Mind Lab запускає модель Macaron-V1 з архітектурою Mixture-of-LoRA, що використовує 748 мільярдів параметрів та 4 незалежні LoRA, і займає перше місце з результатом 85,6 бала у тесті SWE-bench Verified за здатністю до кодування. Ця китайська лабораторія, заснована менше року тому, досягла рівня технологій, що дорівнює командам з Сіліконової долини з бюджетом у 2 мільярди доларів, використовуючи фінансування в розмірі 50 мільйонів доларів. Її підхід з LoRA та підсиленням навчання отримав підтримку від лідерів галузі, включаючи лауреата премії Тьюринга Річарда Саттона та Лян Веньфенга з DeepSeek. Mind Lab також запроваджує концепції «постійного навчання» та «групового інтелекту», стверджуючи, що модель продовжує вчитися та співпрацювати в реальних умовах після виходу з лабораторії. За лише два тижні комерціалізації компанія досягла ARR у 10 мільйонів доларів, що підтверджує ефективність цього технологічного напрямку у вирішенні реальних проблем.

Автор статті, джерело: NewZeal

На минулому тижні в AI-середовищі всі обговорювали одну річ, але більшість людей побачили лише половину.

15 липня колишній CTO OpenAI Міра Мураті представила першу модель Thinking Machines Lab — Inkling у Сан-Франциско.

Фінансування на 2 мільярди доларів США, 975 мільярдів параметрів, елітна команда з 100 осіб — найбільш відома в Сіліконовій долині AI-стартап, нарешті, розкрила свої карти.

Майже в той самий день засновник глибокого навчання Річард Саттон, лауреат Премії Тюрінга 2024 року, майже сімдесяти років, оголосив про створення Oak Lab.

Слова старшого покоління: «Сучасні методи глибокого навчання є хрупкими та неефективними; потрібно не виправляти їх, а почати з нуля з основ».

Не тільки Саттон так думає. Засновник DeepSeek Лян Веньфен надав майже ідентичну оцінку.

Він порівняв розвиток ШІ зі сходинками: мовні моделі, CoT, агенти… А після агентів наступною обов’язковою сходинкою буде постійне навчання.

Його думка полягає в тому, що ключовою здатністю моделі наступного покоління має бути здатність до постійного навчання, саме тоді її можна назвати моделлю наступного покоління. Якщо спочатку реалізувати постійне навчання, загальний інтелект може стати дуже простим.

Коли технологічний напрямок підтримують лауреати премії Тюрінга, найбільш відомі AI-стартапи з Кремнієвої долини та засновники найбільш інноваційних великих моделей Китаю, це вже не просто вибір технології, а галузевий консенсус.

Вітер змінився.

Тоді, коли всі стежили за Сіліконовою долиною, на цьому ж напрямку на іншому боці Тихого океану китайська лабораторія, заснована менше року тому, тихо представила здивувальний результат.

Mind Lab офіційно запускає Macaron-V1.

Mind Lab заснована у жовтні 2025 року як передова дослідницька лабораторія під егідою Mindverse (Mindverse Technologies). Команда налічує більше тридцяти осіб, які походять з xAI, DeepMind, DeepSeek, ByteDance Seed, MIT та Цинхуа. На початку року лабораторія завершила раунд фінансування серії A на 50 мільйонів доларів США, який очолив Meituan, а підтримали Ant, Sequoia China, ZhenFund та інші.

Зверніть увагу на це число: 50 мільйонів доларів США, воно буде використовуватися далі.

748B параметрів: підсилене навчання

4 LoRA кожен відповідає за свою справу

Спочатку подивіться на модель.

Macaron-V1 має два варіанти:

• Venti Pro, 748B параметрів, побудований на основі GLM-5.2 з 744B та чотирма LoRA по 1B, нативно підтримує довгий контекст до 2M;
• Стандартна версія Tall, 35B, доопрацьована на основі Qwen-3.7, працює на Mac.

Але ключове не в параметрах — а в цих 4 LoRA.

Раніше LoRA була «бюджетною альтернативою» повного навантаження параметрів. Економить гроші, але зі знижкою.

Mind Lab переосмислила це: базова модель — це «спільне», а LoRA — це «індивідуальність».

