Mind Lab, 748B parametre ve 4 bağımsız LoRA ile bir Mixture-of-LoRA mimarisi kullanan Macaron-V1 modelini yayınladı ve SWE-bench Verified değerlendirme testinde 85,6 puanla kodlama yeteneklerinde birinci oldu. Bir yıldan az bir sürede kurulan bu Çinli laboratuvar, 50 milyon dolarlık finansmanla Silicon Valley'deki 2 milyar dolarlık takımlarla eşdeğer bir teknoloji seviyesine ulaştı. LoRA tabanlı takviyeli öğrenme yol haritası, Turing Ödülü sahibi Richard Sutton ve DeepSeek'in Liang Wenhong gibi endüstri liderleri tarafından desteklendi. Mind Lab, "sürekli öğrenme" ve "kolektif zeka" kavramlarını da sundu ve modelin laboratuvar dışındaki gerçek ortamlarda hâlâ öğrenmeye ve işbirliğine devam edebileceğini belirtti. Ticariye yalnızca iki hafta içinde 10 milyon dolarlık yıllık tekrarlayan gelir (ARR) elde ederek, bu teknoloji yolunun gerçek dünya sorunlarını çözebileceğini kanıtladı.

Yazan: Yeni Zihin

Geçen hafta AI dünyası bir şey üzerinde tartışıyordu, ancak çoğu kişi sadece bunun yarısını gördü.

15 Temmuz'da, eski OpenAI CTO Mira Murati, San Francisco'da Thinking Machines Lab'in ilk modeli Inkling'i sundu.

2 milyar dolarlık finansman, 975 milyar parametre, 100 kişilik elit ekip—Silicon Valley'nin en çok takip edilen AI startup'ı nihayet kartlarını açtı.

Neredeyse aynı gün, pekiştirme öğrenmenin babası ve 2024 Turing Ödülü sahibi Richard Sutton, yetmişine yaklaşırken Oak Lab'ı kurduğunu duyurdu.

Eski adamın sözleri şunlar: "Mevcut derin öğrenme yöntemleri kırılgan ve verimsizdir; bunlar için tamirat değil, temelden yeniden başlamak gerekmektedir."

Sutton sadece böyle düşünmüyor. DeepSeek kurucusu Liang Wenhong neredeyse tamamen aynı kararı verdi.

AI gelişimini birer basamak gibi karşılaştırıyor: dil modelleri, CoT, Agent... ve Agent'tan sonraki sonraki aşamanın sürekli öğrenme olması gerekiyor.

Onun görüşüne göre, bir sonraki nesil modelin temel özelliği, sürekli öğrenme yeteneğine sahip olması gerekir; aksi takdirde bu, bir sonraki nesil model olarak adlandırılamaz. Sürekli öğrenme öncelikle geliştirilirse, genel zeka kolayca elde edilebilir.

Bir teknoloji yolu, Turing Ödülü sahibi, Silicon Valley'in en çok dikkat çeken AI girişimi ve Çin'in en yenilikçi büyük model kurucusu tarafından aynı anda desteklendiğinde, sadece bir teknoloji seçimi değil, bir endüstri konsensüsü haline gelir.

Rüzgâr yönü değişti.

Tüm insanların Silicon Valley'e bakarken, Pasifik'in bu tarafında, bir yıldan az bir süredir var olan bir Çin laboratuvarı, aynı yarışta şaşırtıcı bir sonuç sundu.

Mind Lab, Macaron-V1'i resmen duyuruyor.

Mind Lab, Ekim 2025'te Mindverse (Mindverse Technologies) altında kurulan öncü bir araştırma laboratuvarıdır. Takım, xAI, DeepMind, DeepSeek, ByteSeed, MIT ve Tsinghua'dan oluşan 30'dan fazla üyeden oluşmaktadır. Yıl başı itibarıyla 50 milyon ABD doları değerindeki A serisi finansmanını Meituan liderliğinde, Ant Group, Sequoia Capital China ve Zhenfund gibi yatırımcıların katılımıyla tamamladı.

Lütfen bu sayıyı not edin: 50 milyon dolar, daha sonra tekrar kullanılacaktır.

748B parametreli doğrudan takviyeli öğrenme

4 adet LoRA, her biri kendi görevini yürütüyor

Önce modeli inceleyin.

