文 | 字母 AI吞没形态
训练一个 5000 亿参数的大模型，需要多少人？
AI 行业的经验是，至少几十人，大厂动辄投入数百人。
但硅谷一家叫 Mirendil 的初创公司，把这个数字压缩到了极致——只要一个人。
就在刚刚，Mirendil 在官网发了一篇文章，标题非常耸人听闻：《无需预训练团队的大规模预训练》。
文章标题下面列着三个数字：
1 名研究员、三个半月、成本不到 1000 万美元。
这些钱涵盖了 Agent 的 token 消耗、数据处理和全部研究实验成本。只靠这些投入，他们真的把千亿参数的模型训出来了：Mirendil-Base，一个 1000 亿到 5000 亿参数区间的编码专用基座模型。
Mirendil 在文章中称，新模型超过 99% 的代码不是人写的，而是 Agent 写的。
人类研究员只需要负责确定方向、下判断，在关键节点踩刹车。写代码、跑实验、错误排查之类的活儿，全交给了 Agent。
在 Mirendil 的测试中，新模型的部分指标已经逼近了 Kimi K3、GLM-5.3、DeepSeek-V4 等主流一线模型。
"单人手搓基模"的时代，真的要到来了……吗？
深圳股票投资配资01
按照官方说法，Mirendil-Base 是 Mirendil 系列模型的首发产品，定位是编码专用基座模型，目标用户是前沿 AI 实验室内部的研究员和工程师。
为了验证一个人究竟能不能把模型做出来，Mirendil 设置了许多苛刻条件。比如，不能用现成的预训练框架，也不能继承代码。
研究员和 Agent 从零起步，在 100 多天里搭建了一切——训练基础设施、模型架构、训练算法、数据管道，全是自己写的，只是在 PyTorch、JAX 这几个通用库上，参考了一些热门开源项目当样板。
当然，这里的"自己"，通常指的是 Agent。
研究员主要负责决定尝试什么、信任什么，并在需要时干预。写代码、跑实验、诊断报错这些具体的动作，基本都是 Agent 自己跑。
数据方面，Mirendil 全部使用公开数据，比如 GitHub 开源代码、公开网页、公开数据集之类。公司强调，训练过程中没买过一行数据，没做过蒸馏，也没用合成数据。
此外，Mirendil 希望通过改进设计提升效率。"我们通过改进的架构、数据混合的高级调优，以及其他数据层面的改进，还有 kernel 优化，获得了显著的效率提升。"公告称。
最终成品是 Mirendil-Base，参数为 1000 亿～5000 亿。
一个人做出来的千亿参数模型，到底是个什么水平？
Mirendil 拿了五款模型做对比，分别是 Kimi K3、GLM-5.3、Nemotron-550B-Base、DeepSeek-V4-Pro-Base、Inkling，均为 MoE 架构的大参数模型。
在新代码仓库的交叉熵测试（模型猜测代码怎么写的，分数越低、猜得越准）中，几款模型的比拼结果如下：
Kimi K3 排第一，得分 0.193；Mirendil-Base 排第二，得分 0.222；后面依次是 GLM-5.3、DeepSeek-V4、Nemotron。
元股证券:ygzq.hk
换句话说，在部分编码维度上，一个人和 Agent 组队训练出来的预训练模型，已经能跟头部大厂的成品模型掰手腕了。
不过，必须指出的是，通常情况下，基座模型在交叉熵测试中比后训练模型表现更好。Mirendil-Base 作为基座模型，分数反而比后训练过的 Kimi-K3 更高，说明 Kimi-K3 的真实实力比表面分数显示的还要强得多，Mirendil-Base 跟它的差距比看起来更大。
根据官方介绍，Mirendil-Base 往上还有两档：Large 在 5000 亿到 2 万亿，XL 直接冲到 2 万亿到 10 万亿。
目前，Large 训练了 80%，XL 刚开了个头，才 19%，却已经快追上 Large 现在的分数了。
也就是说，在钞能力和 Agent 的加持下，一个人训练万亿模型不是梦——这是许多 AI 大厂都还没摸到的门槛。
02
千亿乃至万亿参数大模型的预训练，极为耗钱、费时，还必须大量堆人。
几百位研究员里面，一部分研究模型该长什么样、怎么做 scaling；一部分人管数万亿 token 的清洗和配比；还有一部分人守着几千张，甚至几十万张算力卡，保证训练不停机。
AI 大厂可以聚拢足够多的人才，但资金和算力成本压力依然很大。
整个行业一直在尝试降本，核心思路就是一条：让 AI 来训练 AI。
比如，Anthropic 已经沿着这条路走了很远。