Що це означає? Як усі iPhone використовують ту саму систему iOS, але ваші додатки, звички введення та часті дії роблять ваш iPhone «вашим iPhone».

Діалоги мають бути природними й емпатичними, програмування — строго точним, агенти — багатоетапно планувати, генеративні інтерфейси — проектувати взаємодію — втиснути все це в один набір параметрів для навчання — вони будуть конфліктувати.

Підхід Macaron-V1 простий і прямолінійний: розібрати.

Чотири незалежні LoRA, які відповідають за чат, Agent, програмування та GenUI, кожен з яких навчається, оцінюється та відкочується окремо.

Динамічне переключення роутера під час виконання — коли ви кажете «допоможи мені скласти розклад», використовується Agent LoRA; коли ви кажете «у цьому коді є баг», переключається на Coding LoRA. Повністю прозоро для користувача.

Ця архітектура має офіційну назву: Mixture-of-LoRA (MoL) — різні здібності навчаються незалежно на спільній базовій моделі, гнучко комбінуються та викликаються за потребою. Не намагаєтесь перетворити одну модель на універсала, а поєднуєте групу фахівців для спільної роботи.

За результатами, Macaron-V1 ще не досяг рівня найсильніших закритих моделей у всіх аспектах. Однак у цілому ряді тестів він вже здатний зрівнятися з Opus 4.8, GPT-5.5 та Gemini 3.1 Pro — особливо виразно це проявляється в життєвих сценаріях, здатностях до кодування та генерації інтерфейсів.

SWE-bench підтверджено — один із найбільш авторитетних тестів кодових здібностей у галузі, Macaron-V1-Venti посів перше місце зі 85,6 бала, обійшовши друге місце на 3 бали, відставивши DeepSeek-V4-Pro (80,6), MiniMax-M3 (80,5) та Kimi-K2.6 (80,2).

Ще більш вражаючим є Deep-SWE, спеціалізований на тестуванні довготривалих складних завдань інженерії програмного забезпечення. Macaron-V1-Venti набрав 58,4 бала, а друге місце посів його базовий модуль GLM-5.2 — 46,2 бала. Той самий базовий модуль, після навчання з використанням LoRA та підсиленого навчання, показав результат на 12 балів вищий. Ось яку додаткову вартість може надати післянавчання.

Ще важливіше: відкриті ваги, можливість розгортання на власному сервері. Незалежно наскільки сильним є закрита модель, ваші дані все одно проходять через сервери інших. Macaron-V1 дозволяє перенести модель до вас додому — жодного байта даних не потрібно віддавати.

Андрій продемонстрував випадок під час виступу на WAIC: користувач робить фотографію збентеженого кубика Рубіка і надсилає її, модель розпізнає стан, застосовує алгоритм для розв’язання та генерує інтерактивний 3D-посібник з відновлення — це вимагає синхронізації чотирьох здібностей: візуального розуміння, алгоритмів, виклику інструментів агента та GenUI.

Ще один легко знехтуваний, але надзвичайно потужний дизайн: спільне проектування Model і Harness.

Що це означає? Навчання більшості моделей та їх реальне розгортання — це дві різні середовища: інструменти та процеси, які використовуються під час навчання, не збігаються з реальним середовищем після запуску, що призводить до зниження продуктивності.

Macaron-V1 з самого початку навчав модель разом із Harness для виробничого середовища: як викликати інструменти, як працювати з терміналом, як виконувати довготривалі завдання — після запуску все залишається саме таким.

Відповідний REPL Harness дозволяє моделі поєднувати інструменти за допомогою коду, зберігати проміжні стани та повторно використовувати ефективні процеси — не потрібно починати з початку кожного разу, що зменшує повторні виклики та витрати контексту.

Це не просто модель для чату, це інтелектуальний агент, який може виконувати завдання.

Чому це «єдина двійка у світі»?

Ви можете сказати: Що такого особливого в тонкій настройці LoRA? Їх повсюди.

Чудове у двох словах: масштаб.

30B-модель з LoRA-підсиленням навчання — багато команд можуть це зробити. Але коли кількість параметрів досягає трильйонів, складність зростає експоненційно.

