先手 SENTE · 周报阅读清单 · 速读 · arXiv 2608.09819
Macaron-V1：冻结基座 + 多个 LoRA 专家，做能持续学习的开放 Agent 模型
Macaron-V1: Towards Open Continual Learning with Self-Improvement and Mixture-of-LoRA
Mind Lab，:，Vin Bo，Asher Cai 等 83 位作者 · 2026-08-10
冻结 744B 基座，四个 LoRA 专家按轮切换，模型与外壳一起版本化迭代
打开交互式解读 →三个要点
- 问题：想让 Agent 模型在部署后继续从经验中学习，需要环境、外壳、训练循环和模型架构都能演进；直接反复训练整个大模型成本高，也容易破坏通用能力。
- 方法：Mixture-of-LoRA 架构冻结基座、组合专家 LoRA，每个用户回合只选一个 LoRA；旗舰 Venti（748B）以 744B 的 GLM-5.2 为基座，配聊天、Agent、编程、GenUI 四个 LoRA；「模型—外壳」成对版本化，上一版本的经验在外部契约下评估后用于构建下一版本。
- 结果：在团队自建的 UI4A-Bench（161 个用例）上 Final Score 87.8，Opus 4.8 为 75.9、GPT-5.5 为 72.1；TerminalBench 2.1 得 87.6；SWE-Verified 85.6，低于 Opus 4.8 的 88.6（作者自报）。作者明确说持续学习的长期累积收益仍是开放问题。
87.8 UI4A-Bench Final Score（团队自建 GenUI 基准）
适合谁读：做开放权重 Agent 模型、私有化部署与持续学习的团队。
AI 解读 · 基于原文：本页由 AI 根据论文原文整理，所有数字均可在原文中找到出处；引用前请核对原文。