硅谷初创Mirendil宣称“单人手搓”5000亿参数大模型，AI研发范式或现拐点

【科技纵览】当行业巨头动辄投入数百人团队、耗费数千万美元训练大模型时，硅谷新创企业Mirendil却抛出了一组极具颠覆性的数据：仅由一名研究员主导，耗时三个半月，花费不足1000万美元，便成功训练出参数规模在1000亿至5000亿之间的编码专用基座模型——Mirendil-Base。这一成果并非噱头，其核心在于彻底重构了研发流程：99%的代码由AI智能体（Agent）自主编写，人类仅需把控方向并在关键节点进行干预。

据官网披露，该模型完全摒弃了现成预训练框架与继承代码，研究团队从零搭建基础设施、架构及数据管道。在严格使用GitHub等公开数据、未购买任何商业数据集的前提下，通过改进架构设计、高级调优及Kernel优化，实现了显著的效率提升。测试显示，在交叉熵指标上，Mirendil-Base得分0.222，仅次于Kimi K3（0.193），超越GLM-5.3等主流一线模型，展现出逼近头部大厂产品的竞争力。尽管作为基座模型，其分数对比经过后训练的Kimi-K3存在一定偏差，但已证明“单人+Agent”模式在特定维度上的可行性。

Mirendil由Anthropic前高管Behnam Neyshabur与Harsh Mehta创立，两人曾深耕DeepMind与Anthropic的自动化AI研究领域。公司已于今年6月完成2亿美元种子轮融资，估值达10亿美元，投资方涵盖a16z、英伟达等顶级机构。目前，更大规模的Large（5000亿-2万亿参数）与XL（2万亿-10万亿参数）模型正在训练中，其中XL进度虽仅19%，但表现已接近Large当前水平。

值得注意的是，虽然“一人公司”愿景诱人，但千万美元级的算力成本及极高的Agent驾驭门槛，仍将其局限在精英阶层。然而，随着RSI（科研智能体）技术的成熟，AI研发正从“人力密集型”向“算力与判断力驱动型”转变。未来，专属模型的定制化门槛有望大幅降低，科研与工程的工作流或将重塑为“设定目标-Agent执行-人类决策”的新范式。