持续学习不只靠更新权重：Macaron-V1让模型与执行框架共同演化

Macaron-V1定位为面向经验智能的开放智能体模型家族，目标是在真实环境中从经验学习，并在部署后继续改进。它没有把持续学习简化为反复更新模型权重，而是将问题拆成适应与协作两个系统目标，覆盖模型架构、训练算法、执行环境和基础设施。

版本化系统如何自我改进

适应能力来自版本化的模型—执行框架组合。每个版本产生的交互经验先依据外部契约评估，再用于构造后继版本，因此改进对象不仅是模型，也包括工具、状态管理和任务执行方式。论文将这一过程称为 Model-Harness Co-design 与递归自我改进循环。

执行侧包含面向组件原生生成式界面的 UI4A、带状态的动作底座，以及版本化 HCP 契约；训练侧引入智能体强化学习框架 MindForge。这里的重要设计判断是：经验是否有效，不完全由模型自身决定，而要通过相对稳定的外部契约约束，降低自我评价与自我训练形成闭环偏差的风险。

Mixture-of-LoRA组织专家能力

协作目标由 Mixture-of-LoRA 实现。系统冻结基础模型，挂载可扩展的专业 LoRA，并在每个用户轮次选择一个适配器，而不是同时混合多个专家。旗舰版本 Macaron-V1-Venti基于744B参数的GLM-5.2，配置聊天、智能体、编程和GenUI四个LoRA；面向本地部署的Macaron-V1-Tall则基于50B参数的Qwen3.6，沿用相同结构。

配套设施还包括后训练平台MinT、长上下文强化学习方法LongStraw，以及面向稀疏MoE和DSA基础模型的稳定性技术。论文在个人智能、GenUI和通用能力基准上与前沿基线比较，但摘要未提供具体分数、成本或消融结果，暂时无法判断各组件的独立贡献。

我的判断

Macaron-V1的价值主要在系统设计：它把持续学习的版本管理、执行契约和专家扩展放进同一框架，比单纯增加训练数据更接近长期运行的智能体需求。Mixture-of-LoRA也为低成本新增专长提供了清晰接口。不过，每轮只选一个LoRA可能限制跨领域任务，递归改进能否稳定避免能力退化也仍需完整实验支持。对需要长期迭代、任务边界较清楚的智能体平台，这套思路值得关注；对强调多能力即时融合的场景，其适用边界仍不明确。