训练一个参数高达5000亿的大规模语言模型，究竟需要多少人力资源？
根据AI领域的普遍认知，这至少需要一个数十人的团队，而大型科技公司往往投入数百人。
然而，一家名为Mirendil的硅谷初创企业，将这个数字缩减到了极致——仅需一人。
就在不久前，Mirendil在其官方网站上发表了一篇文章，标题颇为震撼：《无需预训练团队的大规模预训练》。
文章标题下方列出了三项数据：
一名研究员、三个半月时间、成本低于1000万美元。
这些费用涵盖了Agent的令牌消耗、数据处理以及全部研究实验的支出。仅凭这些投入，他们确实成功训练出了千亿参数的模型：Mirendil-Base，一个参数规模在1000亿到5000亿之间的编码专用基座模型。
Mirendil在文章中声称，新模型超过99%的代码并非由人类编写，而是由Agent完成。
人类研究员只需负责确定方向、做出判断，并在关键节点进行干预。编写代码、运行实验、排查错误等任务，全部交由Agent处理。
在Mirendil的测试中，新模型的部分性能指标已接近Kimi K3、GLM-5.3、DeepSeek-V4等主流一线模型。
“单人打造基座模型”的时代，真的即将来临……吗？
01
根据官方介绍，Mirendil-Base是Mirendil系列模型的首发产品，定位为编码专用基座模型，目标用户是前沿AI实验室内部的研究员和工程师。
为了验证单人能否独立完成模型构建，Mirendil设定了许多严格条件。例如，不能使用现有的预训练框架，也不能继承既有代码。
研究员和Agent从零开始，在100多天内搭建了一切——训练基础设施、模型架构、训练算法、数据管道，全部自主编写，仅在PyTorch、JAX等通用库的基础上，参考了一些热门开源项目作为模板。
当然，这里的“自主”，通常指的是Agent。
研究员主要负责决定尝试什么、信任什么，并在必要时进行干预。编写代码、运行实验、诊断错误等具体操作，基本都由Agent自行完成。
在数据方面，Mirendil全部使用公开数据，例如GitHub上的开源代码、公开网页、公开数据集等。公司强调，训练过程中没有购买任何一行数据，未进行蒸馏操作，也未使用合成数据。
此外，Mirendil希望通过改进设计来提升效率。“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，再加上内核优化，获得了显著的效率提升。”公告中如此表示。
最终成果是Mirendil-Base，参数规模为1000亿到5000亿。
单人打造的千亿参数模型，究竟达到了什么水平？
Mirendil选取了五款模型进行对比，分别是Kimi K3、GLM-5.3、Nemotron-550B-Base、DeepSeek-V4-Pro-Base和Inkling，这些均为MoE架构的大参数模型。
在新代码仓库的交叉熵测试（模型猜测代码编写方式，分数越低表示猜测越准确）中，各款模型的比拼结果如下：
Kimi K3排名第一，得分为0.193；Mirendil-Base排名第二，得分为0.222；其后依次是GLM-5.3、DeepSeek-V4和Nemotron。
换句话说，在某些编码维度上，由一人与Agent组队训练出的预训练模型，已经能够与头部大厂的成品模型一较高下。
然而，需要指出的是，通常情况下，基座模型在交叉熵测试中的表现优于后训练模型。Mirendil-Base作为基座模型，其分数反而高于经过后训练的Kimi-K3，这表明Kimi-K3的实际能力比表面分数所显示的更强，Mirendil-Base与它的差距比看上去更大。
根据官方介绍，Mirendil-Base之上还有两个版本：Large版本参数在5000亿到2万亿之间，XL版本则直接达到2万亿到10万亿。
目前，Large版本已训练了80%，XL版本仅刚开始，完成了19%，但其分数已接近Large版本当前的水平。
也就是说，在充足资金和Agent的辅助下，单人训练万亿参数模型并非遥不可及——这是许多AI大厂尚未触及的门槛。
02
千亿乃至万亿参数大模型的预训练，极其耗费资金和时间，并且需要大量人力投入。
数百名研究员中，一部分负责研究模型形态及扩展方法；一部分管理数万亿token的清洗与配比；还有一部分人负责维护数千甚至数十万张计算卡，确保训练过程不间断。
AI大厂能够聚集足够多的人才，但资金和算力成本的压力依然巨大。
整个行业一直在尝试降低成本，核心思路只有一条：让AI来训练AI。
例如，Anthropic已经在这条路上走了很远。
该公司此前透露，今年5月，其代码库中超过80%的合并代码是由Claude编写的。
谷歌也在进行类似的尝试：AI编程智能体AlphaEvolve已被用于优化数据中心调度、芯片设计和AI训练流程。
但“AI训练AI”这条路径，目前只有大厂能够驾驭。
科学家、研究员、小团队等，想自行训练一个模型，此前几乎不可能实现。
Mirendil-Base却证明了，在特定条件下，一个人也可以“手工打造”模型。
Mirendil在官网文章中表示，直到不久前，预训练一个有竞争力模型的瓶颈还是人才：一支需要多年才能组建起来的专家团队。
如今，这一局面正在发生变化。
过去只有大型研究机构才能做到的事情，现在一名研究员就能完成。当Agent承担了大部分动手工作后，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，再在边缘进行适配。
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、针对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，现在可以从一个小团队，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“超级个体”，有望变为现实。
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。”公司表示。
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，出生于伊朗并就读大学。2011年前往美国，在丰田工业大学芝加哥分校获得博士学位。毕业后，他在谷歌DeepMind工作了5年，2024年底加入Anthropic，领导了Discovery团队，专门研究如何让AI像科学家一样参与研发。
Mehta是印度裔，毕业于印度理工学院古瓦哈提分校，在DeepMind时与Neyshabur是同事。加入Anthropic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，两人先后离职，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行训练、迭代专属AI模型，不再依赖大厂的通用模型。背后的技术路线，正是近期AI圈内热议的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，均来自Anthropic、xAI、Google DeepMind、OpenAI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。
更不用说，能指挥Agent完成如此大工程，并非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，是这条漫长道路的第一块路标。至于它能否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，以及这套方法论能否复制到别人身上。
本文来自微信公众号“字母AI”，作者：彦飞，编辑：王靖，36氪经授权发布。
近期文章
最受期待的对决
2026年8月12日
焦点赛事前瞻
2026年9月2日
本周热门比赛
2026年7月25日
球迷热议焦点
2026年8月30日
爱游戏体育网站深耕爱游戏娱乐入口领域，用心服务每一位用户。
爱游戏体育网站围绕鼓励基于个人兴趣的探索，不急于得出唯一结论。不断创新，回应用户的真实需求。
评论
在爱游戏网页入口方面，爱游戏体育网站提供贴心周到的支持。
爱游戏体育网站以爱游戏体育网站为核心，带来高效便捷的体验。
精选围绕选择思路组织内容，方便读者查找参考信息。内容，爱游戏体育网站与你一同发现更多精彩。
想了解更多爱游戏网站相关内容，尽在爱游戏体育网站。
爱游戏体育网站围绕爱游戏网页版不断创新，回应用户的真实需求。
爱游戏体育网站专注以客观视角呈现核心要点，支持用户自主判断。，为用户提供专业可靠的体验。
精选整合社区阅读资源，辅助用户逐步了解游戏世界观设定。内容，爱游戏体育网站与你一同发现更多精彩。