Macaron-V1, iki versiyona sahiptir:

• Venti Premium, 748B parametre, 744B GLM-5.2 temeli ve dört adet 1B LoRA ile oluşturulmuş, doğrudan 2M uzunlukta bağlam desteği;
• Standart sürüm Tall, 35B, Qwen-3.7 üzerine eğitildi, Mac'te çalıştırılabilir.

Ancak anahtar parametrelerde değil, o 4 LoRA'da.

Geçmişte LoRA, tam parametre ayarlamasının "fakirlerin versiyonuydu". Tasarruf sağlıyordu, ama indirimli.

Mind Lab, temel modelin "ortaklık" olduğunu, LoRA'nın ise "bireysellik" olduğunu tanımladı.

Ne demek? Tüm iPhone'lar aynı iOS sistemini kullanır, ancak yüklediğiniz uygulamalar, giriş yöntemleriniz ve sık kullandığınız işlemler, iPhone'unuzu «sizin iPhone'unuz» yapar.

Sohbet doğal ve empatik olmalı, programlama kesin ve hassas olmalı, Agent çok adımlı planlama yapmalı, üretken UI etkileşim tasarlanmalı—bunları tek bir parametre setinde eğitmek, birbirleriyle çatışmaya neden olur.

Macaron-V1'in yöntemi basit ve direkt: parçalamak.

Dört bağımsız LoRA, sırasıyla sohbet, Agent, programlama ve GenUI için sorumlu; her biri ayrı olarak eğitilir, değerlendirilir ve geri alınır.

Çalışma zamanında yönlendirici dinamik olarak geçiş yapar—“Bana gün planı hazırla” derseniz, Agent LoRA’ya geçer; “Bu kodda hata var” derseniz, Coding LoRA’ya geçer. Kullanıcı için tamamen şeffaf.

Bu mimarinin resmi bir adı vardır: Mixture-of-LoRA (MoL) — farklı yetenekler, paylaşılan bir temel üzerinde bağımsız olarak eğitilir, esnek bir şekilde birleştirilir ve gerekli olduğunda çağrılır. Bir modeli tüm becerilere sahip hale getirmek yerine, uzmanların birlikte çalışmasını sağlar.

Macaron-V1, performans olarak henüz tüm yeteneklerde en güçlü kapalı kaynak model seviyesine ulaşmamıştır. Ancak tüm değerlendirme setinde, özellikle yaşam senaryolarında, kodlama yeteneklerinde ve generatif UI yönlerinde Opus 4.8, GPT-5.5 ve Gemini 3.1 Pro ile eşitlenebilir veya bunları geçebilmiştir.

SWE-bench Doğrulanmış—Endüstride en güvenilir kodlama yeteneği değerlendirmelerinden biri, Macaron-V1-Venti 85,6 puanla birinci oldu ve ikinci sıradakini 3 puanla geride bıraktı; DeepSeek-V4-Pro (80,6), MiniMax-M3 (80,5) ve Kimi-K2.6 (80,2) tümü arkada kaldı.

Daha da çarpıcı olan, Deep-SWE'nin uzun vadeli karmaşık yazılım mühendisliği görevlerini test etmek için özel olarak tasarlanmış olması. Macaron-V1-Venti, 58,4 puanla birinci oldu; ikinci sırada ise temel modeli olan GLM-5.2 yer aldı, 46,2 puanla. Aynı temel model, LoRA ile güçlendirilmiş öğrenmeyle eğitildiğinde, doğrudan 12 puan üstüne çıktı. İşte post-training'in sağlayabileceği artı değer.

Daha da önemlisi: Açıktır ve özel sunucuda dağıtılabilir. Kapalı kaynaklı modeller ne kadar güçlü olursa olsun, verileriniz başkasının sunucusundan geçer. Macaron-V1, modelinizi kendi evinize taşımanıza olanak tanır ve verilerinizin bir baytını bile bırakmanıza gerek yok.

Andrew, WAIC konuşmasında bir örnek gösterdi: Kullanıcı, karıştırılmış bir rubik küpünün fotoğrafını çekip gönderiyor, model durumu tanııyor, algoritma çözümü buluyor ve etkileşimli 3D geri yükleme rehberi oluşturuyor—bu, görsel anlama, algoritma, Agent araç çağrısı ve GenUI dört yeteneğin birlikte çalışmasını gerektiriyor.

