01 模型上线，并不意味着训练结束
过去，一家公司训练模型，往往像交付一个项目：准备数据、启动训练、拿到模型，然后上线。
现在，这个过程越来越像软件更新。
Cursor正在用真实用户反馈训练其编程模型Composer。新模型上线后，团队观察用户是否接受模型生成的代码，再把这些结果转化为下一轮训练信号。最快时，Cursor每五小时就能推送一个新的checkpoint。
这意味着模型研发方式发生了变化：模型不再关起门来训练完成，再一次性交给用户；它可以先进入真实场景，从使用结果中发现问题，然后继续更新。
企业之间的竞争也因此多了一层。大家比较的不只是“谁的模型现在更强”，还包括谁能更快发现问题、完成训练，并把改进后的版本重新送回生产环境。
Mind Lab此次发布的Mint Recursive，就是围绕这套循环搭建的模型后训练与推理平台。与平台同时发布的后训练模型Macaron V1.1，则是一次实际演示：Mind Lab借助这套系统，用两周完成了完成了基于GLM5.3的后训练。
Macaron V1.1的发布，也让外界得以看到Mint Recursive实际参与模型迭代的方式。
02 企业真正想拥有的，是自己的判断
为什么越来越多企业希望拥有自己的模型？
随着基础模型能力提高，不同企业都能获得一个不错的起点。但基础能力越接近，企业之间的差异就越取决于另一件事：模型是否理解自己的业务标准。
一家投资机构判断什么信息值得关注，一家法律公司决定什么内容必须引用，一家电商平台处理售后问题时愿意承担多大风险。这些标准很难由通用模型天然掌握。
Bridgewater旗下AIA Labs与Thinking Machines做过一项实验，让模型判断财经报道是否值得投资人阅读。仅仅优化提示词，提升很快遇到上限；加入投资专家筛选和标注的数据后，模型的判断才出现明显改善。
模型学到的，是投资人筛选信息的尺度。
企业真正有价值的知识，很多都以这种形式存在。它们没有完整写在制度和文档里，而是藏在专家做过的大量选择中，也藏在用户对产品的一次次接受、拒绝和修改中。
因此，拥有自己的模型不一定是从头训练一个基础模型。对大多数企业来说，更现实的目标是拥有一个可控制、可更新的模型版本，并掌握围绕它形成的数据、评测标准和训练方法。
基础模型可以更换，但从真实业务中积累下来的判断，需要用某种方式保留下来。
03 持续训练真正的瓶颈是基础设施
道理并不复杂，实施起来却很困难。
完成一次模型后训练，需要训练、推理和任务环境互相配合，其中任何一环等待或出错，整轮训练都会被拖慢。
更麻烦的是，一些看似纯粹的工程问题，也会改变训练结果。
可以把它理解为：模型生成答案时用了一把尺子，训练时又换了另一把尺子。两边的计算方式稍有差异，训练系统就可能把误差当成模型进步或退步。模型越大、结构越复杂，这类问题越难发现。
所以，基础设施不是后训练之外的辅助工作。它决定了反馈能否准确进入模型，也决定了下一轮训练需要几天、几周，还是根本无法完成。
Mint Recursive正是从Mind Lab自己的训练需求中生长出来的。团队最初为了在超大参数模型上训练Macaron，需要处理显存、通信、训推一致性和权重切换等问题。围绕这些问题积累的部分技术，也被用于英伟达的Megtron-Bridge和字节的Verl等开源训练项目。
在内部系统逐渐稳定后，Mind Lab才把评测、数据、训练和部署整理成一套对外平台。换句话说，Mint Recursive不是先有一个平台概念，再寻找使用场景；它首先在内部完成了验证，然后才成为一项企业服务。
04 让模型迭代有据可循
训练模型之前，企业首先要回答一个问题：模型究竟差在哪里？
Mint Recursive的做法，是先定义业务Benchmark，自动运行评测并按标准判断结果。失败案例可以整理成训练数据，同一套Benchmark也会用于模型训练后的验收。
这样一来，评测不只是训练结束后的验收环节，也决定了下一轮训练往哪里走。对许多企业而言，困难往往不是没有数据，而是不知道哪些数据值得训练。如果模型的问题没有被准确定位，增加数据只会让训练规模变大，未必带来更好的结果。
完成训练后，新模型会再次接受同一套Benchmark的检验。团队可以比较新旧版本的表现，查看哪些能力有所改善、哪些地方出现退步，再决定是否上线。数据、训练配置和模型版本也会被关联起来，方便后续追踪和回退。
Macaron V1.1是这套流程的一次实际应用。它将基座从GLM-5.2升级到GLM-5.3，同时保留面向Chat、Agent、Coding和Generative UI的四个LoRA专家。由于上一版本积累的评测、数据和训练流程可以继续使用，这次升级用时两周。
这个案例说明，基础模型换代并不一定意味着从头开始。只要评测标准、业务数据和训练方法能够沉淀下来，企业就可以更换基座，同时延续已经形成的专业能力。
Mint Recursive所管理的，也不只是某一次训练，而是模型从发现问题、完成更新到验证结果的全过程。对企业来说，这套能够反复使用的迭代流程，可能比某一个模型版本本身更值得积累。
05 后训练平台正在成为新的中间层
大模型产业正在出现一块新的中间地带。
一端是快速更新的开源模型，另一端是掌握用户、场景和行业数据的应用公司。前者提供通用能力，后者知道模型在具体工作中应该做到什么，但两者之间还缺少一条足够低成本的连接方式。
过去，企业要么直接调用通用模型，要么组建团队、自建集群，完成一套定制训练。前一种方式启动快，却很难沉淀专有能力；后一种方式控制力更强，但工程成本和试错门槛都很高。后训练平台试图填补的，正是两者之间的空白。
Fireworks、Baseten以及Mint Recursive近期推出的产品，虽然实现方式不同，但方向相近：让企业不必承担完整的底层工程，也能参与模型训练。随着这类服务出现，拥有专属模型不再只是大型实验室的选择，中小团队也可以从一个具体任务开始尝试。
这也改变了产业链上的分工。基础模型公司负责提高通用能力上限，应用公司提供业务场景和判断标准，后训练平台则负责把这些经验转化为可以运行的模型版本。它既不是单纯出售算力，也不直接替企业定义产品，而是提供连接模型与业务的训练基础设施。
过去，企业主要选择“使用哪个模型”。随着基础模型越来越丰富，下一个问题会变成：企业能否把自己的经验留在模型里，而不是在每次更换基座时重新开始。后训练平台的机会，就来自这两种能力之间的距离。
参考文章
Cursor, “Improving Composer through real-time RL”
Thinking Machines Lab / Bridgewater AIA Labs, “Learning to Replicate Expert Judgment in Financial Tasks”
Harvey, “Post-training update: Harvey Tenet”
Modal, “Reinforcement Learning Is an Infrastructure Problem”
Mind Lab, “Building Trillion-Parameter Reasoning RL with 10% GPUs”
NVIDIA Megatron-Bridge Documentation；verl Release Notes
Fireworks, “Train Past the Frontier”
Baseten, “Introducing the Baseten Loops SDK”
