Mirendil发布单人训练千亿参数模型，AI Agent重塑研发范式

事件概述

硅谷初创公司 Mirendil 近日发布文章称，成功实现由一名研究员主导、完全依赖 AI Agent 执行具体工作，在三个半月内完成了一个大型预训练模型的构建。该项目总成本低于 1000 万美元，涵盖了 Agent token 消耗、数据处理及实验费用。最终产出的模型命名为 Mirendil-Base，定位为编码专用的基座模型。

核心信息

• 研发模式变革：

  • 模型超过 99% 的代码由 Agent 编写，人类研究员仅负责确定方向、关键节点决策及错误排查。
  • 团队未使用现成预训练框架或继承代码，而是从零搭建训练基础设施、模型架构、算法及数据管道，仅在 PyTorch、JAX 等通用库基础上参考开源项目。
  • 数据全部采用公开来源（如 GitHub 开源代码、公开网页），未购买数据、未进行蒸馏或使用合成数据。

• 模型性能对比：

  • Mirendil-Base 参数量在 1000 亿至 5000 亿之间，采用 MoE 架构。
  • 在新代码仓库的交叉熵测试中，Mirendil-Base 得分 0.222，仅次于 Kimi K3 (0.193)，优于 GLM-5.3、DeepSeek-V4 和 Nemotron-550B-Base。
  • 尽管作为基座模型分数较高，但考虑到后训练模型通常具有优势，实际差距可能比表面分数显示的要大。不过，这已证明单人+Agent组合能产出具备竞争力的模型。

• 后续规划：

  • 目前 Large 版本（5000亿-2万亿参数）训练进度达 80%，XL 版本（2万亿-10万亿参数）刚启动（19%），但 XL 当前分数已接近 Large 现有水平，显示出极强的扩展潜力。

值得关注

• 行业背景与团队：

  • Mirendil 由前 Anthropic 员工 Behnam Neyshabur 和 Harsh Mehta 于 2025 年 12 月创立，旨在推动科研自动化（RSI），让科学家能自主训练专属 AI 而非仅依赖大厂通用模型。
  • 公司于 2026 年 6 月获得 2 亿美元种子轮融资，估值 10 亿美元，投资方包括 a16z、凯鹏华盈及英伟达。

• 门槛与现实挑战：

  • 虽然实现了“单人手搓大模型”，但 1000 万美元的成本对绝大多数个人和小团队而言仍是天文数字。
  • 该模式高度依赖指挥 Agent 的研究员判断力及顶级算力资源，目前仍处于早期里程碑阶段，尚未真正降低大众参与门槛。

• 未来展望：

  • 随着 Agent 承担更多动手工作，AI 研发瓶颈正从人力转向算力、数据及人类判断力。未来可能出现更多“超级个体”或小团队独立开发专属模型的现象，改变现有的 AI 研发格局。