在大模型的下一阶段议题上，我们找到了一家做持续学习的中国Neo Lab，业内人士怎么看？

文｜王欣逸 编辑｜张雨忻 见到Mind Lab创始人陈锴杰，是在北京的晚上9点半，他已经见了一天的投资人。

陈锴杰是一位连续创业者，从杜克大学休学，做过AI互动故事平台MidReal，也推出了Personal Agent应用Macaron（马卡龙），上线当天就登顶了Product Hunt日榜；2025年10月，Mind Lab成立，团队约30余人，Mind Lab创始人Andrew Chen曾和姚顺雨共同发表FireAct论文，团队主要来自xAI、DeepMind、DeepSeek、字节跳动Seed、MIT和清华大学等企业与高校。

他们以Neo Lab的形象再度出现在大众的视野里。

他们所押注的方向，与图灵奖得主、强化学习之父Richard Sutton和OpenAI前CTO Mira Murati所强调的持续学习方向，高度一致。

几天前，WAIC 2026首日主论坛上，Sutton发表演讲，强调了下一代AI的核心路线是经验驱动，而静态标注数据模式已触达天花板。

DeepSeek近期也把持续学习带进了更多人的视野之中，声称Agent之后需要的解决的问题是持续学习，这也是下一代模型必须具备的能力。

可见，后训练与持续学习，越来越成为下一阶段评判模型能力的关键点。

Mind Lab在上个月发布了Macaron-V1-Preview模型，此后业务迅速被推着往前走：商业化刚开始跑2周，ARR就达到了1000万美金。

Macaron-V1-Preview的构成是：在GLM-5.1上，挂载了5个参数约1B的LoRA专家模块。

尽管只是一个预览版的模型，Macaron-V1-Preview在多个Benchmark上的表现也很亮眼，不仅性能反超基座模型GLM-5.1外，还领先GPT 5.4、Claude Opus 4.6等一众模型。

而超越基座的能力，就来自于挂载其上的LoRA。

而真正让他们备受关注的，是用MoL（Mixture-of-LoRA）的方式做后训练的路径。

在模型执行不同任务时，系统可以根据任务类型，动态切换到最适合的专家模块；在用户长时间的使用中，沉淀下来的数据也能积累出一个专属LoRA，能随着模型的不断调用而持续更新。

🔗 原始来源

如果你要核对细节，可以再看原文： 36氪原文链接