Основна складність — це неузгодженість між навчанням та висновком. У підсилювальному навчанні потрібно одночасно навчати та виводити, збираючи зворотний зв’язок. Коли модель MoE з трильйонами параметрів розподілена на десятки GPU, навіть невелика різниця між точністю навчання та точністю висновку призводить до зсуву градієнтів, і крива навчання просто не збігається.

Наприклад: у камерному оркестрі з 30 музикантів невелика розбіжність у настрою ще може бути виправлена. Але якщо це великий симфонічний оркестр зі ста музикантами, навіть одна неправильно налаштована інструмент може зруйнувати весь виступ.

Є лише дві команди, які зможуть запустити LoRA-підсилення навчання на масштабі з трильйонами параметрів.

Одна — це Thinking Machines Lab Міри Мураті. Інша — Mind Lab.

Третьої немає.

У грудні 2025 року Mind Lab успішно запустив LoRA-підсилене навчання на Kimi K2 — надвеликій розрідженій MoE-моделі з загальним обсягом параметрів 1,04 трлн. Витрати обчислювальних ресурсів становили лише десяту частину від повного тонкого налаштування, а крива навчання стабільно збіглась.

У цьому місяці LongStraw знову продовжив навчання з підсиленням до 2M контексту за фіксованою потужністю GPU. Macaron-V1 — це сукупність цих досягнень.

Цей шлях проходять не тільки Mind Lab. Джон Шульман, головний науковець TML, співзасновник OpenAI та винахідник алгоритму PPO, у 2025 році опублікував статтю «LoRA without Regret», в якій експериментально довів, що LoRA у більшості сценаріїв післянавчання має таку ж продуктивність, як і повне доналаштування. Він назвав це «діапазоном низького жалю».

Галузь також голосує справжніми грошима. Fireworks AI, яка минулого тижня зібрала 1,5 млрд доларів США у серії D, має оцінку 17,5 млрд доларів США і може розміщувати сотні LoRA; Together AI завершила серію C на 800 мільйонів доларів США і вже встановила LoRA як стандартний метод донастройки.

Сіліконова долина витратила 2 мільярди на основу, а вона витратила десяту частину, стоячи на плечах гігантів

Тут є дуже цікавий порівняння.

Mind Lab і TML дотримуються однієї технологічної траєкторії, але їхні базові стратегії повністю відрізняються.

TML через різні причини вирішив навчати базову модель самостійно з нуля. Inkling, 975 мільярдів параметрів, 45 трильйонів токенів — але Мураті сама відкрито підтвердила: «Це не найпотужніша модель на даний момент».

Оцінки показують, що Inkling значно слабший за китайські відкриті моделі, такі як GLM та Kimi. Створення базової архітектури з нуля вимагало від них величезних зусиль і обчислювальних ресурсів.

Mind Lab навпаки. Він не навчає власну базову модель, а безпосередньо опирається на екосистему китайських відкритих моделей.

Kimi K2 підтверджує перевірку LoRA RL з трильйонами параметрів, V1-Preview базується на GLM-5.1, офіційна версія Venti використовує GLM-5.2, Tall — Qwen-3.7 — кожне оновлення базової моделі піднімає стартову лінію для додаткового навчання на рівень вище.

Китайські відкриті моделі досягли рівня, майже такого ж, як SOTA у світі. Використовуючи ці майже максимальні базові моделі, можна за допомогою LoRA та підсиленого навчання підняти ключові здібності до справжнього SOTA.

Вам не потрібно самим вирощувати пшеницю, щоб спекти найкращий хліб.

Наскільки жорстокий порівняння?

TML: Фінансування на 2 мільярди доларів США, команда з 100 осіб, співпраця з NVIDIA зі потужністю в мегавати — здатності Inkling все ще поступаються GLM-5.2.

Mind Lab: понад тридцять осіб, фінансування менше ніж 50 мільйонів доларів США — створено потужніші моделі в кількох напрямках: Chat, Agent, Coding.

Щодо LoRA-підсиленого навчання, Mind Lab, ймовірно, є найбільш ефективною командою у світі за співвідношенням витрат до результатів. Без винятків.

Постійне навчання: чому модель стає розумнішою зі вживанням?

Після обговорення технологій та порівняння настав найважливіший питання: яку гру грає Mind Lab?

