前沿 AI 研发的成本曲线正在变得陡峭到令人不安。训练一个具备竞争力的基础模型，通常意味着数百名研究人员、数亿美元算力预算，以及一套只有少数机构才能维持的工程体系。团队规模、资金密度和基础设施门槛，共同构成了一道几乎无法逾越的壁垒。2026 年 11 月 12 日，旧金山 AI 公司 Mirendil 试图用一个相反的故事打破这种叙事：公司通稿称，一名研究人员借助其智能体系统，从零开始预训练了一个编程模型，耗时 3.5 个月，计算成本不到 1000万美元。
这个数字如果成立，意味着前沿 AI 研发的边际成本可能被压缩到此前难以想象的水平。Mirendil 同时宣布完成 10亿美元 A 轮融资，由 Kleiner Perkins 和 Clearlake Capital 领投，Battery Ventures、Doerr Capital、Gil & Co、Google、M13、Pear VC 和 S32 等新老投资者参与。公司通稿称，这笔资金将用于推动前沿 AI 研发的普及化，让科学家和工程师更容易获得这类能力。
一家成立时间、创始人姓名和官网均未在本次来源中披露的公司，以 10亿美元 A 轮融资进入公众视野，其核心主张却指向一个更激进的问题：当智能体承担实际工作时，团队规模是否真的不再限制构建能力？
| 字段 | 内容 |
|---|---|
| 公司 | Mirendil |
| 轮次 | A 轮 |
| 金额 | 10亿美元 |
| 投资方 | Kleiner Perkins 和 Clearlake Capital 领投；Battery Ventures、Doerr Capital、Gil & Co、Google、M13、Pear VC、S32 等新老投资者参与 |
| 总部 | 旧金山 |
| 创始人 | 未披露 |
| 官网 | 未披露 |
一人预训练模型的主张，把研发成本压到了传统路径的一个零头
Mirendil 的核心叙事建立在一个具体案例上。公司通稿称，一名研究人员借助智能体，从零开始在 3.5 个月内预训练了编程模型 Mirendil-Base，计算成本不到 1000万美元。据 Unite.AI 于 2026 年 11 月 12 日发布的报道，这一总成本包括研究和小规模实验、最终训练、智能体 token 消耗以及数据处理；智能体编写了超过 99% 的代码、运行实验并诊断故障，研究人员则负责选择尝试和信任的方案，并在必要时介入。该报道还称，实验使用了公开可用的代码、网页和公共数据集，没有购买或授权额外数据，也没有使用蒸馏或合成数据。
这些数据全部来自公司单方面披露，尚无独立第三方验证。但即便只作为公司口径，其含义也足够明确：Mirendil 试图证明，前沿模型的预训练不再必然依赖大规模人类团队和巨额数据采购。Mirendil-Base 的参数规模在 1000 亿至 5000 亿之间，这一区间本身跨度较大，意味着外界暂时无法判断其与主流开源或闭源模型在同等参数下的真实性能差距。公司通稿仅将其描述为“具有竞争力的编程模型”，未给出具体基准测试结果。
随后，公司称将 Mirendil-Base 后训练为 Fern。据公司通稿，Fern 支持最长 1000 万 token 的上下文窗口，足以支撑智能体连续数天的工作。Unite.AI 报道进一步说明，这一上下文长度相当于约 23 MB 或 50 万行代码，使模型能够一次容纳智能体数天的工作内容。该报道还提到，Fern 0.1 是 Mirendil 推出的首个模型，适用于调试训练任务、阅读完整的智能体执行轨迹以及审查训练数据等高强度智能体工作。目前 Fern 产品页面显示即将开放使用。
