Macaron 把『修正』的成本第一次降到了可商用,持续学习这条线拐了

7 月 21 日,Macaron 团队发了 V1 正式版。Venti 版 748B 参数,Tall 版 50B 参数,都基于已经存在的底座做 LoRA 二次训练。两个版本都被专门做成长程 Agent 任务的形态,团队在同一个月对外公布商业化 ARR 已经突破千万美元量级。

这件事值得拆开看的不是参数,是结构:一个已经发布过的底座被二次加工,加工用的不是全参数微调,是 LoRA 混合架构。LoRA 不是新技术,Macaron 把它放进 Agent 的长程任务里,这一步让「修正」这件事第一次有了商业上的可行性。

为什么修正的成本重要?因为前几代 Agent 卡住的地方都是同一处:它跑完一轮任务,经验没有沉淀下来,下一次还是从零开始学。修正成本高,意味着 Agent 在生产里只能跑短链路任务。Macaron 的解法是,每次任务反馈都进入 LoRA 这条线,主线权重不动,行为被悄悄改写。

这种结构的隐含假设是:模型可以被自己的经验不断改写,而不需要每次重新发布一个新版本。如果这条假设成立,Agent 厂商之间的竞争就不在「谁的底座更大」,在「谁的 LoRA 适配器积累得更厚」。资产从参数变成了适配器,从快照变成了路径。

ARR 千万这件事,是这条路第一次被市场承认。可商用不是技术问题,是有人愿意为「持续学习」付费,愿意为「路径」付费,而不是只为「参数」付费。

Macaron 给行业留下的不是模型,是一个被验证过的商业锚:持续学习的价值,可以被定价。