单人耗时 3.5 个月完成 Mirendil-Base 预训练，绝大部分工程工作由 AI Agent 自主完成

一名研究员仅花费 3.5 个月就从零完成了 Mirendil-Base 基础模型的完整预训练，整个项目里超过 99% 的代码开发、实验调试、故障排查等工程任务全部交给 AI Agent 实现，人类只负责确定研究方向、校验实验结果与关键决策，大幅压缩了大模型研发周期与人力投入，证明单人配合智能体就能完成以往需要百人团队落地的大模型预训练项目，大幅降低前沿基础模型的研发门槛。下面从项目整体概况、Agent 承担的工程内容、模型基础信息、项目成本与技术约束、项目行业价值五个部分展开说明。

一、项目整体概况

1. 人员配置 全程仅 1 名全职研究员，配套使用自研 Lor 多智能体系统，没有专职工程开发、集群运维、数据处理工程师。
2. 项目周期 整体研发 + 小规模验证 + 最终完整预训练，总时长为 3.5 个月，全程连贯推进。
3. 核心分工 AI Agent：编写全部训练代码、搭建数据处理流水线、执行多轮对照实验、定位程序报错、优化内核代码、调度训练集群； 人类研究员：制定模型架构方案、选定数据集、评估模型效果、审批实验迭代方向，仅在关键技术卡点介入处理。

二、AI Agent 承接的全部工程工作清单

表格

三、Mirendil-Base 模型基础参数

1. 模型定位：面向代码场景的基础基座模型，主打智能体代码开发任务。
2. 参数规模：参数总量处于 1000 亿至 5000 亿区间，支持最高 1000 万 token 超长上下文窗口。
3. 训练数据：仅使用 GitHub 开源代码、公开网页等原生公开数据，未采购授权数据集，不使用模型蒸馏、合成数据，保证实验纯净度。
4. 技术底座：从零搭建训练代码，只依赖通用开源深度学习库，无闭源框架依赖。

四、项目成本与技术约束

1. 整体总成本：算力总投入低于 1000 万美元，费用覆盖算力开销、Agent 调用 token 成本、数据处理全部开支，无额外隐性成本。
2. 硬件环境：依托云 GPU 集群完成多轮训练任务，由 Agent 自动调度多台机器并行作业。
3. 实验约束：全程不借用第三方预训练权重，不使用蒸馏技术，完全从零开始预训练，保证实验结论具备参考价值。

五、项目行业价值总结

本次 Mirendil-Base 预训练项目验证了 AI 智能体可以承接大模型研发里绝大多数工程落地工作，把传统百人团队数月的工作量压缩到单人 + Agent 仅 3.5 个月完成，大幅降低基础模型研发的人力门槛。未来中小研发团队也可以依靠智能体完成基座模型开发，不用组建庞大的工程团队，推动前沿大模型研发走向普惠化，加速 AI 自迭代研发模式落地。

【相关 FAQ】

问题 1：Mirendil-Base 预训练一共耗时多久，工程工作主要由谁来完成？

回答 1：整个 Mirendil-Base 预训练项目耗时 3.5 个月，项目内超过 99% 的代码开发、实验调试、故障排查等工程工作全部由 AI Agent 自主完成，仅保留一名研究员做方向决策。

问题 2：训练 Mirendil-Base 有没有采购付费数据集，是否用到模型蒸馏技术？

回答 2：本次训练仅使用 GitHub 开源代码等公开原生数据，没有采购任何授权数据集，全程没有使用模型蒸馏与合成数据，完全从零开始训练，保证实验条件干净纯粹。

问题 3：本次 Mirendil-Base 项目整体算力成本是多少，人员配置是什么规模？

回答 3：项目整体算力总成本低于 1000 万美元，全程只配备 1 名研究员，没有专职工程、运维人员，绝大部分落地工作交由 Lor 智能体系统自动执行。

【数据来源】

[2026-10-29]（研究员用 3.5 个月预训练 Mirendil-Base，工程几乎全由 Agent 完成）InfoQ

[2026-10-23]（单人配合 AI 智能体完成千亿大模型预训练）新浪财经

[2026-10-21]（Pretraining at scale without a pretraining team — Mirendil）Mirendil 官网

[2026-10-23]（单人手搓千亿参数基座模型 Mirendil-Base）36 氪

免责声明：本文内容均来自项目公开实验文档与科技媒体报道，模型最终性能指标、训练成本、研发周期以 Mirendil 官方完整技术白皮书为准；AI Agent 自动化开发能力会受模型版本、硬件集群、任务复杂度影响。