2026年11月12日，AI初创公司Mirendil在官方博客宣布完成10亿美元Series A融资，由Kleiner Perkins和Clearlake Capital联合领投，Battery Ventures、Doerr Capital、Gil & Co、Google、M13、Pear VC、S32等新老投资方参投。据Tech Times在11月13日的报道，Mirendil在本轮融资公告中未披露公司估值。同一篇报道指出，本轮融资距离Mirendil以10亿美元估值完成2亿美元种子轮仅141天。据Tech Times报道，作为对比，2024年美国种子轮与A轮融资额的典型中位数约为310万美元与1240万美元。据Tech Times援引AI Weekly对彭博9月报道的摘要，Mirendil此前曾洽谈以50亿美元估值融资至多10亿美元，但Tech Times称没有来源确认最终条款与彭博报道一致。

一家专注R&D领域Agentic AI的公司，在种子轮后不到五个月就拿到10亿美元A轮，且技术验证方面——据Tech Times报道——仅引用了公司自身的测试数据。据Tech Times的判断，公开证据比标题数字所暗示的要窄得多：一项公司自己做的测试、没有披露估值、没有任何Mirendil模型的独立评测。这些信息拼在一起，构成一个需要拆解的案例。

团队与产品

据SiliconANGLE在11月13日的报道，Mirendil由两位前Google DeepMind和Anthropic研究员创立。首席执行官Behnam Neyshabur是SAM算法的共同发明人之一，SAM是一种使AI模型在未经专门训练的任务上表现更好的流行算法。首席技术官Harsh Mehta此前在Google DeepMind和Anthropic从事预训练项目。

Mirendil的首款产品是Lor。据Mirendil官方公告，Lor能让数百个智能体同时编写代码和运行实验，持续工作数天。据SiliconANGLE报道，Lor是一个将模型训练中的许多任务拆分给数百个AI智能体来自动完成的平台。据Tech Times报道，Lor于10月28日宣布时已进入邀请制私测阶段。

据SiliconANGLE报道，大语言模型开发包含大量试错，研究人员会做出多个仅有细微差别的算法版本并比较以找到表现最好的一个。据Mirendil称，Lor可以自动化这一流程，评估中出现错误时平台会自动修复。

Mirendil官方公告中写道，公司正在构建工具以使前沿AI研发民主化，让每一位科学家和工程师都能触及这一能力。公告称，当智能体承担动手工作时，团队规模不再限制你能构建什么。

这笔钱押注的核心证据

Mirendil官方公告中给出了一组核心数据：1位研究员与智能体协作，在3.5个月内从零预训练了Mirendil-Base——一个具有竞争力的编码模型，所用算力不到1000万美元。据Tech Times报道，这一不到1000万美元的数字是全部费用，包含智能体的token开销与数据处理成本。

据SiliconANGLE报道，通常这类项目由专家团队完成。而在Mirendil的案例中，智能体搭建了基础设施、找到了合适的训练算法并从网上收集了训练数据，随后又优化了训练数据集与Mirendil-Base的架构以提升输出质量。据SiliconANGLE报道，Mirendil-Base超过99%的代码由智能体编写。这一数字指向了Mirendil试图证明的核心命题：AI智能体可以承担绝大部分模型研发中的编码工作，从而大幅降低对人力团队规模的依赖。

但据Tech Times报道，Mirendil在介绍预训练成果的文章中表示，Mirendil-Base并非自主构建，而是由一位有专业知识的研究员借助AI工具完成。据Tech Times报道，Mirendil自己也表示尚未达到完全自主的递归自我改进，但称比以往任何时候都更接近这一目标。这一表态划定了一条重要的边界：当前阶段仍然是”人类研究员指导+智能体执行”的协作模式，而非AI独立完成研发的全自主模式。

在Mirendil-Base的基础上，公司进行了后训练，产出了Fern模型。据Mirendil官方公告和SiliconANGLE报道，Fern能够处理1000万token的上下文，足以容纳智能体数天的工作内容。据SiliconANGLE报道，Fern是面向AI实验室常见编程难题而设计的，其上下文处理能力是Claude Opus 5.5的10倍，且Fern基于一个拥有1000亿至5000亿参数的Mirendil-Base版本。据SiliconANGLE报道，1000万token约合50万行代码。

