一个个人智能体里放四个 LoRA 专家：Macaron-V1 想减少技能打架

个人智能体越做越多，问题也随之出现：同一个模型既要会调用工具、写代码、生成界面，又要记住说话方式，新增一种能力还可能把原来的能力挤掉。

心洲科技在 WAIC 2026 FT 项目池展示的 Macaron-V1，选择把任务拆给四个 LoRA 专家。这个 7 月 21 日刚发布的模型，希望让不同技能共用一个底座，又尽量少互相干扰。

四个专家分工，不让所有任务挤在一组参数里
Macaron-V1 延续 Mixture-of-LoRA 架构，在基础模型旁配置四个专家模块，分别面向智能体任务、编程、A2UI 界面生成和人格表达。执行任务时，系统可以组合这些专家，而不必为每种能力重新训练一套完整模型。

LoRA 是一种只训练少量附加参数的微调方式。把不同能力拆开，理论上的好处是更新编程或界面能力时，不必同时改动整套模型；团队也更容易定位某项能力从哪里来。它是否真的减少能力干扰，仍要看公开评测和实际任务。

A2UI 负责让智能体根据任务生成可操作界面。例如旅行规划不只返回一段文字，还可以组织出日期、地点和选项卡片。Macaron 团队此前已公开相关论文，这次把界面专家放进正式版本。

Venti 放在云端，Tall 瞄准本地部署
官方同时发布两个版本。Venti 总参数量为 748B，由 744B 基础模型和四个 1B LoRA 专家组成，基于 GLM-5.2 继续训练；Tall 总参数量为 50B，采用 35B 基础模型和四个约 3.7B 的专家，基于 Qwen 3.6，面向本地部署。

这组划分把个人智能体常见的两条路线放在一起：云端版本追求更强的复杂任务能力，本地版本则更适合重视响应速度、成本和隐私的设备或私有环境。具体硬件要求、开放权重和使用许可仍需以团队后续说明为准。

近期独立报道也把重点放在 Mixture-of-LoRA 和两种尺寸，而不是把它当成普通聊天模型。对开发者而言，值得关注的是专家如何路由、长期记忆怎样接入，以及本地版本能否在日常硬件上稳定运行。

架构新鲜，不等于个人智能体已经成熟
个人智能体需要长时间接触日程、位置、联系人和偏好。模型会不会记错、用户能否删除记忆、不同专家是否共享敏感信息，都会直接影响可用性。架构图只能解释能力怎样组织，不能替代这些产品层验证。

Macaron-V1 的发布页给出了模型组成与能力方向，但团队自报的效率、规模和领先性结论仍需要更多独立复现。WAIC 目录里的融资、用户量和团队经历也没有作为本文事实采用。

如果后续开放体验，最值得测试的不是让它回答一个知识问题，而是给同一项生活任务连续追加条件，观察界面、工具调用、代码和人格表达能否协同，以及用户能否看清每一步用了什么信息。

想继续了解
• Macaron MindLab：Introducing Macaron-V1
• Macaron 官网
• 投资界：心洲科技与 Macaron-V1 近期进展
• arXiv：Macaron-A2UI
• WAIC 2026 官方企业目录