwen、DeepSeek 等开源基座，以及 SFT、RL、全参训练和 LoRA。
- 08企业在 Mint Recursive 上可以拥有自己的任务数据、评测标准和基座上的 LoRA 版本，通过不断轮训将业务经验沉淀进模型。
反方 / 局限
- — 作者指出，Macaron V1.1 在 60 题 UI4A 评测上的表现提升，主要验证了在给定任务和标准内首次交付能力的改善，但真实新任务能否持续带来下一版能力尚需验证。
- — 文章全文为产品发布与案例复盘，未提及该平台在竞品（如 Hugging Face AutoTrain、Modal）面前的差异化壁垒、客户大规模采用后的实际成本，以及对不同行业（如非 AI 原生企业）的适用门槛。
7 分钟 · 3 卡片 · 5 资料
读原文 →