据SiliconANGLE报道，Mirendil在10月下旬预览了参数量在5000亿至10万亿之间的两个升级版本。据Tech Times报道，Mirendil在10月21日发布的文章中列出的更大模型当时仍在训练。据SiliconANGLE报道，Mirendil计划用这些算法来开发更强大的大语言模型。

哪些已验证、哪些是公司自报

Tech Times在报道标题中就点明了一个关键事实：本轮融资公告未披露估值，且仅引用了公司自身的测试数据。这一判断有具体依据。

据Tech Times报道，Mirendil发布了一项在七个外部代码仓库上的bits-per-byte对比测试。据Tech Times报道，这七个代码仓库是在Mirendil模型训练完成之后才出现的，这能降低模型记住测试材料的风险。据Tech Times报道，bits-per-byte衡量的是模型预测文本的能力，使得采用不同分词器的模型之间可以进行比较。在这一测试中，Mirendil-Base的bits-per-byte得分为0.222，Kimi-K3得分为0.193（越低越好），Mirendil-Base排名第二。但Tech Times指出，这一测试由Mirendil自行选择和执行，Mirendil的相关文章没有报告编码任务得分，也没有独立第三方复现过这一结果。据Tech Times报道，更低的预测损失并不能告诉买家一个模型在编码任务、推理或工具调用方面的实际表现。

据Tech Times报道，Mirendil称其针对Fern在RULER基准上只做了一项基础测试，更全面的结果即将公布。但报道同样指出，这些测试均为公司自报，缺乏外部独立验证。据Tech Times报道，RULER基准之所以存在，是因为简单的检索测试会高估长上下文能力；而预测损失的改善并不等同于在长输入上完成任务的能力。

据Tech Times报道，Fern的公告页面将访问权限列为”即将开放”并提供早期访问申请，而Mirendil的文章也没有描述Mirendil-Base的全面可用情况。

关于不到1000万美元算力这一数字，Tech Times报道明确指出，这一成本仅覆盖Mirendil-Base——即参数量在1000亿至5000亿之间的最小模型。更大规模的模型截至10月21日仍在训练。据Tech Times报道，Mirendil没有披露token数量、激活参数量或GPU小时数，对架构也只描述为经过修改。

对于一家A轮公司而言，缺乏第三方独立验证的技术成果并不罕见，但在10亿美元的融资规模下，这意味着投资方的决策更多基于对团队、技术方向和市场机会的判断，而非已经被外部验证的产品性能。笔者认为，这进一步说明了本轮融资的”下注”性质——投资方押注的是R&D Agentic AI这个赛道的机会，以及Mirendil团队执行这一愿景的能力。

投资方与供应商的重叠

Tech Times报道中揭示了一个值得注意的问题：Google既出现在Series A的参投方名单中，又是Mirendil的算力供应商。据Tech Times报道，Mirendil首席执行官曾对TechCrunch表示，Mirendil与Google Cloud签署的多年合作协议价值”超过1亿美元”，该协议于8月6日被报道。

此外，据Tech Times报道，Nvidia在种子轮之后进行了投资，而Nvidia同时也是此类AI实验室所依赖的芯片供应商。

这引出一个问题：当算力供应商同时是投资方时，融资金额中有多少最终会以算力采购的形式回流？这种关系不一定构成利益冲突，但确实使得融资金额的”净投入”效果变得更加复杂。对于外部观察者而言，理解这10亿美元的实际用途和资金流向，需要考虑这一层关系。

据Tech Times报道，Kleiner Perkins的投资论点描述了一个更长期的目标：一个能够朝用户设定的任何目标持续自我改进的系统。但Tech Times指出，目前公开的证据支持的是前一种描述——即人类研究员借助AI工具完成工作——而非后者。

智能体自己申请算力，安全边界描述有限

Mirendil的技术路线中有一个细节需要特别关注。据Tech Times报道，Mirendil称Lor的智能体能够自行申请计算节点、配置环境、运行工作负载并在完成后释放资源。但Tech Times同时指出，相关页面没有描述沙箱隔离或支出限额机制。

据Tech Times报道，相关页面称智能体只在用户添加的机器上运行，用户可以随时停止任何智能体。

这一细节的重要性在于：当AI智能体被赋予自主申请和管理计算资源的权限时，缺乏明确的安全边界描述会引发合理的担忧。如果智能体可以不受限制地申请算力，那么在异常情况下（如智能体进入无效循环或产生非预期行为），成本和安全风险如何控制？