从已披露的信息看，Mirendil 的技术路线并非单纯追求模型参数或基准分数，而是将模型能力与智能体工作负载绑定。1000 万 token 上下文窗口的价值，不在于让模型回答更长的问题，而在于让智能体能够连续运行数天而不丢失执行轨迹。这是面向研发工作流的产品设计，而非通用对话场景的延伸。但这一判断的边界同样清晰：公司尚未披露 Fern 在长上下文任务中的实际召回率、推理成本或稳定性数据，外部无法验证其是否真正解决了长上下文模型普遍存在的注意力衰减问题。
Lor 把智能体从演示变成工作系统，但仍在邀请制私人测试阶段
Mirendil 的第三层产品是 Lor，一个用于委派研发工作的智能体平台。据 Unite.AI 报道，Mirendil 于 2026 年 10 月 28 日推出 Lor，将其描述为一套云端系统；其智能体可以编写代码、运行实验、配置算力，并在用户选定的机器上执行任务。一个智能体可以将任务分配给数十个智能体，同时有数百个智能体在不同项目中运行。公司表示，智能体可以连续工作数天或数周，并能在遇到故障时自行排除障碍、继续推进任务。
公司通稿称，Lor 目前处于私人测试阶段，数百个智能体可以连续数天编写代码并运行实验；Mirendil 每天都在 Lor 上运行。Unite.AI 报道补充，Lor 以邀请制提供私人测试版，测试期间可在 macOS、Linux 和网页端免费使用；Windows、iOS 和 Android 版本即将推出。用户可以查看每个智能体的进度、停止智能体，并将机器从系统中移除。
这里存在一个关键区分。Mirendil 内部使用 Lor 完成 Mirendil-Base 的预训练，与外部用户能否通过 Lor 复现类似成果，是两件不同的事。内部团队对系统边界、失败模式和干预时机有更深理解，而外部科学家和工程师面对的是一个仍在邀请制测试阶段的产品。Lor 的定价、商业化计划、可用算力来源以及用户需要自行准备多少基础设施，本次来源均未披露。公司通稿所称的“普及化”，目前仍停留在产品愿景层面，尚未转化为可验证的外部采用数据。
另一个值得注意的细节是，Lor 允许智能体在用户选定的机器上执行任务。这意味着算力成本可能部分由用户承担，而非完全由 Mirendil 集中提供。这种设计可以降低平台方的资本开支压力，但也引入了一个待验证假设：外部用户是否愿意将自己的算力资源交给一个仍在测试阶段的智能体系统，并承担智能体失控或错误配置带来的潜在风险。公司通稿没有披露 Lor 在私人测试期间的实际用户数量、任务成功率或故障率。
Google 的双重角色，让这轮融资的资本结构比表面更复杂
本轮投资方名单中，Google 的出现值得单独分析。Google 既是 Mirendil 的 A 轮投资者，又是其云基础设施合作伙伴。据 Unite.AI 报道，Mirendil 已于 2026 年 8 月 6 日宣布与 Google Cloud 建立多年合作关系，训练、推理和 AI 研究工作负载将在 Google Cloud 的 AI Hypercomputer 上运行，并使用 Google Cloud TPU 和全栈 NVIDIA AI 基础设施。合作还包括由双方共同设计的托管训练集群，涵盖算力、存储、网络和控制平面。
这种“投资方即供应商”的结构在 AI 基础设施领域并不罕见，但它对资金用途的解读提出了一个具体问题：10亿美元 A 轮融资中，有多大比例最终会以算力采购的形式流回 Google Cloud？公司通稿仅笼统表示资金将用于推动前沿 AI 研发的普及化，未披露算力支出、人员扩张和产品开发之间的分配。Clearlake Capital 作为一家以私募股权和特殊机会投资见长的机构，与 Kleiner Perkins 这样的早期风险投资机构共同领投，也暗示本轮融资的资本属性可能混合了股权扩张与基础设施融资逻辑。
