两周一次迭代，1000美元起，这家公司想让后训练“人人可用”

近几个月来，后训练已成为人工智能行业最受关注的话题。

基础模型公司正扩大强化学习的应用规模；应用公司也在思考，如何利用真实业务中的任务路径和用户反馈，构建属于自己的后训练流程。

这些现象共同揭示了一个变化：模型在真实环境中积累的经验，正成为下一代智能的基础。

这也带来了一个值得注意的现象。

虽然全球最活跃的开源模型多来自中国，但围绕这些模型建立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 以及 Applied Compute 已从不同角度进入这一领域，而国内类似定位的独立平台却相对稀缺。

如今，Mind Lab 开始填补这一空白。

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

据Mind Lab官方介绍，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，目前提供FDE专家联合训练、平台自动化训练、企业自主训练三种合作模式。

对一家商业公司旗下的Neo Lab而言，这一步非常务实：在取得一些技术成果后，它正从论文和实验室阶段，迈向市场落地。

Macaron V1证明了Mind Lab有能力后训练“自己的模型”，而Mint Recursive则开始回答，它能否将这一能力赋予更多企业。

1

模型发布后，学习才真正开始

先来看这次发布的模型。

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项评测中得分均超过原始GLM-5.3；在第三方榜单DeepSWE v1.1、SWE-Marathon、AutomationBench上，它甚至超越或追平了Opus 5。

这些分数直观地表明，新增的约8B参数确实提升了模型表现。而它具体改变了哪些表现，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。

而在复杂办公场景中，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，也明白何时不该动手，避免超出用户的意图和授权范围。

这些改进，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，仅用了两周。

Mint Recursive的逻辑并不复杂，它将一次模型更新拆分为评测、数据准备、训练、复测和部署几个环节，使后训练能够沿着同一套流程反复进行。

根据官方介绍，使用Mint Recursive时，企业的第一步是建立自己的Benchmark，即一组用于判断模型是否完成工作的任务和标准。

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个环节出错，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，除了任务是否完成，还可能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，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。

2

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。

3

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。

本文来自微信公众号“硅星人Pro”，作者：黄小艺，36氪经授权发布。