Відповідь прихована в назві статті, спільно опублікованій Річардом Саттоном і Девідом Сільвером, колишнім головним дослідником AlphaGo — Welcome to the Era of Experience.

Попереднє навчання — це «вік даних»: модель вчиться на текстах, створених людьми.

Наступна ера — це «ера досвіду»: здатності ШІ більше не походять із наявних даних, а з довгострокових дій, зворотного зв’язку та безперервного навчання агентів у реальному середовищі.

Сьогодні основний суперечність великих моделей саме тут — після навчання вони замерзають.

Користувач виправляв ту саму помилку десять разів, і наступного разу модель знову має перечитувати історію чату. Coding Agent постійно невдається в одному й тому ж кодовому базі, і невдачі не перетворюються на нові навички. Модель щодня обробляє мільйони завдань, але досвід повністю втрачається.

Це лише нескінченний двигун міркувань, а не інтелектуальний агент, що розвивається.

Mind Lab має зламати цей замкнений коло. Їхня мета — створити «машину досвідченого інтелекту» — модель, яка продовжує навчатися у реальному світі після виходу з лабораторії.

Досвід перетворюється на нові навички, нові навички дозволяють вирішувати складніші проблеми, а складніші проблеми приносять ще багатший досвід.

Інтелект більше не є результатом одноразового навчання, а стає процесом постійного зростання.

LoRA тут більше не є «інструментом для економії коштів», а є стійким станом, який можна записувати, відкатувати та розвивати незалежно.

Базова модель зберігає загальні знання, а LoRA — ваші уподобання, стиль коду та бізнес-логіку. Це не статичні патчі, а пам’ять, що розвивається разом із взаємодією.

Експерименти підтверджують, що легкий адаптаційний модуль, стиснутий до менше ніж 0,5% параметрів базової моделі, залишається стабільним і надійним — чим сильніша базова модель, тим ефективнішими є невеликі оновлення.

Mind Lab пройшла цей шлях протягом трьох років. У 2023 році засновник Ендрю спільно зі Статтю GPT-1 Картиком Нарасімханом і Яо Шунью розробив FireAct — першу роботу, що використовує навчання параметрів для підвищення здатностей агента. Після запису траєкторії агента у параметри час одного виконання знизився з 9,0 секунди до 2,7 секунди.

Одноразова витрата на навчання, а кожне подальше використання — це прибуток. Від FireAct до Macaron-V1 ця логіка була масштабована до трильйонів параметрів.

Колективний інтелект: третя крива масштабування

Постійне навчання — це лише половина історії. Друга ключова ідея, що втілена в Macaron-V1, може бути ще більш революційною — групова інтелігентність.

Кожна модель навчається на основі власного досвіду, і різні екземпляри починають розвиватися в різних напрямках. Різні відгуки користувачів, різні завдання та різні дані формують різні здібності. Виходячи з однієї базової моделі, з часом вони стають «різними людьми».

Ця різноманітність — це баг чи функція? Результати експерименту дуже вражаючі.

З тієї ж бази Qwen3-30B, мета навчання та алгоритм повністю однакові, змінюється лише порядок даних та маскування.

Точність одного адаптера на AIME24: 36,44%. 198 різних адаптерів з голосуванням більшості: 48,67%. Повторна вибірка одного й того ж адаптера 198 разів дає максимум: 43,78%.

Різні «досвіди» надають комплементарність, яку окрема модель не може надати. Це не «пробувати кілька разів» — це справжній колаборативний ефект між різноманітними шляхами навчання.

Ендрю назвав це в WAIC третьою кривою масштабування.

Перше: Параметри масштабу у стилі GPT-3 — більші параметри призводять до вищого інтелекту.

Другий пункт: Scale Thinking Tokens у стилі DeepSeek R1 — більше токенів міркувань призводить до вищого рівня інтелекту.

Третій пункт: Масштаб кількості моделей — співпраця між більшою кількістю моделей призводить до вищої межі інтелекту.

У експерименті кількість моделей збільшилася з декількох до 200, і продуктивність лінійно зростала у логарифмічній шкалі. Якщо крива підтверджується, наступним кроком буде збільшення з 200 до 20 000, 2 мільйонів.

