文 |无言

2026年1月1日，MacaronAI旗下MindLab搞出了个大动静。

他们推出的首款产品MinT平台，居然让普通CPU机器就能训练万亿参数的AI模型，一天就能跑完一轮训练。

MinT：CPU也能玩转万亿RL

之前AI圈里练万亿参数模型，那可是大公司的专属游戏。

没上千张顶级GPU，想都别想启动训练，中小团队和高校研究者只能看着算力门槛叹气。

MinT偏要打破这个规矩，它用了LoRA技术，不用改动模型全部参数，只针对性训练一小部分关键模块就行。

这个技术方案已经开源，还得到了NVIDIA官方的转载。

我本来以为这种级别的技术突破，得是老牌巨头才能搞定，没想到是一群年轻人牵头。

MindLab的团队配置确实亮眼，创始人Andrew毕业于MIT，现在还担任深圳清华大学研究院研发中心主任，之前做的FireAct是Agent微调领域的经典工作。

首席科学家马骁腾博士是清华自动化系出身，一直深耕强化学习。

团队里的人不是顶尖高校就是OpenAI、DeepMind这些头部实验室出来的，累计发表的论文和引用量都很能打。

这样的团队做出来的产品，技术底子自然不用怀疑。

MinT最让人惊喜的是成本控制，之前大模型强化学习的花费高到吓人，现在它直接把成本压了下来，让更多人有了参与的可能。

后训练之争：MinT对标Tinker

AI圈之前一直围着预训练打转，模型越做越大，数据越用越多。

但练完之后问题就来了，模型参数一旦定死，就像被冻住了一样，遇到新情况还是会重复犯错，没法适应变化的需求。

后来大家慢慢发现，强化学习才是破局的关键。

它能让模型不再只是记数据，而是学会推理，这一点已经被DeepSeekR1、Gemini这些前沿模型验证过。

海外那边，前OpenAICTOMira创办的ThinkingMachines，早就盯上了这个赛道，推出的Tinker平台在硅谷火得一塌糊涂，还拿了巨额融资。

本来以为Tinker会一直领跑后训练领域，没想到MinT不仅追了上来，还实现了反超。

MinT和Tinker的接口完全兼容，开发者不用改多少代码就能迁移过来。

更关键的是，MinT比Tinker更早实现了万亿参数的LoRA-RL，这可是业界首个该级别的成果。

如此看来，后训练赛道的竞争，已经从海外独角戏变成了全球同台竞技。

打破垄断：国产工具惠及更多人

MinT的出现，最受益的当属Agent领域的创业公司和高校实验室。

这些团队手里有好数据、好想法，却常常被算力和复杂的训练框架困住。

现在有了MinT，他们不用再为硬件发愁，本地CPU写几行代码，就能把训练任务分发到GPU集群执行。

切换不同模型也特别简单，只需要修改代码里的一个字符串就行。

目前已经有顶尖高校用它做基础研究，原本需要多节点才能完成的训练，现在单节点就能搞定。

创业公司也在垂直行业里落地，从智能客服到专业工具适配，都能看到MinT的身影。

在AI核心工具领域，国产产品能做到对标甚至超越海外标杆，真的很不容易。

现在数据安全越来越受重视，MinT作为国产平台，还能适配KimiK2、Qwen3-VL这些国内前沿模型，这一点尤为关键。

它没有搞技术封锁，反而开源方案、降低门槛，让更多人能用上先进的后训练工具。

MinT的横空出世，其实是给AI后训练时代带来了新的玩法。

它证明了AI技术不一定非要靠堆算力、砸钱才能推进，极致的工程效率同样能实现突破。

未来，随着这类国产工具的不断迭代，相信会有更多中小团队和研究者参与到AI创新中，中国AI也能在这个关键赛道上掌握更多主动权。

AI的下半场，从来不是少数人的游戏，而是更多人的共同探索。