Dikkat edilmesi kolay ama son derece zorlu bir tasarım: Model ve Harness ortak olarak tasarlandı.

Ne demek? Çoğu model eğitimi ve gerçek dağıtım, iki farklı ortamdır—eğitim sırasında kullanılan araç arayüzleri ve yürütme süreçleri, canlı ortamla uyumlu değildir ve performans düşer.

Macaron-V1, model ve üretim ortamı için Harness ile baştan beri birlikte eğitildi ve optimize edildi; eğitim sırasında nasıl araçlar çağrılır, nasıl terminal işlemleri yapılır, nasıl uzun süreli görevler çalıştırılır, canlıya alındıktan sonra tamamen aynı kalır.

Eşlik eden REPL Harness, modelin araçları kodla birleştirmesine, ara durumları kaydetmesine ve etkili süreçleri yeniden kullanmasına olanak tanır—her seferinde baştan başlamadan, tekrarlı çağrıları ve bağlam kaybını azaltır.

Bu sadece konuşan bir model değil, iş yapan bir akıllı varlıktır.

Neden 「dünyada yalnızca ikisi」?

Şunu diyebilirsiniz: LoRA fine-tuning ne kadar büyük bir şey? Her yerde var.

Harika olan iki kelimede: ölçek.

30B parametreli model için LoRA ile öğrenme geliştirmek, birçok ekip tarafından gerçekleştirilebilir. Ancak parametre sayısı trilyon seviyesine ulaştığında, zorluk katlanarak artar.

Ana zorluk, eğitim ve çıkarım arasındaki uyumsuzluktur. Güçlendirilmiş öğrenme, geri bildirim toplamak için eğitim ve çıkarımı aynı anda yapar; trilyonlarca parametreli MoE modeli onlarca GPU'ya bölündüğünde, eğitim ve çıkarım hassasiyetindeki küçük farklar gradyan kaymasına neden olur ve eğitim eğrisi doğrudan yakınsamaz.

Bir örnek verelim: 30 kişilik bir iç mekan orkestrası birlikte çaldığında, hafif bir ton hatası hâlâ telafi edilebilir. Ancak yüz kişilik bir senfoni orkestrasına dönüştürüldüğünde, herhangi bir enstrümanın tonundan sapması tüm performansı felaket haline getirir.

Trilyon parametre ölçeğinde LoRA güçlendirilmiş öğrenmeyi çalıştıracak tek takımlar iki tanedir.

Biri Mira Murati'nin Thinking Machines Lab'ı. Diğeri Mind Lab.

Üçüncü yok.

Aralık 2025'te, Mind Lab, toplam parametre sayısı 1,04 trilyon olan büyük seyrek MoE modeli Kimi K2 üzerinde LoRA güçlendirilmiş öğrenmeyi başarıyla çalıştırdı. Hesaplama gücü, tam parametre ince ayarının onda biriydi ve eğitim eğrisi kararlı bir şekilde yakınsadı.

Bu ayın LongStraw’u, sabit GPU hesaplama gücü altında derin öğrenmeyi geliştirdikten sonra 2M bağlamına ulaştı. Macaron-V1, bu birikimlerin birikimli bir ortaya çıkışı.

Bu yol sadece Mind Lab tarafından izlenmiyor. TML'nin baş bilim insanı ve OpenAI'nin kurucu ortağı olan PPO algoritmasının yaratıcısı John Schulman, 2025'te "LoRA without Regret" adlı makaleyi yayımladı ve deneyler, LoRA'nın çoğu sonrası eğitim senaryosunda tam eğitimiyle tamamen aynı performans gösterdiğini kanıtladı. Buna "düşük pişmanlık aralığı" dedi.

Sektör de gerçek para ile oy veriyor. Geçen hafta 1,5 milyar dolarlık D turunu tamamlayan Fireworks AI, 17,5 milyar dolar değerinde ve yüzlerce LoRA'yı barındırabiliyor; Together AI, 8 milyar dolarlık C turunu tamamlayarak LoRA'yı varsayılan ince ayar yöntemi haline getirdi.

