前OpenAI CTO押注的赛道，被中国团队抢先跑通，AI「下半场」入场券人人有份

在大公司一路高歌猛进的 AI 浪潮里，小创业者和高校研究者正变得越来越迷茫。就连前段时间谷歌创始人谢尔盖・布林回斯坦福，都要回答「大学该何去何从」「从学术到产业的传统路径是否依然重要」这类问题。

AI，真的只是大公司的游戏吗？被算力掣肘的其他研究者、创业者，机会在哪里？在「强化学习」后训练引领「下半场」的当下，这个问题变得愈发重要。

好在，国内外都有专业团队在关心这个问题，比如前 OpenAI CTO Mira 创办的 Thinking Machines Lab，前段时间就推出了一个叫「Tinker」的产品，专注于解决后训练 Infra 的复杂性。

而在国内，一群由 95 后青年科学家组成的团队做出了足以对标甚至超越 Tinker 的竞品，成为世界第一家能够对标 Thinking Machines Lab 的公司。

这个研究中心叫 Mind Lab，是 Macaron AI 背后的实验室。1 月 1 日，他们发布了亮相以来的第一款产品——Mind Lab Toolkit（MinT）。这是一个用 CPU 的机器就能高效训练万亿参数模型的后训练平台，且成本优化了十倍，一天即可轻松完成一轮训练。此外，它比 Thinking Machines 更早实现了 1T LoRA-RL，是业界在万亿参数模型上进行高效强化学习的第一个成果。

如果你是 Agent 领域创业公司或高校顶尖实验室的成员，并且被算力限制了想象力，那你将是 MinT 的首批受益者。它的应用场景涵盖基础研究到垂直行业的广泛领域，已经在圈内做出了一些成果。

细看一下，Mind Lab 的创始团队也堪称豪华。创始人 Andrew 毕业于 MIT，目前担任深圳清华大学研究院的研发中心主任，代表工作有和姚顺雨合作的 Agent 微调的经典工作之一 FireAct。

首席科学家马骁腾博士则毕业于清华大学自动化系，常年深耕强化学习领域。团队成员来自清华、MIT、CMU等高校，并有OpenAI、DeepMind、Seed 等顶尖实验室的工作经历。

团队累计发表论文超 100 篇，总引用量超 3 万次。

这样一个团队打造的 MinT，正以极致的工程效率，将 AI 下半场的入场券交还到每一位研究者手中。

预训练时代结束

AI 下半场开启

过去几年，预训练一直是 AI 领域的主旋律 —— 更大的模型、更多的数据、更长的训练周期。

如今，这一阶段已趋于饱和：开源社区已经拥有万亿参数级别的模型，能够编写代码、总结文档、通过标准化考试。

但当这些系统被部署到真实产品中，新的瓶颈开始显现。模型一旦完成训练，参数就被 ' 冻住 ' 了，不停重复着相同的错误，也无法适应不断变化的用户需求，实际使用效果只能靠抽卡。

强化学习，正是破局的关键。

DeepSeek R1 的发布更是向业界证明，强化学习能够带来惊人的泛化性和样本效率 —— 模型不再只是 “记住” 数据，而是学会了在复杂任务中进行推理。

在 Gemini、DeepSeek V3.2、Kimi K2 等多个前沿模型的技术报告中都反复强调：后训练仍是一片蓝海，强化学习还没看到天花板。

2026 年的主旋律，是后训练。

后训练时代的基础设施

强化学习这么重要，为什么没普及？答案是：算法太复杂，训练太不稳定。

为了解决这个问题，前 OpenAI CTO Mira 创立的 Thinking Machines 发布了 Tinker，定义了后训练 API 的新范式，迅速获得美国学界和硅谷创业公司的热捧。