据Tech Times报道，Mirendil的Series A公告也没有描述针对自动化再训练的安全检查或访问策略。对于一家正在构建能够自主执行研发任务的AI智能体平台的公司而言，安全机制的公开描述仍然有限——在10亿美元融资的背景下，外部利益相关方有理由期待更透明的安全框架说明。

R&D Agentic AI：与通用AI助手截然不同的赛道

要理解Mirendil这笔融资的逻辑，需要厘清”R&D领域的Agentic AI”与市场上大量通用AI助手之间的根本区别。

SiliconANGLE的报道标题直白地概括了Mirendil的目标：加速AI模型开发。从Mirendil官方公告披露的信息来看，公司试图证明的正是这种能力：1位研究员与智能体协作完成了原本需要更大团队才能完成的模型预训练工作。如果这一模式能够被验证和推广，它所构建的就是一个能够显著压缩研发周期的工作范式。

笔者判断，R&D Agentic AI相对于通用AI助手的核心差异在于壁垒的多层性。通用AI助手的竞争最终会收敛到底层模型能力的比拼，而R&D Agentic AI的壁垒叠加了领域知识编码、实验流程编排、结果评估标准定义等多层复杂性。这些能力无法简单地通过调用更强的基础模型来获得，需要深度的领域工程和持续的数据积累。但同样需要指出，据Tech Times报道，Mirendil自己也表示尚未达到完全自主的递归自我改进，这意味着当前的技术成熟度与最终愿景之间仍有相当距离。

“AI研发AI”的递归范式：估值逻辑面临重新校准

Mirendil的案例折射出AI投资领域一个更深层的变化：当AI开始介入AI自身的研发过程时，传统的估值框架可能需要重新校准。

据SiliconANGLE报道，Mirendil的核心方向是加速AI模型开发——用AI来做AI的研发工作。这种”AI研发AI”的特征，使得Mirendil的潜在价值曲线与其他AI应用公司有所不同：若其技术确实有效，那么它的产出（更高效的AI研发流程）将直接增强AI行业自身的能力，形成正反馈循环。

笔者判断，这种递归特征可能是Mirendil能够在A轮阶段就获得10亿美元融资的关键原因之一。对于投资方而言，押注一家”AI研发AI”的公司，是在押注AI行业整体加速的可能性——若成功，其影响将不限于单一垂直市场，而是作用于整个AI技术栈的进化速度。

但这种递归增长的前提是AI系统的自我改进能力是真实的、可持续的。据Tech Times报道，Mirendil自己也表示尚未达到完全自主的递归自我改进，Tech Times报道中”仅引用公司自身测试”的细节也指向了这一前提尚未被外部验证的现实。

10亿美元A轮的风险信号

Tech Times在报道中明确指出了两个事实：Mirendil在本轮融资中未披露估值，且在技术验证方面仅引用了公司自身的测试数据。这两个细节需要被认真对待。

“仅引用公司自身测试”涉及一个根本的技术验证问题。对于一家声称能够加速AI模型开发的公司而言，最有说服力的验证应该来自外部客户或独立研究机构的使用反馈。Mirendil在bits-per-byte测试中排名第二的结果、RULER基准上的基础测试，以及不到1000万美元算力的成本数据，全部来自公司自行选择和执行的测试，没有独立第三方复现。

将这两个信号结合起来看，笔者认为Mirendil这笔融资的风险收益特征更接近于对团队和赛道的战略押注，而非对已验证商业模式的规模化投资。投资方显然对Mirendil的团队背景和技术方向有足够的信心来支撑10亿美元的承诺，但市场应该意识到，这笔投资的回报在很大程度上取决于尚未被外部验证的技术能力。

这并非否定Mirendil的潜力。但10亿美元的A轮规模意味着这笔投资的容错空间相对较小——若Mirendil的技术未能在后续阶段获得外部验证和客户采纳，后续融资的估值压力将非常大。

Tech Times报道的最后一句话提供了一个恰当的总结框架：读者应当将这10亿美元视为对Mirendil后续模型可能实现之事的押注，而非对其第一个模型已经做到之事的证明。

主题分类：AI商业模式

参考资料

  1. Mirendil Raises $1B to Democratize Frontier AI R&D — Mirendil 官方博客, 2026-11-12
  2. Mirendil raises $1B in funding to speed up AI model development — SiliconANGLE, 2026-11-13
  3. AI Lab Mirendil Raises $1B Series A — Release Names No Valuation, Cites Only Company Tests — Tech Times, 2026-11-13