从投资逻辑看，Kleiner Perkins 的参与具有连续性。据 Unite.AI 报道，Mirendil 在 2026 年 6 月 24 日发布时披露，已完成由 Andreessen Horowitz 和 Kleiner Perkins 领投的 2亿美元种子轮融资，随后 NVIDIA 等也参与了投资。Kleiner Perkins 从种子轮延续到 A 轮，属于典型的内部加注行为。但 Clearlake Capital 的领投角色则更值得玩味：一家通常出现在成熟期或收购场景中的机构，为何会在一家产品仍处于私人测试阶段的 AI 公司 A 轮中扮演领投角色，本次来源没有提供解释。
公司通稿没有披露本轮融资的估值、股权与债务拆分、完成日期或资金到账安排。10亿美元 A 轮在 AI 初创公司中属于极大规模，通常意味着投资方对公司的技术路线或团队背景有超出公开信息的信心。但 Mirendil 至今未披露创始人姓名和完整履历，仅由 Unite.AI 报道其创始团队包括 20 名研究人员和工程师，成员来自 Anthropic、xAI、Google DeepMind 和 OpenAI 等机构。一个没有公开创始人身份的公司完成 10亿美元 A 轮融资，这本身就构成一个信息不对称的显著案例。
与主流 AI 研发范式的对比，暴露了 Mirendil 叙事的真正赌注
Mirendil 的主张需要放在真实产业链约束中理解。当前前沿 AI 研发的主流范式，仍然以大规模人类团队、集中式算力集群和持续数据工程为核心。即便是在智能体辅助编程已经相当普遍的 2026 年，预训练一个千亿参数级模型仍然需要大量人工干预：数据清洗、训练稳定性监控、评估体系设计、失败后的根因分析，这些环节的自动化程度远低于代码生成本身。
Mirendil 的差异化在于，它把智能体从辅助工具提升为研发流程的主要执行者。公司通稿称，智能体编写了超过 99% 的代码、运行实验并诊断故障。但这一比例仅覆盖代码编写环节，未说明智能体在数据工程、评估设计、训练策略调整等更复杂决策中的参与程度。如果 99% 的代码编写发生在研究人员已经确定技术路线和实验方案之后，那么智能体节省的主要是执行时间，而非决策时间。前沿 AI 研发的真正瓶颈，往往不在代码执行，而在方向判断和失败后的策略修正。
与明确竞品或替代方案的比较，本次来源没有提供 Mirendil 的竞争对手信息。但从产品形态看，Lor 与 AI 实验室内部的智能体编排系统、开源智能体框架以及云厂商提供的托管 AI 开发平台存在潜在重叠。Mirendil 的差异化主张在于，其智能体系统已经在内部完成了从模型预训练到后训练的完整闭环，而非仅停留在代码生成或任务自动化层面。这一闭环是否可复制到外部用户，是 Lor 商业化面临的核心验证路径。
公司通稿引述的愿景——“一个人可以承担过去需要一个团队完成的工作，一个团队可以承担过去需要一个机构完成的工作”——本质上是在押注 AI 研发的边际成本曲线会因智能体而大幅下移。如果这一假设成立，Mirendil 的 10亿美元融资将显得相对克制；如果假设失败，这轮融资可能成为智能体泡沫中的一个高成本样本。目前，公司通稿中的产品性能与成本数据均为单方声明，未经独立验证；Lor 仍处于私人测试阶段，商业化进展未披露；本轮融资的完成日期也未在来源中明确。
资金用途的模糊表述，给 10亿美元的去向留下了过大的解释空间
公司通稿对资金用途的描述只有一句话：此轮资金将用于推动前沿 AI 研发的普及化，帮助其继续开发工具，让前沿 AI 研发更易于科学家和工程师使用。这种表述没有给出任何可量化的里程碑、时间表或资源分配方案。对于一笔 10亿美元的融资，这种模糊程度在信息披露上是不寻常的。
