完胜了，超越了，逼近了，
每次有新模型发布，介绍基本都长一个样。
推理更强了，代码更稳了，上下文更长了，Agent更聪明了。
榜单一排，柱状图一拉，每一项都比上一代强20%。所以我现在看模型，已经越来越不关心它在某张榜单上高了几分，不涨也不会放出来。
我更关心一件事，
稳定。
哪怕不是个全能水桶模型，只要能在我高频使用场景上一直有效，我很乐意冲个plan，很多时候这比我去openrouter扣扣搜搜挑一个免费模型要好得多得多。
还有67小时后Kimi额度才重置，Fable5用着API的我刷X看到了一个新模型Macaron V1，这也是我第一次看到公开的GLM5.2后训练模型，能一句话直出鹈鹕游戏，主打一个前端能力拉满，还把上下文扩展到了原生2M。
🔗 macaron. im/mindlab/research/introducing-macaron-v1
接入到Claude Code，加上taste skill之后一把出来的效果也挺能证明这模型UI水平的。待会我发发这个离谱的提示语，专门来测模型UI创意力的。
Macaron V1这次提出了一个新框架，MoL，
说穿了做了一件事，把基座模型整个冻住，一个参数都不动。所有后训练全发生在 LoRA 空间里。用人话说，就是同一个公司共用一套知识库，但客服，项目经理，程序员和设计师，各自保留一颗专业脑袋。
MoL想做的，就是让相近的任务互相强化，差得太远的任务各练各的。
像聊天需要理解你的语气，记住上下文，还要知道什么时候承认自己错了。
Agent要拆任务，调工具，处理意外，原来的路走不通了还得自己拐弯。
Coding更死板一点，语法，依赖，测试，终端，一个地方出错整段代码都跑不通。
UI又是另一种脑回路，视觉得好看，交互得能用，代码还不能只负责把首屏糊出来。
以前这些能力都挤在同一组后训练参数里，很容易优化跷跷板，代码提升来了情商就低了，情商上来了写作就都是幻觉了，所以我至今还怀念GPT5.4。
Macaron团队甚至专门做了一个插件来给UI打分，也就是测试AI模型的A2UI（Agent-to-User Interface） 能力，测的就是模型在对话中，除了回复文字外，能不能在合适的地方生成UI组件。
对于不爱用CLI命令行页面的人，马卡龙也一个Skill，也把问题解决了。
也就是说我可以直接看到之前的内容还不用/resume的一次次的开新视窗。相当于一个不用下载可装可关的Desktop App了已经。
🔗 github. com/mindverse-ltd/macaron-artifacts
纸面实力和新插件都看差不多了，是时候上真实任务了。
Kimi K3和Macaron V1都说自己UI好UI妙，那我就好奇了，在同样的任务下的表现会是怎么样。所以我给了一段精简提示词，
让V1来个自我介绍，没有额外提供技术栈限制，也没有让skill做场外辅助。
创建一个名为 web_design 的文件夹，并制作一个介绍 Macaron-V1-Venti 模型的交互式网页。
确保该网站达到生产级质量标准，并可直接部署上线。总共花了十分钟左右，从0开始，一个没啥AI味带模块化设计还有可视化图表的介绍站出现了。
总的来说，里面带的特效，没有压过文字要表达的信息，还嵌入了加入Agent后的聊天UI对话，这是我在其他模型用一样的提示语还没见过的效果，还挺新颖的。
也是借由Agent聊天框的想法，让我萌生了实测个Agent聊天室吧的想法。
一样是短短的几句Prompt
创建一个名为 chat 的新文件夹，并在网页中展示一个多智能体聊天室。
确保各个智能体能够相互交流，同时我可以随时终止它们的对话。
整体氛围可以像一个“AI 议会”，围绕人工智能的未来展开讨论。再等个十几分钟，它又又又出了结果
不同Agent各司其职，
有统筹者，有研究员，教育家和工程师也都进入了这个对话
让他们开始聊天后，消息源源不绝
大家都符合自己人设的疯狂表达。
在每轮对话主题过后还都有总结以及意向在边上让我做参考
从平时自己在家里跟Fable5斗智斗勇到现在看着Agent们内部间辩论的战火朝天，
这也就是三行提示词出来的效果。。。
再来再来，身为大模型，会点物理不过分吧，那让V1来做一个物理课教学页面，再考考模型的世界知识。
创建一个名为 gravity 的文件夹，并制作一个名为 Gravity Particle Lab（引力粒子实验室） 的精致单页 HTML 交互体验。
仅使用 HTML、CSS 和原生 JavaScript。所有代码都放在同一个 index.html 文件中，不使用任何外部库或框架。
## 核心概念
在一个大型交互式画布中展示动态粒子系统。画布中设有一个可以移动的引力源，用于吸引或排斥粒子。整体体验应更像一个轻量级的交互式物理实验室，而不是单纯的装饰性背景动画。
