先了解这件事
2026年10月22日,Mirendil发布代码基座模型Mirendil-Base。据早先报道,该模型由一名研究员带领一组Agent在3.5个月内从零预训练完成,参数规模为1000亿至5000亿,成本不到1000万美元,仅使用公开数据,不蒸馏、不使用合成数据、不购买数据,99%以上代码由Agent编写。在代码预测损失上,它优于GLM-5.3、DeepSeek-V4-Pro-Base和Nemotron-550B,但不及Kimi-K3;该模型不开放权重、没有API,也尚无SWE-bench这类任务评测。后续报道称,在新代码仓库交叉熵测试中,Kimi K3以0.193排第一,Mirendil-Base以0.222排第二,其后为GLM-5.3、DeepSeek-V4和Nemotron;报道同时指出基座模型在该测试中通常优于后训练模型,因此Mirendil-Base与Kimi K3的实际差距比分数显示更大。
AI 根据公开报道生成
事件进展
1 个已确认进展
- 来源：钛媒体 · AGI
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月23日
36氪 · AI
Mirendil 与 Recursive 发布 RSI 成果，英伟达研究员谈研究者生存法则
初创公司 Mirendil 称由 1 名研究员借助 AI 智能体编写超过 99% 的代码，在 3.5 个月内、不到 1000 万美元算力下训练出 100B–500B 参数的编程基座模型 Mirendil-Base；田渊栋的初创公司 Recursive 则发布开放权重的 40B 编程模型 Flint，其背后是自动完成提想法、实现、测试、决定下一步的 Eureka Machine 系统。英伟达资深研究员 Ali Hatamizadeh 就此撰文，认为常规预训练配方已成熟公开，研究者的价值转向决定做什么实验、判断哪些结果可信，并列出少样本高效学习、新架构、持续学习、长程推理可靠性、消灭幻觉、新评测体系、可解释性与控制七个开放课题。
钛媒体 · AGI
Mirendil 发布千亿参数编码基座模型 Mirendil-Base，由 1 名研究员和 Agent 训练完成
Mirendil 发布编码专用基座模型 Mirendil-Base，参数区间为 1000 亿到 5000 亿，由 1 名研究员和 Agent 在三个半月内完成，成本不到 1000 万美元，超过 99% 的代码由 Agent 编写。官方称训练全部使用 GitHub 开源代码、公开网页和公开数据集等公开数据，未购买数据、未做蒸馏、未用合成数据。在新代码仓库交叉熵测试中，Kimi K3 以 0.193 排第一，Mirendil-Base 以 0.222 排第二，其后为 GLM-5.3、DeepSeek-V4 和 Nemotron；文章同时指出基座模型在该测试中通常优于后训练模型，因此 Mirendil-Base 与 Kimi K3 的实际差距比分数显示更大。
10月22日
indigo
Mirendil 发布 Mirendil-Base 代码基座模型，3.5 个月预训练完成
Mirendil 发布代码基座模型 Mirendil-Base，由一名研究员带一群 Agent 在 3.5 个月内、花费不到 1,000 万美元从零预训练出 1,000–5,000 亿参数模型，仅用公开数据，不蒸馏、不用合成数据、不买数据，99% 以上代码由 Agent 写成。在代码预测损失上它优于 GLM-5.3、DeepSeek-V4-Pro-Base 和 Nemotron-550B，但不及 Kimi-K3。该模型不开放权重、没有 API，也尚无 SWE-bench 这类任务评测；作者认为这更像资深研究员加 Agent 的效率胜利，方法依赖第三方 Coding Agent，容易被复制。
本事件热度走势
- 当前
- 8
- 区间峰值
- 14 10月23日 18:00
- 近 24 小时变化
- —
移动指针或点击图表可查看每小时热度；键盘可用左右方向键切换。