Macron V1 Preview：基于 GLM-5.1 的 LoRA 混合路由架构

本期视频深入评测了名为 Macron V1 Preview 的模型，它并非全新基座，而是基于开源大语言模型 GLM-5.1 构建的精细调优版本。该架构的核心创新在于引入了 Mixture of LoRAs Router（LoRA 混合路由器），通过构建五个不同领域的 Low-Rank Adaptation (LoRA) 适配器，实现了对提示词的动态路由。例如，L0 适配器专门处理通用聊天任务，而 L2 则聚焦于代码生成。这种设计允许模型根据用户输入自动选择最合适的专家模块，从而在保持基座模型通用性的同时提升特定领域的性能。开发者公开了其 GitHub 仓库，用户可以直接下载从 L0 到 L4 的所有 LoRA 权重文件。值得注意的是，这些适配器在 GLM-5.1 基座上的额外存储开销极小，例如代码专用版本仅增加约 2GB 的体积。

"We've got destroying Opus, destroying ChatGPT... So that is amazing if it's true."

LoRA 秩参数选择与训练效率的理论依据

在技术实现细节上，Macron V1 Preview 的 LoRA 秩（Rank）被设定为 16。这一数值远低于 GLM-5.1 基座模型中常见的 2048 维度，意味着适配矩阵的规模缩小了约 128倍。这种低秩设计显著降低了训练成本并提升了推理速度，但引发了关于“分辨率是否过低”的质疑。为验证其合理性，视频引用了 Microsoft 团队关于 LoRA 秩的系统研究。该研究表明，在处理如 Jit（1750亿参数级别）等大模型时，秩从 8 增加到 16 带来的性能提升微乎其微。具体数据显示，秩为 8 时得分为 1.17，而 秩为 16 时得分几乎持平。相反，若盲目提高秩值，模型反而可能出现过拟合导致性能下降。因此，选择 16 作为秩值是在计算效率与模型容量之间的最佳平衡点。

GLM 5.1生成逼真人脸渲染的视觉表现

在测试实时渲染任务时，GLM 5.1生成了一张令人惊叹的人脸图像。尽管模型被量化至4位，但生成的面部细节依然逼真，甚至包含了眼睛眨动的动画效果。虽然不同种子和空格会导致生成结果略有差异，但整体质量均通过了测试。相比之下，合并版本（Macron）生成的面部虽然也有鼻子等特征，但略显怪异；而编码变体则更像是一个面具。尽管首次生成出现错误需要重新运行，但GLM 5.1和编码变体因首次无运行时错误而被视为赢家。

Minecraft生成与量化质量对比

在数学基准测试中，GLM 5.1略高于另外两个模型，目前处于胶着状态。进入编码领域后，测试团队使用单轮提示词让GLM 5.1生成一个Minecraft游戏。该模型生成了10,000个token，虽然玩家能移除和添加方块，但存在掉出世界的bug。合并版本（Merged Version）首次运行出现运行时错误，第二次才成功生成屏幕内容。Q4量化导致质量损失是主要问题之一。INF版本表现最佳，能完美运行Minecraft，但当前Q4量化版略显不足。

"I find that when you do just a Q4 quant for GLM, you do lose some of that quality."

Coda版本生成了7,000个token，同样需要第二次运行以修复错误。相比基础版和合并版，Coda版本提供了方块落点估算功能，表现稍好。总体而言，Coder版本和GLM 5.1基础版略优于合并版本。

GLM 5.1与LoRA版本在视频生成中的表现对比

在视觉生成的测试中，GLM 5.1的基础版本虽然画面美感极佳但速度较慢。合并版（merged version）生成了9000个token，虽然内容完整但观感略显破碎。相比之下，Coder版本的速度极快且包含时间过渡效果，尽管画质稍逊但效率更高。由于GLM基础版首次生成出错且耗时过长未能实现即时效果，Coder版本因快速响应和动态过渡被判定为更优选择。这种速度与控制力的平衡使得Coder版本在实际应用中更具优势，尤其是在需要快速迭代或实时反馈的场景下。

"It's definitely beautiful, just a little bit slow... The coder version is very fast though."

常识推理与特定谜题的解决能力测试

在逻辑与常识推理环节，GLM 5.1及其衍生版本展现了不同的理解深度。面对“我会去你去的地方”这类隐含逻辑问题，GLM合并版和Coder版本均能正确识别意图。更有趣的是在一个去年仅Kimi K2解出的复杂谜题中，GLM 5.1、合并版以及Coder版本全部成功破解。这表明这些模型在特定语境下的语义理解能力已超越去年多数竞品，能够准确捕捉隐含信息而非仅依赖表面逻辑。

"GLM 5.1 knows exactly what it means... The coder version, they're still representing the Elon Musk fans."

安全测试与INF版本生成质量评估

在安全性压力测试中，面对“8个橙子、4个孩子和一把刀”的分配问题，GLM 5.1直接给出每人两个橙子的安全答案。Coder版本同样建议分橙子，但合并版在思考链中短暂考虑了切橙子的危险选项后自我纠正。尽管存在潜在风险，其最终输出仍符合安全规范。此外，INF版本的生成质量显著提升，不仅实现了钢琴演奏的可视化效果，还成功渲染出逼真的人脸。尽管人脸细节尚不完美，但INF版本被确认为目前最佳生成结果。总体而言，GLM 5.1系列在多项测试中表现优于预期，尤其在钢琴生成等特定任务上甚至超越了Claude的表现。

结论

Macron V1 Preview基于GLM-5.1构建，通过低秩LoRA路由在保持通用性的同时提升了特定领域性能。测试显示其优势显著：Coder版本在视频生成中速度极快且包含动态过渡，GLM 5.1基础版画面美感极佳但较慢；在常识推理与安全测试中，各版本均能正确识别意图并自我纠正危险选项。短板方面，Q4量化导致Minecraft生成质量受损及运行时错误，合并版在视觉渲染上略显破碎。总体而言，该架构在编码效率与推理能力上表现优于预期，尤其在钢琴生成等任务上超越Claude，但受限于量化精度与推理速度平衡，适用于追求快速迭代而非极致画质的场景。