中國團隊跑通OpenAI賽道，AI下半場共享發(fā)展新機遇

2026年1月1日，MacaronAI旗下MindLab搞出了個大動靜。

他們推出的首款產(chǎn)品MinT平臺，居然讓普通CPU機器就能訓練萬億參數(shù)的AI模型，一天就能跑完一輪訓練。

之前AI圈里練萬億參數(shù)模型，那可是大公司的專屬游戲。

沒上千張頂級GPU，想都別想啟動訓練，中小團隊和高校研究者只能看著算力門檻嘆氣。

MinT偏要打破這個規(guī)矩，它用了LoRA技術，不用改動模型全部參數(shù)，只針對性訓練一小部分關鍵模塊就行。

這個技術方案已經(jīng)開源，還得到了NVIDIA官方的轉(zhuǎn)載。

我本來以為這種級別的技術突破，得是老牌巨頭才能搞定，沒想到是一群年輕人牽頭。

MindLab的團隊配置確實亮眼，創(chuàng)始人Andrew畢業(yè)于MIT，現(xiàn)在還擔任深圳清華大學研究院研發(fā)中心主任，之前做的FireAct是Agent微調(diào)領域的經(jīng)典工作。

首席科學家馬驍騰博士是清華自動化系出身，一直深耕強化學習。

這樣的團隊做出來的產(chǎn)品，技術底子自然不用懷疑。

MinT最讓人驚喜的是成本控制，之前大模型強化學習的花費高到嚇人，現(xiàn)在它直接把成本壓了下來，讓更多人有了參與的可能。

AI圈之前一直圍著預訓練打轉(zhuǎn)，模型越做越大，數(shù)據(jù)越用越多。

但練完之后問題就來了，模型參數(shù)一旦定死，就像被凍住了一樣，遇到新情況還是會重復犯錯，沒法適應變化的需求。

后來大家慢慢發(fā)現(xiàn)，強化學習才是破局的關鍵。

它能讓模型不再只是記數(shù)據(jù)，而是學會推理，這一點已經(jīng)被DeepSeekR1、Gemini這些前沿模型驗證過。

海外那邊，前OpenAICTOMira創(chuàng)辦的ThinkingMachines，早就盯上了這個賽道，推出的Tinker平臺在硅谷火得一塌糊涂，還拿了巨額融資。

本來以為Tinker會一直領跑后訓練領域，沒想到MinT不僅追了上來，還實現(xiàn)了反超。

MinT和Tinker的接口完全兼容，開發(fā)者不用改多少代碼就能遷移過來。

更關鍵的是，MinT比Tinker更早實現(xiàn)了萬億參數(shù)的LoRA-RL，這可是業(yè)界首個該級別的成果。

如此看來，后訓練賽道的競爭，已經(jīng)從海外獨角戲變成了全球同臺競技。

MinT的出現(xiàn)，最受益的當屬Agent領域的創(chuàng)業(yè)公司和高校實驗室。

這些團隊手里有好數(shù)據(jù)、好想法，卻常常被算力和復雜的訓練框架困住。

現(xiàn)在有了MinT，他們不用再為硬件發(fā)愁，本地CPU寫幾行代碼，就能把訓練任務分發(fā)到GPU集群執(zhí)行。

切換不同模型也特別簡單，只需要修改代碼里的一個字符串就行。

目前已經(jīng)有頂尖高校用它做基礎研究，原本需要多節(jié)點才能完成的訓練，現(xiàn)在單節(jié)點就能搞定。

創(chuàng)業(yè)公司也在垂直行業(yè)里落地，從智能客服到專業(yè)工具適配，都能看到MinT的身影。

在AI核心工具領域，國產(chǎn)產(chǎn)品能做到對標甚至超越海外標桿，真的很不容易。

現(xiàn)在數(shù)據(jù)安全越來越受重視，MinT作為國產(chǎn)平臺，還能適配KimiK2、Qwen3-VL這些國內(nèi)前沿模型，這一點尤為關鍵。

它沒有搞技術封鎖，反而開源方案、降低門檻，讓更多人能用上先進的后訓練工具。

MinT的橫空出世，其實是給AI后訓練時代帶來了新的玩法。

它證明了AI技術不一定非要靠堆算力、砸錢才能推進，極致的工程效率同樣能實現(xiàn)突破。

未來，隨著這類國產(chǎn)工具的不斷迭代，相信會有更多中小團隊和研究者參與到AI創(chuàng)新中，中國AI也能在這個關鍵賽道上掌握更多主動權(quán)。

AI的下半場，從來不是少數(shù)人的游戲，而是更多人的共同探索。