Mind Lab testa aprendizado contínuo com modelo Macaron-V1

O que é a Mind Lab

A Mind Lab é uma startup fundada em outubro de 2025 por Chen Kaijie (Andrew Chen), que abandonou Duke University e já havia criado a plataforma de storytelling interativo MidReal e o app de agentes pessoais Macaron, que liderou o Product Hunt no dia do lançamento. A empresa tem mais de 30 funcionários, com equipe vinda de xAI, DeepMind, DeepSeek, ByteDance Seed, MIT e Tsinghua. Sua controladora, Mindverse, já levantou US$ 60 milhões, incluindo uma Série A de quase US$ 50 milhões liderada pelo braço de investimentos da Meituan.

A aposta técnica: LoRA e aprendizado contínuo

O ponto de partida foi o paper FireAct (2023), coautoria de Andrew Chen com Shunyu Yao, que defendia treinar dados relevantes diretamente no modelo em vez de depender de prompt engineering. A partir disso, a Mind Lab desenvolveu uma abordagem de pós-treinamento baseada em MoL (Mixture of LoRA adapters): múltiplos módulos LoRA especializados que podem ser ativados dinamicamente conforme a tarefa.

Em dezembro de 2025, a empresa realizou treinamento LoRA-RL (reinforcement learning com LoRA) no Kimi K2, modelo MoE de um trilhão de parâmetros, usando 64 GPUs Nvidia H800. O resultado ficou próximo ao de treinamento full-parameter, consumindo cerca de 10% dos recursos de GPU. A Mind Lab é considerada a única equipe na China a ter feito LoRA-RL funcionar nessa escala - no exterior, apenas a Thinking Machines Lab, de Mira Murati, teria capacidade similar.

Macaron-V1: resultados concretos

O modelo Macaron-V1-Preview foi lançado em junho de 2026, adicionando cinco módulos LoRA (cada um com ~1 bilhão de parâmetros) ao GLM-5.1. Superou o modelo base e também GPT-5.4 e Claude Opus 4.6 em benchmarks citados pela empresa. Em duas semanas de comercialização, alcançou US$ 10 milhões em ARR.

A versão completa, Macaron-V1, foi open-sourced em 21 de julho de 2026 em duas variantes:

• Venti: 748 bilhões de parâmetros (744 bilhões do GLM-5.2 congelado + 4 bilhões de quatro LoRA adapters para chat, agentes, código e geração de UI). Contexto de 2 milhões de tokens.
• Tall: versão leve de 50 bilhões de parâmetros para deploy local, pós-treinada sobre Qwen 3.6. Também com contexto de 2 milhões de tokens.

Segundo a empresa, Macaron-V1 alcançou estado da arte em 6 de 12 benchmarks.

Colaboração entre LoRA adapters

Um experimento com 200 LoRA adapters treinados em 200 datasets diferentes revelou dois achados: (1) o desempenho do modelo cresce em relação log-linear com o número de LoRAs colaborando; (2) o modelo com todos os 200 adapters colaborando superou em ~25% um único adapter treinado nos mesmos 200 datasets.

Infraestrutura e negócio

A Mind Lab lançou a plataforma MinT, que gerencia mais de 1 milhão de modelos LoRA e transfere apenas os adapters leves, melhorando velocidade de carregamento em quase 10x. O negócio se divide em três frentes: pesquisa e infraestrutura de pós-treinamento, o app consumer Macaron (agente pessoal com memória de longo prazo) e clientes enterprise (fabricantes de hardware com IA, Microsoft Azure, Huawei Cloud).

Contexto mais amplo

A abordagem se alinha à visão de Richard Sutton (Turing Award, pai do RL) de que a próxima geração de IA será guiada por experiência, e à tese da DeepSeek de que aprendizado contínuo é o problema a resolver depois de agentes. Em julho de 2026, Sutton fundou a Oak Lab com foco em agentes que aprendem continuamente. Chen resume a filosofia como "inteligência experiencial": o modelo aprende com experiências, converte-as em capacidades, resolve problemas mais difíceis e gera experiências mais ricas - num ciclo de crescimento contínuo.