Silikon Vadisi 2 milyar dolar harcıyor, o ise onda biriyle devlerin omuzlarında duruyor

Burada çok ilginç bir karşılaştırma var.

Mind Lab ve TML aynı teknoloji yolunu izliyor, ancak temel stratejileri tamamen farklı.

TML, çeşitli nedenlerden dolayı kendisi sıfırdan bir temel model eğitiyor. Inkling, 975 milyar parametre, 45 trilyon token—ancak Murati kendi kendine açıkça itiraf ediyor: «Bu, şu anki en güçlü model değil.»

Değerlendirmeler, Inkling'in GLM, Kimi gibi Çinli açık kaynak modellerine göre açıkça daha zayıf olduğunu gösteriyor. Sıfırdan bir temel oluşturmak, onlara büyük miktarda enerji ve hesaplama gücü harcamaya zorladı.

Mind Lab tersine çalışıyor. Kendi temel modelini eğitmez, doğrudan Çinli açık kaynak model ekosisteminin omuzlarında durur.

Kimi K2, trilyon parametreli LoRA RL'yi doğruluyor, V1-Önizleme GLM-5.1 tabanlı, resmi Venti sürümü GLM-5.2, Tall ise Qwen-3.7 tabanlı—her temel yükseltmeyle, sonraki eğitimin başlangıç çizgisi bir kat daha yukarıya çıkıyor.

Çinli açık kaynak modelleri, küresel düzeyde neredeyse SOTA seviyesine ulaştı. Bu neredeyse tavan seviyesindeki temelleri, LoRA ile güçlendirilmiş öğrenmeyle kritik yetenekleri gerçek SOTA seviyesine çıkarın.

En iyi ekmekleri kendiniz buğday ekmeksiz de pişirebilirsiniz.

Ne kadar sert bir karşılaştırma?

TML: 2 milyar dolarlık finansman, 100 kişilik ekip, NVIDIA ile gigawatt düzeyinde hesaplama gücü iş birliği—Inkling'in yetenekleri GLM-5.2'den geride.

Mind Lab: Otuzdan fazla kişi, 50 milyon doların altında finansman — Chat, Agent, Coding gibi birçok boyutta daha güçlü bir model geliştirdi.

LoRA güçlendirilmiş öğrenme konusunda Mind Lab, dünyada en yüksek girişim-getiri oranına sahip takımdır. Hiçbirisi yok.

Sürekli Öğrenme: Neden model ne kadar kullanılırsa o kadar akıllılaşır?

Teknik ve karşılaştırmaların ardından en temel soruya gelindi: Mind Lab nihayetinde ne oynuyor?

Cevap, Richard Sutton ve AlphaGo'nun eski baş araştırmacısı David Silver'in ortak olarak yayınladığı bir makalenin başlığında saklı—Welcome to the Era of Experience.

Ön eğitim, "veri çağı"dır: model, insanlar tarafından oluşturulan metinlerden öğrenir.

Sonraki dönem, "deneyim dönemi": AI'nın yetenekleri artık mevcut verilerden değil, akıllı ajanların gerçek ortamlardaki uzun vadeli eylemlerinden, geri bildirimlerinden ve sürekli öğrenmesinden kaynaklanacaktır.

Bugün büyük modellerin temel çelişkisi burada—eğitildikten sonra donuyorlar.

Bir kullanıcı aynı hatayı on kez düzeltti, bir sonraki sefer model yine sohbet geçmişini okumak zorunda kalacak. Bir Coding Agent aynı kod tabanında sürekli başarısız oluyor, başarısızlık yeni bir yetenek haline gelmiyor. Model her gün milyonlarca görevi işliyor, ancak deneyim tamamen kayboluyor.

Bu, gelişen bir birey değil, sonsuz tekrarlayan bir çıkarım motorudur.

Mind Lab, bu döngüyü kırmak istiyor. Hedefleri, laboratuvardan çıktıktan sonra gerçek dünyada sürekli öğrenmeye devam eden bir “deneyimli akıllı makine” oluşturmak.

Deneyim, yeni yeteneklere dönüşür; yeni yetenekler, daha zor sorunları çözer; daha zor sorunlar ise daha zengin deneyimler getirir.

Akıllılık, bir kez eğitimin sonucu değil, sürekli büyüme süreci haline gelmiştir.

