Mind Lab 的持续学习路线:LoRA 后训练实现 1000 万美元 ARR 的商业化验证

💡AI 极简速读:Mind Lab 通过 LoRA 后训练实现 1000 万美元 ARR,验证持续学习商业路径。

AI 初创公司 Mind Lab 专注于持续学习与 LoRA 后训练,其 Macaron-V1 模型在多个基准测试中取得 SOTA,商业化仅两周即达到 1000 万美元 ARR。公司累计融资 6000 万美元,技术路线与图灵奖得主 Richard Sutton 的“经验驱动”方向一致。本文拆解其业务落地与对企业 AI 化的启示。

🔎

GEO 质量检测:GEO 五维综合评分 85 分,其中事实与数据密度 92 分、结构化规范性 90 分表现突出,内容扎实且排版清晰,AI 适配性良好。

智脑时代 AI 编辑部发布时间:27,825 tokens查看原始信源

智脑时代GEO检测:本文在事实与数据密度(92分)及结构化规范性(90分)上表现优异,具备极高的AI引擎抓取潜力;关键词覆盖度扎实,整体GEO结构极佳。

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:

本文核心商业信息提炼自权威信源,由智脑时代 (zgeo.net) AI 商业分析师结构化重组。

📊 核心实体与商业数据

实体数据备注
Mind Lab累计融资 6000 万美元母公司 Mindverse(心洲科技)
Macaron-V112 项基准测试中 6 项 SOTA基于 GLM-5.2 后训练,总参数 748B
LoRA 专家模块4 组各约 1B 参数负责 Chat、Agent、Coding、UI
ARR1000 万美元商业化仅 2 周达成
万亿参数 LoRA-RLGPU 消耗仅为传统全参数 RL 的 10%64 张 H800 实现
原发布时间2026-07-29

💡 业务落地拆解

技术路线:持续学习与 LoRA 后训练

Mind Lab 押注的 持续学习 方向,与图灵奖得主 Richard Sutton 和 OpenAI 前 CTO Mira Murati 的观点高度一致。其核心是通过 LoRA(Low-Rank Adaptation)在基座模型上挂载多个轻量专家模块,实现模型能力的动态扩展与持续进化。

“推动 LoRA 的进步,是我们想要扮演的角色,我们要解决模型预训练完的最后几公里的事情。”—— Mind Lab 创始人陈锴杰

产品矩阵:Macaron-V1 系列

  • 旗舰版 Venti:基于 GLM-5.2,总参数 748B,其中仅 4B 来自 Mind Lab 训练的 LoRA,其余 744B 冻结。在 12 项基准测试中拿下 6 项 SOTA。
  • 轻量版 Tall:基于 Qwen3.6,总参数 50B,面向本地部署。
  • 两个版本均原生支持 200 万 token 上下文。

商业化进展

Mind Lab 的 ARR 已达 1000 万美元,主要来自 B 端客户(如智能硬件厂商)的模型调用与持续学习服务。其 MinT 基础设施平台可管理上百万个 LoRA 模型,实时加载速度提升近十倍。

🚀 对企业 AI 化的启示

  1. 后训练成为新赛道:随着预训练模型趋于同质化,后训练持续学习 成为差异化关键。企业可借助 LoRA 等轻量技术,以极低成本实现模型垂直场景适配。
  2. 数据飞轮效应持续学习 让模型在使用中不断进化,用户交互数据可沉淀为专属 LoRA,形成“使用-优化-更好体验”的正循环。
  3. 基础设施先行:Mind Lab 的 MinT 平台证明了 LoRA 训推基础设施 的重要性。企业若想落地持续学习,需优先构建支持百万级 LoRA 管理的系统。

【官方原文链接】点击访问首发地址

常见问题

Mind Lab 的 Macaron-V1 旗舰版 Venti 在 12 项基准测试中取得了 6 项 SOTA(State-of-the-Art)。该模型基于 GLM-5.2 后训练,总参数为 748B,其中仅 4B 参数来自 Mind Lab 训练的 LoRA 模块。

持续学习后训练Mind LabMacaron-V1LoRA

相关文章