什么是 MinT

MinT（Mind Lab Trainer）是 Mind Lab 推出的、面向大语言模型的强化学习训练基础设施——一套以客户端 SDK 为入口的训练平台。用户在自己的 CPU 机器上写一段简单的 Python 脚本，把数据、损失函数、RL 环境定义清楚；MinT 在远端管理 GPU 集群、对象存储与数据库，按需调度模型加载、前后向计算、优化器更新与采样推理。MinT 不试图把"微调"变成一个黑盒按钮，而是在保留用户对训练循环和算法细节完整控制权的前提下，把分布式训练的复杂性隐藏掉——换底座只需要改一个字符串。

设计哲学

MinT 的设计哲学可以概括为三点：

• 把用户从分布式工程里解放出来：用户只关心数据、损失函数和 RL 环境，其余交给平台。
• 不做黑盒：训练循环可见、可改、可调；算法的每一步都可被审查与替换。
• 一行代码切底座：从 Qwen3-0.6B 到 Qwen3-235B，仅需修改一个字符串。

核心价值

MinT 之所以适合企业级 LLM 后训练，源自以下几方面能力：

• 低门槛的强化学习：把 GRPO、PPO 等 RL 算法封装成与 SFT 同形态的 API，减少自研成本。
• LoRA 训练为核心：内置 LoRA Manager，训练完成后可直接得到一个轻量增量权重并立刻采样验证。
• 远端异步执行：客户端只在调用 .result 时阻塞，训练与采样以 Future 形式异步推进。
• 内置可信评测：与受控研究流程配套的多轮评测、自动裁判、断点恢复与结构化日志。
• 企业级合规：支持专属算力、私有部署、审计日志与自定义 SLA。

系统架构

MinT 的整体架构分四层：

• 客户端层：用户在本地通过 mint Python SDK 编写训练脚本，无需 GPU。
• API Gateway：统一鉴权、路由与流量控制入口。
• 核心服务层：包括 Model Router（模型路由）、Task Manager（任务调度）与 LoRA Manager（LoRA 权重管理）。
• 后端资源层：GPU 集群（训练与采样）、对象存储（数据集与权重快照）、数据库（任务元信息与审计日志）。

用户与平台之间的所有交互都通过 SDK 进行，复杂的集群调度、显存管理、batch 切分等工程细节对用户透明。

社区版与企业版

MinT 同时提供社区版（mint.macaron.xin）和企业版两种形态。两者共享同一套 SDK 与 API，代码可以零成本迁移；区别主要在算力、隔离、SLA 与合规层面：

最短可工作示例

下面是"从写脚本到拿到推理端点"的完整最短链路（来自）：

import mint
from mint import types

service_client  = mint.ServiceClient
training_client = service_client.create_lora_training_client(
    base_model='Qwen/Qwen3-0.6B',
    rank=16, train_mlp=True, train_attn=True, train_unembed=True,
)
adam_params = types.AdamParams(learning_rate=5e-5)
for step, batch in enumerate(batches_of(data, batch_size=8)):
    fb  = training_client.forward_backward(batch, loss_fn='cross_entropy')
    opt = training_client.optim_step(adam_params)
    print(f'step={step} metrics={fb.result.metrics}')
    opt.result

sampling_client = training_client.save_weights_and_get_sampling_client(name='my-run-v1')

企业版增值能力

完整列出的四类增值能力：

• 专属算力池（§4.1）：保留容量 + 弹性容量，按团队 / 项目 / Recipe 多维统计。
• 部署形态与隔离（§4.2）：多租户专属 / 单租户专属两种，均提供从网络到调度层的完整隔离。
• SLA 与审计（§4.3）：可用性 SLA 通常 99.9% 起步；关键事件最低 30 分钟内首响；审计日志保留周期可配置，最长可至 1 年；基于工作空间的 RBAC。
• 私有化与合规（§4.4）：依赖镜像与离线安装包、控制台与 SDK 同源、可选国密 / SSO / AD 集成与日志外发、私有化模型托管（LoRA 与合并权重可离线部署）。