在 OpenAI 经历了 Sam Altman 被解雇又回归的内部动荡后，Mira 选择离开，并迅速组建了一支 “梦之队”—— 核心成员包括 OpenAI 前研究副总裁 John Schulman、Lilian Weng 等业界顶尖人才。资本市场对这家公司的追捧堪称疯狂。2025 年 7 月，Thinking Machines 完成了硅谷历史上最大的种子轮融资 ——20 亿美元，估值 120 亿美元。

他们押注的，正是后训练赛道。2025 年 10 月，Thinking Machines 发布了首款产品 Tinker，12 月面向所有用户开放。如果说 OpenAI 定义了大模型的推理 API 范式，那么 Tinker 定义的就是模型的训练 API 范式，让所有模型训练共享。

Tinker 已经获得了学术界和工业界的广泛认可，成为了硅谷和美国顶尖高校的训练新范式。

Mind Lab 与 MinT

国产后训练基础设施的崛起

Tinker 在海外大火的同时，国内也涌现出了对标甚至超越的力量 ——Mind Lab 推出的 MinT（Mind Lab Toolkit）。

Mind Lab 秉持 “From Static 'Brains' to Adaptive 'Minds'” 的理念，致力于让 AI 系统能够从真实世界的经验中不断成长。

在他们看来，当前大模型最大的问题是：训练完就 "冻住"，无法从真实交互中持续学习进化。

MinT，正是为解决这个问题而生。

MinT 和 Tinker 是什么关系？可以从两个层面理解：

兼容性上，MinT 做到了模型够大够全、接口完全一致 —— 与 Tinker API 完全兼容。这意味着使用 Tinker 的开发者可以几乎零成本地迁移到 MinT，享受国产基础设施带来的便利。

技术领先性上，MinT 不是简单的 “国产替代”。事实上，早在 2025 年 12 月 1 日，Mind Lab 就比 Thinking Machines 更早实现了 1T LoRA-RL，是业界在万亿参数模型上进行高效强化学习的第一个成果。

相关实现方案已经开源，并获得了 Nvidia 官方转载。

具体方案详见 Mind Lab 的技术报告：https://macaron.im/mindlab/research/building-trillion-parameter-reasoning-rl-with-10-gpus

MinT 解决了什么问题？

MinT 的核心价值可以用一句话说清：不论模型是1B还是1T，需要调度多少GPU，你只管数据和算法，基础设施的复杂工程全交给平台。

具体来说：用户只需在本地 CPU 机器上写几行 Python 代码，MinT 就会自动把计算任务分发到大规模 GPU 集群执行。集群调度、资源管理、容错恢复，这些让开发者和研究人员头疼的工程问题，统统由 MinT 搞定。切换不同的模型，只需修改代码中的一个字符串。

技术路线上，MinT 采用 LoRA 技术，使多个训练和推理任务可以共享同一计算资源池，从而显著降低成本。LoRA 在选择最优学习率的情况下，训练进程与全参数微调几乎完全一致，这为大规模高效后训练奠定了理论基础。

目前，MinT 已支持 Kimi K2 Thinking（万亿参数级别的 MoE 推理模型）、Qwen3-VL 系列视觉语言模型等前沿开源模型，并全面兼容 Tinker API。值得一提的是，MinT 还优先支持了 π0 等具身 VLA 模型，这也体现出了中国公司在具身智能上的领先优势。

为什么需要 1T LoRA-RL？

强化学习被视为让大模型从 “背题” 走向 “推理” 的关键，但现实里有三大难题：训练不稳，小模型难以收敛，算力成本高。LoRA 提供了一条低成本路径，只训练少量低秩适配器即可显著提升下游任务表现，且在 RL/Agent 训练上几乎不损失性能。

Mind Lab 在 Kimi K2（万亿参数 MoE）上实现了端到端 LoRA 强化学习，带来三点突破：

• 成本：仅用常规全参 RL 约 10% 的 GPU 资源，64 块 H800 即可完成训练。
• 稳定性：奖励与任务成功率平稳提升，无灾难性发散；在 held-out 基准上既提升特定任务，又保持基座模型通用能力。
• 系统：统一调度张量 / 流水线 / 专家 / 序列并行，针对 MoE 路由不均衡与通信压力做了专项优化。相关技术已贡献至 NVIDIA Megatron-Bridge 与火山引擎 verl 等开源项目。

