心洲科技旗下 Mind Lab 实验室开源了 Macaron-V1 模型——全球首个基于 GLM-5.2 完成后训练的个人智能体模型。该模型采用 MoL（Mixture of LoRA）架构，在 GLM-5.2 基座之上外挂四个 1B 规模的 LoRA 专家，分别处理对话、智能体、代码和 UI 渲染任务，原生支持 2M 超长上下文。

模型概览

Macaron-V1 定位为面向个人智能体场景的开源模型，权重、官方 API 和配套工具已全部上线。提供两个版本：

• Macaron-V1-Venti：748B 参数（744B 基座 + 4 个 1B LoRA），旗舰版本，原生支持 2M 上下文
• Macaron-V1-Tall：35B 参数，基于通义千问 3.6 后训练，适合本地部署和隐私敏感场景

MoL 架构：四个专业专家，互不打架

Macaron-V1 的核心设计是 MoL（Mixture of LoRA）架构。GLM-5.2 基座完全冻结，上面挂四个独立的 LoRA 专家：

• L0 Chat：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，覆盖长程复杂任务（Preview 版 OpenClaw 相关 LoRA 已合并进 L1）
• L2 Coding：代码理解、SWE 任务、终端操作
• L3 UI/A2UI：UI4A 渲染和 UI 驱动操作

这种插件式架构天然支持持续学习——未来加入新能力只需训练新的 LoRA 接入，不会动摇模型已有知识体系。

实测：UI4A 生成式界面

Macaron V1 内置了 UI4A 生成式 UI 架构，由 L3 UI 专家驱动，能够直接渲染出丰富的交互式视图。通过在 Claude Code 中安装 Macaron Artifacts 插件进行了测试。

测试场景：用自然语言描述财务流水（"花了 2500 块买显示器、卖了 500 股腾讯股票、发了 15000 元工资"），模型自动提取数据并渲染出包含环形图、资产走势折线图、可编辑数据表格的完整 Dashboard。表格数据修改后，图表联动更新。

API 地址：https://mintcn.macaron.xin/

实测：Coding 能力

Case 1：Three.js 机械太阳系仪

要求用 Three.js 创建蒸汽朋克风格的"机械太阳系仪"，纯靠数学公式和原生几何体构建黄铜支架与齿轮，PBR 材质渲染，封装在单个 HTML 文件中。Macaron V1 在 Claude Code 中一边构建一边调用浏览器截图实时测试，直到成功。

Case 2：十二段落交互式水墨山水长卷

用 WebGL 手搓包含十二个段落的"交互式水墨山水长卷"，每段视觉节奏和色调都有明确区别（晨雾远山 → 江畔渔舟 → 芦苇滩 → 溪涧飞瀑 → 松林听风 → 竹林幽径 → 云雾山谷 → 古寺扫径 → 悬崖栈道 → 暮色亭台 → 黄昏点萤竹林 → 月夜孤舟），配合古琴音色的 Web Audio API 背景音乐，书法文字用状态机管理防止重叠。整个过程耗时约 30 分钟，模型持续进行端到端测试和屏幕截图找故障。

最终效果涵盖了从晨雾远山到月夜孤舟的完整体验，十二段落的滚动阻尼、视差速度和墨色浓淡过渡清晰可辨。

实测：Agent 能力

让 Macaron V1 在 FastAPI 仓库（tiangolo/fastapi）中自主寻找被社区反复提出但未实现的功能需求。经过约 2 小时探索，模型选中了 #12481 号 issue——一个关于同时使用多个 Query、Header、Cookie 参数模型的老问题（从 2024 年 10 月提出至今未合并）。

模型定位根因：FastAPI 处理单个 Pydantic 模型时会展开字段为独立参数，但多模型同时传入时只有第一个被展开。它修复了两处单模型判断逻辑，新增六个测试覆盖多模型场景，补充了教程示例和八个配套测试。跑完仓库三千多个测试，全部通过。

训练基础设施

2M 原生上下文训练：团队提出 LongStraw 方案——共享长提示词只算一次存为可复用常驻状态，只重放有学习信号的回复分支。实测数据：8 张 H20 上 Qwen3.6-27B 的 GRPO 训练推到 210 万 token，常驻前缀训练到 446 万 token；32 张 H20 上 GLM-5.2 全模型训练同样达到 210 万 token。

模型自我进化：MinT 管理底层训练基础设施，Actor 和 Learner 之间只传 Adapter，端到端可支撑万亿参数模型。HyperRSI 跑递归自我改进闭环，MindForge 训练框架将生产环境 Harness 接入强化学习，用 HCP 协议对齐训练和线上环境。

评测表现

团队自建了两个评测集：

• ChatBench：模型在长智能体上下文中的诚实度评估
• LivingBench：跨数周的纵向评测，在模拟沙盒中测试长程任务稳定性

在 VitaBench、PinchBench、SWE-Verified、DeepSWE、TerminalBench 2.1、UI4A-Bench 等通用能力轴线上，与 Opus 4.8、GPT 5.5 等前沿模型对比。官方结论：在个人生活和生成式 UI 两条线上，Venti 能打平甚至超过前沿基线；编程能力保持接近前沿水平。

总结

Macaron-V1 的核心思路不是"什么都会"，而是把个人场景拆开，用 MoL 架构隔离不同能力独立训练。指令遵循更安全，危险操作会先询问用户，coding 幻觉比原版 GLM-5.2 更小。对于关注 Agent 方向和个人智能体的开发者，这是一个值得关注的开源项目。