它此前披露，今年 5 月，其代码库里超过 80% 的合并代码是 Claude 写的。
谷歌也在做类似的事情：AI 编程智能体 AlphaEvolve，已经被用来优化数据中心调度、芯片设计和 AI 训练流程。
但" AI 训练 AI "这条路，目前只有大厂才能玩得转。
科学家、研究员、小团队等，想自己训练一个模型，以前几乎不可能。
Mirendil-Base 却证明了，在一定条件下，一个人也可以"手搓"模型。
Mirendil 在官网文章中称，直到不久前，预训练一个有竞争力模型的瓶颈还是人：一支需要多年才能搭建起来的专家团队。
如今，这一局面正在改变。
过去只有大型研究机构才能做到的事，现在一名研究员就可以完成。当 Agent 承担了大部分动手工作时，瓶颈转移到了算力、数据，以及指挥 Agent 的那个人的判断力上。
"人人都能训练模型"，蕴含着巨大的想象空间。
以前，大多数人和公司如果需要专属模型，往往租用一个通用模型、再在边缘做适配。
现在，一支芯片设计团队、一个机器人实验室，或是一家医院，都可以用自己的数据、为自己的问题训练一个模型。基座模型以及围绕它们构建的系统，将不再是只有少数大厂才能制造的东西，而会更加普及。
另一方面，过去需要一个大型团队才能启动的 AI 项目，现在可以从小团队，甚至一个人起步；而随着算力越来越便宜、越来越强大，更多人能够去尝试这些项目。"一人公司"或者"超级个体"，有望变成现实。
人们的工作方式也会被改变：随着越来越多的工作被交给 Agent，人类的日常工作将越来越不像"亲手做事情"，而越来越像"带领一个小型实验室"：设定研究方向、设计值得运行的实验、判断哪些想法值得继续推进。
Mirendil 描绘了更加炫目的前景：下一个模型将部分由 Mirendil 自己的模型来构建，而每一个在构建 AI 这件事上变得更强的模型，都会让下一个模型的构建更便宜、更快速。
"我们认为，还没有达到完全自主的 RSI，但我们已经比以往更接近了。"公司称。
此外，公司已经开始对 Mirendil-Base 进行后训练。Mirendil-Base-Large 以及达到前沿水平的 Mirendil-Base-XL 仍在训练中。
03
Mirendil 的背后，是两位 Anthropic 前员工：Behnam Neyshabur 和 Harsh Mehta。
Neyshabur 是 80 后，伊朗出生、读大学。2011 年去了美国，在丰田工业大学芝加哥分校拿了博士学位。毕业后，他在谷歌 DeepMind 干了 5 年，2024 年底加入 Anthropic，领导了 Discovery 团队，专门研究怎么让 AI 像科学家一样参与研发。
Mehta 是印度裔，印度理工学院古瓦哈提分校毕业的，在 DeepMind 的时候跟 Neyshabur 是同事。加入 Anthropic 之后，Mehta 搭建了 Anthropic 内部自动化 AI 研究平台的第一个版本。
2025 年 12 月，两人前后脚离职，成立了 Mirendil，公司定位是让 AI 来帮助科学家造出他们自己的 AI，而不只是直接用 AI 辅助科学。
换句话说，他们希望让科研团队能够自己训练、迭代专属 AI 模型，不用再仰仗大厂的通用模型。背后的技术路线，就是最近 AI 圈内炒得很热的 RSI。
今年 6 月，Mirendil 官宣了 2 亿美元种子轮融资，投后估值 10 亿美元。投资方包括 a16z、凯鹏华盈、英伟达等。
团队目前约 20 人，都是从 Anthropic、xAI、Google DeepMind、OpenAI 出来的研究员和工程师，在旧金山市中心办公。
Mirendil-Base 的亮相，标志着公司跨过了第一个里程碑。
但话说回来，"单人训练千亿参数模型"听起来美好，门槛并没有被拉低多少。
1000 万美元的成本，对大厂来说不算什么，刚刚拿到融资的 Mirendil 也还付得起。但对于绝大多数个人、小团队来说，依然是天文数字。
更别说，能指挥 Agent 整出如此大活儿，不是随便拉一个工程师就能上手的。Mirendil 的人才质量之高、AI 项目经验之丰富，在整个硅谷都处于第一梯队。
"一人手搓大模型"的时代确实在靠近，但离普通人还很远。
Mirendil-Base 的发布吞没形态，是这条漫长道路的第一块路标。至于它能不能真的把大模型的门槛打下来，还得看后续更大规模模型的实际水平，以及这套方法论能不能复制到别人身上。
炒股融资网提示：本文来自互联网，不代表本网站观点。