从已披露的产业链关系看，Mirendil 至少有三个明确的资金消耗方向：一是继续训练规模更大的模型。据 Unite.AI 报道，报告发布时，规模更大的 Mirendil-Base-Large 和 Mirendil-Base-XL 仍在训练中。二是扩大 Lor 的测试规模和产品能力，包括即将推出的 Windows、iOS 和 Android 版本。三是履行与 Google Cloud 的多年合作承诺，包括共同设计托管训练集群。但公司通稿没有说明这三者之间的优先级或预算分配。
一个可能的推断是，Mirendil 需要大量资金来维持其“小团队、高杠杆”的研发模式。如果公司真的只有 20 名左右的研究人员和工程师，那么其人力成本相对有限，资金的主要去向将是算力和基础设施。但这一推断的边界在于，公司通稿没有披露当前团队规模是否仍为发布时的 20 人，也没有披露算力支出在总成本中的占比。10亿美元 A 轮融资的规模，与公司声称的“仍然是一支规模很小、目标单一的团队”之间存在明显张力。
另一个待验证假设是，Mirendil 是否会将部分资金用于补贴 Lor 的免费测试期，以换取外部用户增长。Lor 目前在 macOS、Linux 和网页端免费使用，但智能体在用户选定的机器上执行任务，意味着平台方可能不需要承担全部算力成本。如果这一模式成立，Mirendil 的资金消耗速度可能低于传统 AI 模型公司。但公司通稿没有披露 Lor 的定价计划或免费测试期的结束时间，外界无法判断其商业模式的可持续性。
单方声明的验证边界，以及这轮融资真正需要回答的问题
本项目的信息来源存在明确的验证边界。Mirendil 公司通稿是本次融资的主要事实来源，其发行者身份已通过 PR Newswire 页头与正文对应确认。但通稿中的产品性能、成本数据和研发成果均为公司单方声明，尚无独立第三方验证。Unite.AI 的报道明确标注由 AI 生成并经编辑审阅，其补充的产品细节和背景信息来自公司报告和产品页面，同样属于公司口径的延伸。币界网的转载内容与通稿一致，未提供额外独立信息。
具体而言，以下关键声明需要独立验证：Mirendil-Base 在 3.5 个月内以不到 1000万美元算力完成预训练的成本数据；智能体编写超过 99% 代码的比例；Fern 支持 1000 万 token 上下文窗口的实际性能；Lor 在私人测试阶段数百个智能体连续运行数天的稳定性。这些数据如果成立，将构成 AI 研发范式的重要转折；如果不成立，则意味着 Mirendil 的融资叙事建立在未经证实的技术主张之上。
从编辑推断的角度看，Mirendil 的融资时点选择具有策略性。公司通稿称，过去三周内分享了首批成果，随后宣布 10亿美元 A 轮融资。这种“先发布技术成果、再宣布融资”的顺序，有助于用产品叙事支撑融资叙事。但反过来看，这也意味着投资方可能在公司发布成果后才完成或确认投资决策，而非在成果发布前就已锁定。公司通稿没有披露融资谈判的时间线，这一推断无法进一步验证。
Mirendil 真正需要回答的问题，不是智能体能否辅助 AI 研发——这一点在 2026 年已无争议——而是智能体能否将前沿 AI 研发从机构级资源需求降低到个人或小团队可及的水平。公司通稿提供的内部案例是一个必要但不充分的证据。Lor 从私人测试走向公开可用，从免费走向可持续定价，从内部成功走向外部可复制，每一步都比预训练一个模型更接近商业化的本质考验。
RecodeX 极客视：Mirendil 用 10亿美元 A 轮融资和一人预训练模型的故事，把智能体从效率工具推向了研发范式的中心。但这个故事目前只有公司自己的版本。当智能体承担实际工作时，团队规模可能不再限制构建能力；然而，验证这一主张的，不是内部案例的漂亮数字，而是外部用户能否在 Lor 上重复同样的路径。在那之前，10亿美元买下的仍然是一个待验证的假设，而非一个已经被证明的未来。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。