Мінд Лаб власноруч розробила платформу MinT, яка створила мільйонний каталог адресних LoRA. Мільйон LoRA ділять спільну базову модель з трильйоном параметрів.

Увага — це не мільйон малих моделей, а мільйон великих моделей з трильйоном параметрів.

Люди діляться більше ніж 99% генома, але майже ідентична біологічна основа не призводить до однакового розуму. Саме різноманітність інтелекту та його співпраця призвели до найвеличніших досягнень людської цивілізації.

2 тижні, 10 мільйонів доларів США ARR: найшвидше підтвердження комерціалізації

Навіть найкраща технічна дорожня карта не має значення, якщо ринок не готовий платити — це просто PPT. Mind Lab відкрила комерційний доступ до API на початку липня.

Результат: 2 тижні, 10 мільйонів доларів США ARR.

Це, ймовірно, найшвидший рекорд серед усіх компаній, що створюють моделі, з моменту запуску першої моделі, що досягло ARR у 10 мільйонів доларів США.

Цифри важливі, але ще важливіша швидкість. Те, що клієнти так швидко проголосували за цей технічний напрямок реальними грошима, свідчить про те, що він вирішує справжні, гострі проблеми.

Mind Lab продає не просто токени. Її основна бізнес-логіка полягає в тому, що клієнти купують здатність моделі постійно вчитися та ітерувати в своїх сценаріях.

Виробники смартфонів навчають власний LoRA на знаннях про продукт, виробники навушників вписують переваги взаємодії в стан моделі — ключові дані не потрібно передавати компаніям базової моделі для переосвіти, клієнти самі контролюють їх.

Shaoyin Technology, AI-апаратний стартап Odyss та один із провідних виробників смартфонів вже перебувають у списку партнерів.

Структура викликів API також свідчить про це: 20% — чат, 30% — робочі процеси агента, 30% — генерація коду, решта — від GenUI — розподіл сценаріїв рівномірний, а не штучний бум, підтримуваний одним вірусним продуктом.

Експертна версія — 6 доларів за мільйон токенів, стандартна версія — 4 долари, швидка версія — 2 долари.

Бачення Mind Lab полягає лише в одному реченні: якщо ви вмієте використовувати токени, ви можете навчати токени.

Процес навчання моделі має бути настільки ж простим, як і виклик моделі. Не потрібно великої кількості попередніх продажів, не потрібно індивідуальних ресурсів. Безперервне навчання саме по собі є масштабованою здатністю моделі.

Двері відкрилися

Річард Саттон у Торонто проголосив «вік досвіду». Лян Веньфен вважає, що для наступного покоління моделей необхідна здатність до неперервного навчання. Міра Мураті в Сан-Франциско створює інфраструктуру навчання з підсиленням з трильйонами параметрів LoRA. Оцінка Fireworks AI становить 17,5 мільярда доларів США.

Усі припускають однаковий напрямок: модель повинна продовжувати навчатися після розгортання. LoRA — це ключова технологія, яка робить це можливим у масштабі трильйонів параметрів.

Mind Lab — наймолодший учасник цієї галузі. Але його стартова позиція, можливо, найефективніша — без власної бази, опираючись на китайську екосистему відкритого коду, команда з тридцяти з чимось осіб і фінансування менше ніж 50 мільйонів доларів США досягла технічного рівня, що відповідає командам з Сіліконовою долиною з бюджетом у сотні мільйонів.

За цим стоїть просте, але глибоке припущення:

Фінальна битва у сфері великих моделей — не в тому, хто навчить найбільшу базову модель, а в тому, хто зможе зробити модель постійно розумнішою.

Попереднє навчання — це одноразова інфраструктура. Безперервне навчання — справжній захист.

Mind Lab хоче створити машину досвідченої інтелігенції — модель, яка продовжує вчитися в реальному світі після виходу з лабораторії, стаючи розумнішою з кожним використанням. Коли достатньо багато таких інтелектів почнуть співпрацювати, відкриється новий шлях до вищого інтелекту.

Мураті з 2 мільярдами доларів і командою з 100 осіб у Сан-Франциско відкриває ці двері.

А першою, хто трохи відкрила двері, була молодою лабораторією з цієї сторони Тихого океану, яка стоїть на плечах китайської екосистеми відкритого коду.