LoRA burada bir "tasarruf aracı" değil, yazılabilir, geri alınabilir ve bağımsız olarak gelişen kalıcı bir durumdur.

Taban, genel bilgiyi taşır, LoRA tercihlerinizi, kod tarzınızı ve iş mantığınızı taşır. Statik bir düzeltme değil, etkileşimle büyüyen bir hafızadır.

Deneyler, hafif uyum modülünün temel model parametrelerinin %0,5'inin altına sıkıştırıldığında bile kararlı ve güvenilir olduğunu göstermiştir — temel model ne kadar güçlüyse, küçük ölçekli güncellemeler o kadar etkili olur.

Mind Lab, bu yolu üç yıl boyunca izledi. 2023'te kurucu Andrew, GPT-1'in yazarı Karthik Narasimhan ve Yao Shunyu ile birlikte, Agent yeteneklerini artırmak için parametre öğrenimini kullanan ilk çalışma olan FireAct'i yayınladı. Agent izleri parametrelere yazıldıktan sonra, tek bir yürütme süresi 9,0 saniyeden 2,7 saniyeye düştü.

Bir kez öğrenim maliyeti ödenir, ardından her kullanım kazanç getirir. FireAct'ten Macaron-V1'e kadar bu mantık trilyonlarca parametre ölçeğine genişletildi.

Küme zekâsı: Üçüncü Ölçeklendirme eğrisi

Sürekli öğrenmek hikayenin sadece yarısıdır. Macaron-V1'in yansıttığı ikinci temel fikir, belki de daha köklü olan toplu zekâdır.

Her model, kendi deneyimleri boyunca sürekli öğrenir ve farklı örnekler farklı yollar izler. Farklı kullanıcı geri bildirimleri, farklı görevler ve farklı veriler, farklı yetenekler oluşturur. Aynı temelden başlasanız bile, zamanla «farklı insanlar» haline gelirsiniz.

Bu çeşitlilik, hata mı, yoksa özellik mi? Deney sonuçları harika.

Aynı Qwen3-30B temelinden başlanarak, eğitim hedefi ve algoritma tamamen aynı kalır, yalnızca veri sırası ve masking değiştirilir.

AIME24'te tek bir adapter'in doğruluk oranı: %36,44. 198 farklı adapter'in çoğunluk oyu ile: %48,67. Aynı adapter'in 198 kez tekrar örneklendirilmesiyle en yüksek sonuç: %43,78.

Farklı “deneyimler”, tek bir modelin veremeyeceği tamamlayıcılık getiriyor. Bu “birkaç kez denemek” değil — farklı öğrenme yolları arasında gerçek bir iş birliği etkisi oluşuyor.

Andrew, WAIC'te bunu üçüncü ölçeklendirme eğrisi olarak adlandırıyor.

Birinci: GPT-3 tarzı Ölçek Parametreleri — Daha büyük parametreler daha yüksek zekâ getirir.

İkinci: DeepSeek R1 tarzı Scale Thinking Token'ları—daha fazla çıkarım token'ı daha yüksek akıllılık getirir.

Üçüncü madde: Model Sayısının Ölçeklenmesi—Daha fazla model arasındaki iş birliği, daha yüksek bir akıl sınırı getirir.

Deneyde, model sayısı birkaç taneden 200'e çıkarıldığında, logaritmik eksen üzerinde performans doğrusal olarak arttı. Eğer eğri geçerliyse, bir sonraki adım 200'den 20.000'e, ardından 2 milyona çıkarılmaktır.

Mind Lab'in kendi geliştirdiği MinT platformu, milyonlarca adreslenebilir LoRA kataloğu kurmuştur. 1 milyon LoRA, aynı trilyon parametreli temel yapıyı paylaşır.

Dikkat — Bu 1 milyon küçük model değil, 1 milyon trilyon parametrelik büyük model.

İnsanlar, genomlarının %99undan fazlasını paylaşır, ancak neredeyse aynı biyolojik temel, aynı zihni yaratmaz. İnsan medeniyetinin en büyük başarıları, zekânın çeşitliliği ve iş birliği sayesindedir.