## 主要交互
在画布中渲染 100～300 个持续运动的粒子。
在画布中心附近放置一个引力源。
用户可以通过鼠标或触控拖动引力源。
粒子会加速朝引力源移动。
添加可选的排斥模式，将粒子推离引力源。
粒子碰到画布边界时应产生柔和的反弹效果。
限制粒子的最大速度，确保模拟过程保持稳定。
防止粒子被困在引力源内部。
保持动画流畅，并确保运动具有足够的稳定性和可预测性，避免出现失控或不稳定的情况。从运动轨迹到不同参数导致的反应，都展现的稳定还正确。
因为是大项目的缘故，在没有调用任何Skill的情况下，V1还能在接受后还自己加上了个内测。
而为了继续测它的 Coding 能力，我又想到了一个看着简单，实际上特别容易出Bug的经典大一作业噩梦：2048。
这个游戏大家应该都玩过，页面本身并不复杂，
无非就是一个 4×4 的格子，几个数字方块，再加上滑动和合并动画。
但真要把它写对，里面的坑一点都不少。
比如连续四个2应该合成两个4，而不是直接变成8，
同一个方块在一轮移动中只能合并一次，
无效移动不能生成新方块，
好多好多都是之前其他Agent踩过的坑。所以它表面上是个小游戏，实际上更像是一场状态管理和边界条件考试。我给它的提示语还是很直接：
创建一个名为 2048 的新文件夹，并制作一款功能完整且可以正常游玩的 2048 游戏。
使用自适应的4×4棋盘，并正确实现原版 2048 的全部游戏规则。
支持方向键、WASD 键以及移动端滑动手势。加入流畅的方块移动与合并动画，并提供当前分数、持久化保存的最高分、重新开始、获胜、游戏结束和继续游戏等状态。
需要特别注意方块的合并顺序，防止同一回合重复合并，同时正确处理无效移动、重复输入和响应式适配。
确保所有交互均可正常使用，最终完成的游戏中不得包含占位控件或明显错误。等它一次性生成结束后，整个游戏已经可以直接玩了。
从键盘操作，到数字方块移动和合并的反馈都做得很完整。
分数，最高纪录，重新开始，胜利提示和游戏结束状态也都有对应处理。
最后的最后，我一个真正的魔王任务来了。
这一次，直接把我们一直在做的AI学习网站，LearnPrompt交给它，现在重构之后长这样，
让它把原本偏内容型的学习页面，重新做成一个具有3D特效，可交互，还能清楚解释课程体系的展示网站。同时，我也允许它根据需要自行调用合适的 Skills。接到任务之后，V1没有说直接套一个常见的科技网站模板，是先读取了现有内容和项目规则，随后主动选择了Taste Skill，把它作为视觉与交互设计上的参考规范。
最终生成的结果，就是刚刚我发的第一个case，提示语也就是，
说实话，整体完成度比我预期中高不少，莫名有种我学习之前还可以看一个过场动画的感觉。
它使用了大量展开，收缩，切换和空间层级变化，把原本比较平面的学习内容重新组织成可以探索的页面。
不同内容之间不是简单地一段接一段往下堆，是通过交互和动画逐步呈现，让我在查看页面时有一种进入课程地图、逐层了解内容的过度感。
OK啊，就测到这儿，
聊点技术的，Macaron V1的2M上下文是怎么做到的，直接让glm5.2上下文翻了一倍。
他们发了个叫LongStraw的训练方法。现在强化学习训练有个硬墙，大概卡在256Ktoken。
模型学习的时候要同时记住刚才算了什么，反复比较好几个答案哪个更好，再把经验攒起来一起更新。
这三件事同时干的话，上下文再长一点显卡内存根本扛不住。
LongStraw的核心想法其实挺直觉的，一道题的题目大家都一样对吧，那题目只读一次，存个快照，后面只重播做题的过程。省下来的内存全拿去撑更长的上下文。实际效果上8 张H20上就把27B模型训到了 2.1M token，32 张H20上，GLM-5.2这种78层256路MoE的满血大模型也跑通了2.1M。
还有一个点我觉得有意思但容易被忽略的，他们的训练框架 MindForge 把上线后用的整套 Agent 环境原封不动搬进了训练。路由怎么分发、工具怎么调用、内存怎么排，训练和上线完全一样。
这也解决了一个老问题，训练环境和真实环境不一样导致模型上线就拉胯。
再说个更骚的，他们搞了个递归自我改进的闭环。模型自己出题，自己做，做完审计轨迹，改进harness配置，再拿优化后的数据更新自己。更新完的模型又能出更难的题。这个循环能一直转下去。
左脚踩右脚起飞了属于是。
从benchmark上看，Venti在大部分赛道上跟Opus 4.8、GPT5.5、Gemini 3.1 Pro打得有来有回，同时还是开放权重可以自己部署的。而且他们部署的GLM-5.2推理速度比智谱还快，这个我自己体感也对得上。
问题是现在按 API 调用收费，跑多了钱包扛不住。
我直接在线催更，
Mint Coding Plan 什么时候出？
出了我就是一个订订订。
@ 作者 / 卡尔 & yc星辰