单人手搓千亿模型！RSI两大里程碑发布

近日，两家初创公司几乎同时发布「递归自我改进（RSI）」领域重磅成果，引发硅谷AI圈震动。

初创公司Mirendil宣布，仅用1名研究员、不到1000万美元算力、耗时3.5个月，从零训练出参数量100B–500B的编程基座模型Mirendil-Base。项目从空代码库开始，未购买商业授权数据，未使用模型蒸馏或合成数据，仅基于PyTorch、JAX及公开GitHub代码与网页数据。AI智能体编写了超过99%的代码，自主完成实验并诊断训练故障；唯一的人类研究员只负责决定研究方向、判断实验结果是否可信。评测中，Mirendil-Base与Kimi-K3、DeepSeek-V4-Pro-Base、Inkling、GLM-5.3、Nemotron-550B-Base等万亿级MoE模型同台竞技，在多个外部代码库测试中拿下高分。Mirendil透露，500B–2T参数的Large版本已训练80%，2T–10T参数的XL版本训练进度19%，表现已逼近Large版本；下一代模型将由Mirendil-Base自身参与构建。

另一家由田渊栋创办的Recursive发布开放权重的40B编程模型Flint。在短上下文场景下，Flint在M4 Pro芯片MacBook Pro上每秒生成超125个Token，在64GB版NVIDIA RTX Spark上每秒超150个Token，速度最高可达同类模型两倍；在总参数量低于500亿的MoE模型中，智能体编程基准测试排名第一，性能媲美相近规模最强稠密模型。Flint只是「附赠品」，真正主角是Eureka Machine——一套自动完成「提想法→实现→测试→决定下一步」完整研究循环的系统。Recursive目标是打造能递归自我改进的超级智能，自动化知识发现。

两家公司路径不同：Mirendil由人指挥AI，极致压缩人力和时间；Recursive用Eureka Machine让研究过程高度自动化。二者共同瞄准RSI闭环：AI编程能力越强，AI搞科研越快，造出更强下一代AI。加州大学伯克利分校教授、Databricks联合创始人Ion Stoica等纷纷转发惊叹。业内人士称，未来只取决于两件事：有多少算力，以及「发现循环」做得多好。

消息引发初级研究员焦虑。英伟达资深研究员Ali Hatamizadeh回应称，不必被标题吓倒，但「饭碗」确实换了。他指出，常规预训练配方已成熟公开，算力足够时让AI写代码训出好模型不难，靠「复现已有成果」的工作空间正迅速缩小。AI吃掉了执行力，「判断力」成为新核心竞争力——智能体常自信给出假象结果，如指标暴涨可能来自数据泄漏、底层Bug、随机种子或分词器不匹配；OpenAI内部人类需4–8小时完成、智能体成功完成的任务中，超过一半仍需至少一次人工干预。他提出四大生存法则：认清现实，别靠复读旧配方；AI吃掉执行力，判断力成天价新饭碗；越把活儿交给AI，基本功越要硬，需亲手实现注意力机制、做破坏实验、带质疑读论文；大模型远未研究透，遍地黄金课题。