2 haftada 10 milyon ABD doları ARR: En hızlı ticarileştirme doğrulaması

Teknik rota ne kadar güzel olursa olsun, pazar satın almazsa sadece bir PPT'dir. Mind Lab, Temmuzun başlarında API'yi ticari hale getirecektir.

2 hafta sonunda, 10 milyon dolarlık ARR.

Bu, ilk modelin piyasaya sürülmesinden itibaren milyon dolarlık ARR'ye ulaşan en hızlı kayıt olabilir.

Sayılar önemlidir, ancak daha da önemlisi hızdır. Bir teknoloji yolu, müşteriler tarafından bu kadar hızlı gerçek para ile oy verilerek benimseniyorsa, bu, gerçek ve acı verici bir sorunu çözdüğünü gösterir.

Mind Lab, sadece bir token satmıyor. Temel iş modeli, müşterilerin kendi senaryolarında modelin sürekli öğrenme ve geliştirme yeteneğini satın almasıdır.

Akıllı telefon üreticileri ürün bilgilerini özel bir LoRA'ya eğitiyor, kulaklık şirketleri etkileşim tercihlerini model durumuna yazıyor—temel veriler, temel model şirketlerine yeniden eğitilmek için verilmez, müşteri kendi kontrolünü elinde tutar.

Shaoyin Teknolojisi, AI donanımı startupı Odyss ve bir başlıca telefon üreticisi, işbirliği listesinde yer alıyor.

API çağırma yapısı da sorunu açıklıyor: %20 sohbet, %30 Agent iş akışı, %30 kod üretimi, kalanı GenUI'den geliyor — sahne dağılımı dengeli, tek bir patlama ile desteklenen sahte bir yükseliş değil.

Premium sürüm 6 dolar/milyon token, Standard sürüm 4 dolar, Hızlı sürüm 2 dolar.

Mind Lab'in sunduğu vizyon sadece bir cümle: Token kullanabiliyorsanız, Token eğitebilirsiniz.

Model eğitimi, nihayetinde model çağrısı kadar basit olmalıdır. Büyük bir öncü satış ekibine gerek yoktur, özel insan kaynaklarına da gerek yoktur. Sürekli öğrenme, ölçeklenebilir bir model yeteneğidir.

Kapı açıldı

Richard Sutton, Toronto'da "Deneyim Çağı" diye bağırıyor. Liang Wenheng, bir sonraki nesil model olarak adlandırılabilmesi için sürekli öğrenme yeteneğine sahip olunması gerektiğini düşünüyor. Mira Murati, San Francisco'da trilyon parametrelik LoRA öğrenme altyapısını kuruyor. Fireworks AI'nin değeri 17,5 milyar dolar.

Herkes aynı yöne tahminde bulunuyor: Model, dağıtıldıktan sonra öğrenmeye devam etmelidir. LoRA, bu işi trilyonlarca parametre ölçeğinde mümkün kılan kritik teknolojidir.

Mind Lab, bu yarışta en genç katılımcı. Ancak başlangıç pozisyonu muhtemelen en verimli—taban olmadan, Çin açık kaynak ekosistemi üzerinde, otuzdan fazla kişi ve 50 milyon doların altındaki finansmanla, Silicon Valley'deki milyar dolarlık takımlarla aynı seviyede teknik yeteneklere ulaştı.

Bu, arkasında basit ama derin bir yargı var:

Büyük modellerin rekabetinin sonu, “kim en büyük temeli eğitiyor” değil, “kim modeli sürekli daha akıllı hale getiriyor” üzerinde.

Ön eğitim bir kezlik altyapıdır. Sürekli öğrenmek, gerçek koruma duvarıdır.

Mind Lab, laboratuvardan çıktıktan sonra gerçek dünyada sürekli öğrenmeye devam eden, ne kadar kullanılırsa o kadar akıllılaşan bir deneyim akıllı makinesi inşa etmek istiyor. Bu tür yeterince çok akıllı sistem birlikte çalıştığında, daha yüksek bir akıllılığa giden yeni bir yol açılacaktır.

Murati, 2 milyar dolarlık bir bütçe ve 100 kişilik bir ekiple San Francisco'da bu kapıyı itiyor.

Ancak ilk olarak, Pasifik’in bu yakasında, Çin açık kaynak ekosisteminin omuzlarında duran genç bir laboratuvar kapıyı biraz itti.