为什么选择 MinT？

MinT 的产品设计围绕一个核心目标：把后训练和强化学习的门槛打下来。

• 验证成本上：MinT 允许开发者仅用 CPU 机器进行训练验证，告别配置 GPU 驱动和 OOM 的烦恼。这让团队可以在投入大规模 GPU 资源前，先低成本验证算法可行性。
• 工程效率上：MinT 将采样、训练、回写与发布无缝串联，减少了工程拼装成本。并行策略、权重管理、optimizer state 管理、滚动训练、日志与可复现性等，都按工程标准打通。
• 开发体验上：MinT 完全兼容 Tinker API，现有代码可快速适配，切换不同模型只需一行代码。目前已支持 Qwen、Kimi 等先进的开源大模型。
• 迭代速度上：采用 LoRA-RL 技术让模型迭代周期从 “按周” 缩短到 “按天”，真正服务于快节奏的产品开发需求。

谁是 MinT 最大的受益者？

第一批使用 MinT 的受益者，一定是 Agent 领域的创业公司和研究模型的高校顶尖实验室。

它们共同的特点是：掌握核心的数据和问题的设定。他们并非不了解前沿算法，而往往是被算力与训练框架难住了。

据 Mind Lab 官网介绍，目前 MinT 已经获得了顶尖高校和多个创业公司的认可，应用场景涵盖基础研究到垂直行业的广泛领域。

在学术机构方面：

• 清华大学人工智能学院黄高副教授团队（CVPR best paper 以及 NeruIPS best paper runner up 获得者）利用 MinT 开展了 RL 如何突破 Base model 知识边界的研究。

• 上海交通大学副教授、上海创智学院全时导师蔡盼盼的 RoPL 实验室使用 MinT 在具身决策大模型和决策世界模型方面展开研究。

在行业应用方面：

• 硅谷创业公司 Eigen AI 合作探索运用 MinT 和 Data Agent 合成数据在 1T 模型上进行 agentic RL 训练。

• 脑机接口公司姬械机利用 MinT 支持了他们的脑机接口 Agent BCI-Love，可以进行情感交互对话。

• 瑞铭医疗利用 MinT 对医疗编码模型进行了基于 RL 的后训练，显著提升了医疗编码的准确率，并落地到数十家三甲医院。

这些案例展现了 MinT 的通用性 —— 从基础研究到垂直行业，都能用。

中国团队引领后训练浪潮

如何让模型真正 “理解” 而非只是 “记住”，是众多创业团队与科研工作者共同面对的核心问题。强化学习被视为解决这一问题的关键路径，但其高门槛、高成本与不稳定性，长期限制了它在真实产品和中小团队中的落地。

2025 年，中国团队在开源模型上大放异彩。

2026 年，后训练将是中国 AI 弯道超车的下一个关键战场。

Mind Lab 选择了 LoRA-RL 这一技术路径，在超大规模模型上完成了万亿参数级别的探索与验证，再次证明了中国团队在前沿研究上的工程能力与原创实力。MinT 正是 Mind Lab 希望将这些研究成果系统化、工具化的产物 —— 让后训练和强化学习不再只属于少数头部机构，而是成为更多公司与实验室可以日常使用的能力。

这正是 Mind Lab 真正布局的方向：让先进研究转化为可用工具，让中国团队在模型后训练与强化学习这一关键技术浪潮中，实现自主可控。

可以访问以下链接了解更多：

• Mind Lab 官网：https://macaron.im/mindlab 
• 相关文档：https://mint.macaron.im/doc

文章来自于“机器之心”，作者 “机器之心”。