Mirendil 以一名研究員配合 AI 智能體，3.5 個月完成 Mirendil‑Base 預訓練

10月23日消息，北京时间 10 月 22 日，硅谷前沿 AI 实验室 Mirendil 发布新研究成果：仅依靠一名研究员搭配 AI 智能体，耗时 3.5 个月、投入算力成本不足 1000 万美元，从零完成代码专用基础模型 Mirendil‑Base 的预训练，打破了行业里 “训练高性能基础模型必须组建百人级专业预训练团队” 的固有认知。

长期以来，训练具备竞争力的大模型预训练，是重人力工程：需要架构、数据清洗、集群运维、内核优化等大量专职人员协同，头部实验室的训练集群规模可达数十万芯片。Mirendil 本次实验试图把 AI 智能体的能力推至极限，验证单人能否依托智能体完成整套大规模预训练流程。

根据披露信息，整个项目从空白代码仓库起步，仅基于 PyTorch、JAX 等通用开源库开发；训练素材全部来自 GitHub、公开网页等天然公开数据，没有采购授权数据集、不使用模型蒸馏与合成数据。项目中超过 99% 的代码开发、实验调试、故障排查工作都由 AI 智能体承担，人类研究员只负责敲定研究方向、核验结果、在关键节点介入决策。

评测结果显示，Mirendil‑Base 在代码预测任务上表现不俗。在 7 个未参与训练的外部代码仓库测试集上，其平均指标仅次于 Kimi‑K3，优于 Nemotron‑550B‑Base、GLM‑5.3、DeepSeek‑V4‑Pro‑Base 等多款主流 MoE 基础模型。

Mirendil 同步透露，同系列更大规格模型 Mirendil‑Base‑Large 已经完成 80% 训练、Mirendil‑Base‑XL 完成 19% 训练，从当前曲线来看性能提升符合扩缩预期。

Mirendil 认为，这项实验标志着 AI 研发的瓶颈正在转移：过去瓶颈是专业人力，未来算力、数据以及研究者的判断力会成为核心约束。这意味着前沿 AI 预训练能力有望走向普惠。

芯片、机器人、生物医药等垂直领域团队，即便本身不精通大模型预训练技术，未来也有机会基于自有数据训练专属基础模型，而不只是调用通用模型做浅层微调。

该模式也带来一种全新的组织扩张范式：团队不再单纯依靠招聘人力扩大产能，而是依靠算力放大个体研究员的效能，小团队也可以启动过去只有头部大厂才有条件落地的高难度 AI 项目。研究员的工作重心，也将从写代码、跑实验等重复性工程任务，转向实验设计、方向取舍、算力资源规划等高阶科研判断。

不过项目团队也强调，Mirendil‑Base 尚不属于完全自主递归迭代的 AI 系统，距离全自动化自我改进闭环还有距离，但 AI 辅助 AI 研发的正向循环已经越来越近。

下一步，Mirendil 将启动 Mirendil‑Base 的后训练对齐工作，并持续更新 Large、XL 两款大尺寸模型的训练进度。这家实验室长期目标是普惠前沿 AI 研发，降低各科研领域使用大模型的门槛，让 AI 加速药物、材料、机器人等方向的科学探索。