一个研究员 + 一群 Agent，3.5 个月，不到 1,000 万美元，从零预训练出一个 1,000 – 5,000 亿参数的代码基座模型。Mirendil 今天发布了 Mirendil-Base。它从空代码仓库起步，只用公开数据，不蒸馏、不用合成数据、不买数据，99% 以上的代码由 Agent 写成。在代码预测损失上，它优于 GLM-5.3、DeepSeek-V4-Pro-Base 和 Nemotron-550B，但仍不及 Kimi-K3 👀

当然，它不开放权重、没有 API，也还没有 SWE-bench 这类任务评测。但信号已经很清楚：预训练的瓶颈，正在从“人”转向算力、数据，以及指挥 Agent 的人的判断力。这意味着三件事：

1. 芯片设计团队、机器人实验室甚至医院，都可能用自己的数据训练专属基座，而不只是租用通用模型做微调；

2. 组织扩张不再只靠招人，加算力就能放大每个人的产出；

3. 研究员的日常会更像带一个小实验室：定方向，分配稀缺的算力。

但我的判断是：这是资深研究员 + Agent 的效率胜利，而不是 Mirendil 模型本身有多强。这套方法高度依赖第三方 Coding Agent，护城河只剩研究员的判断力和算力合约，很容易被复制。而据报道，Mirendil 正以 50 亿美元估值融资…… 难怪有人调侃，这更像一条 Codex 或 Claude 的广告 😅