递归自我改进里程碑：Mirendil与Recursive如何重塑大模型训练与AI智能体

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-23

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。

2026年10月23日，递归自我改进（RSI）领域迎来两项里程碑发布：初创公司Mirendil宣布仅用1名研究员、不到1000万美元算力、3.5个月训练出100B-500B参数编程基座模型Mirendil-Base；Recursive发布40B开放权重编程模型Flint，并推出Eureka Machine自动化研究系统。两项突破共同指向RSI闭环：AI编程能力提升加速AI研究，进而催生更强AI。

📊 核心实体与商业数据

💡 业务落地拆解

Mirendil：单研究员+AI智能体，千亿模型训练成本骤降

Mirendil-Base从零开始，未使用商业授权数据或模型蒸馏，完全基于PyTorch、JAX和公开GitHub代码与网页数据。AI智能体编写了超过99%的代码，自主运行实验并诊断训练故障。唯一人类研究员仅负责研究方向决策和结果判断。在预测代码库任务中，Mirendil-Base与Kimi-K3、DeepSeek-V4-Pro-Base等万亿参数模型同台竞技，在多个外部代码库测试中取得高分。更大规模模型Mirendil-Base-Large（500B-2T）已训练80%，旗舰版Mirendil-Base-XL（2T-10T）训练进度19%。

Recursive：Flint模型与Eureka Machine，研究自动化闭环

Recursive发布的Flint模型在智能体编程基准测试中，在总参数量低于500亿的MoE模型中排名第一。在M4 Pro芯片MacBook Pro上生成速度超过125 token/s，在RTX Spark上超过150 token/s，速度最高可达同类模型两倍。Flint仅是“附赠品”，核心是Eureka Machine系统，实现“提想法→实现→测试→决定下一步”的完整研究循环。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。

行业反应与专家观点

加州大学伯克利分校教授、Databricks联合创始人Ion Stoica等转发惊叹。英伟达资深研究员Ali Hatamizadeh针对初级研究员的焦虑指出：

“如果你的主要工作，只是把去年的训练方案稍作调整、换批数据再跑一遍，那么这类工作的空间正在迅速缩小。”

“交给智能体的工作越多，你的基本功就越重要。因为你永远无法监督自己不理解的东西！”

Ali强调，在RSI时代，人类判断力成为核心价值，并列出少样本高效学习、新架构探索等7个待解课题。

🚀 对企业 AI 化的启示

1. 大模型训练范式变革：Mirendil案例证明，常规预训练配方成熟后，AI智能体可大幅降低人力门槛，企业应重新评估自研模型的成本结构。
2. AI智能体驱动自动化研究：Recursive的Eureka Machine展示了研究流程自动化的可行性，企业可探索将重复性研发任务交由AI智能体执行，人类聚焦问题定义与结果判断。
3. 递归自我改进的竞争焦点：RSI闭环加速AI迭代，企业需关注“发现循环”效率，即如何利用AI智能体加速实验与优化。
4. 人才能力转型：执行力被AI替代后，判断力与底层理解成为关键，企业应培养员工监督和指导AI的能力。

【官方原文链接】点击访问首发地址