Mind Lab öffnet Post-Training-Plattform Mint Recursive für Unternehmen, ab 1.000 US-Dollar

Ein Workflow vom Benchmark bis zum Deployment

Mint Recursive bietet Post-Training von Modellen für Unternehmen und macht, so Mind Lab, aus der Expertenerfahrung eines Unternehmens Modellfähigkeiten, die dem Unternehmen selbst gehören. Als Beispielbranchen nennt das Unternehmen Pharma, Finanzwesen, öffentlichen Sektor und Gaming.

Jedes Projekt beginnt mit einem gemeinsam mit dem Kunden erstellten Benchmark. Er legt das Aufgabenziel fest, definiert, wie korrektes Verhalten aussieht, welche Fehler am häufigsten auftreten und welche Abnahmeschwelle ein Modell erreichen muss. Datenentwicklung, LLM-Post-Training und Deployment laufen anschließend in einer einzigen Schleife, sodass jede Iteration an einem Standard gemessen wird, den der Kunde mitbestimmt hat.

Das Unternehmen versteht ein universelles Modell als Ausgangspunkt, nicht als fertiges Produkt.

Geringere Kosten und drei Arbeitsmodelle

Mind Lab zufolge sind es oft die Kosten, die Teams davon abhalten, eigene Modelle zu trainieren. Die Plattform kombiniert LoRA-Post-Training, gemeinsam genutzte Basismodelle und verteilte Optimierung, sodass weniger Parameter aktualisiert werden und weniger Rechenleistung anfällt. Das Unternehmen gibt an, dass die GPU-Kosten bei ausgelieferten Projekten um mehr als 90 Prozent gesunken sind.

Kunden können Basismodelle aus den Familien GLM, DeepSeek, Kimi, Qwen und MiniMax wählen und in privaten, VPC- oder Hybridumgebungen betreiben. Außerdem entscheiden sie, wie viel Eigenleistung ihr Team einbringt:

• Full Service: Die Forward-Deployed-Engineers von Mind Lab übernehmen Benchmark, Daten, Post-Training und Deployment von Anfang bis Ende.
• Automatisiertes Training: Teams, die Modell, Daten und Konfiguration selbst festlegen, überlassen Planung, Training und Auslieferung der Plattform.
• Volle Kontrolle: Teams schreiben ihre eigenen Verlustfunktionen und Trainingsschleifen, während das Labor Cluster, Trajektorien-Sampling, Gewichtssynchronisation und Inferenz bereitstellt.

Die Forschung hinter der Plattform

Die Plattform geht aus der Arbeit des Labors im Bereich Reinforcement Learning hervor. Mind Lab zufolge gehörte es zu den ersten Teams, die durchgängiges LoRA-Reinforcement-Learning auf Mixture-of-Experts-Modellen (MoE) mit einer Billion Parametern umgesetzt haben.

Bei der Vorstellung von Mint Recursive im September veröffentlichte das Labor zugleich Macaron-V1.1, ein Agentenmodell mit 752 Milliarden Parametern, das auf Basis von GLM-5.3 nachtrainiert wurde und offene Gewichte hat. Laut Unternehmen dauerte der Schritt von Macaron-V1 zu Macaron-V1.1 auf der Plattform zwei Wochen. Bei 60 UI-Aufgaben stieg die Erfolgsquote bei der Auslieferung im ersten Versuch von 71,67 Prozent bei GLM-5.3 auf 96,67 Prozent bei Macaron-V1.1.

Im Gesundheitswesen und in den Lebenswissenschaften unterstützt Mind Lab nach eigenen Angaben Literaturrecherche und Evidenzprüfung, Wirkstoffforschung und F&E-Intelligence sowie die Qualitätskontrolle medizinischer Akten. Die ausgelieferten Arbeiten in diesem Bereich umfassen 27 Qualitätskontrollindikatoren und mehr als 8.000 Erfahrungsspuren von Ärztinnen und Ärzten.

Was das für Unternehmen bedeutet

Das Angebot richtet sich an Organisationen, die eigene Modelle wollen, ohne ein großes Programm vorab aufzusetzen. „Das wertvollste Trainingssignal eines Unternehmens ist das Urteil seiner eigenen Experten“, sagte Chen Kaijie, Gründer von Mind Lab, in der Pressemitteilung. Er fügte hinzu: „Es muss nicht als großes Programm beginnen. Es kann mit einer echten Aufgabe anfangen.“

Unternehmen, die eigene Modelle entwickeln möchten, können sich an Mind Lab wenden, um den Benchmark für eine einzelne Aufgabe zu definieren. Die Quelle nennt einen Einstiegspreis für spezialisiertes Training und die Wahl zwischen betreutem, automatisiertem und vollständig selbstgesteuertem Arbeiten, aber keine weiteren Preisdetails. Die Leistungs- und Kostenangaben stammen vom Unternehmen selbst.