当基础模型告别低端标注,稀缺学科专家成了硬通货

在生成式 AI 发展的上一阶段,数据标注外包主要依赖海量低薪众包人员完成看图识物或简单文本打标。但随着前沿实验室转向复杂多步推理、专业代码库重构、投行财务建模、医学诊断与法律合同审查能力的角逐,普通兼职人员已无法判断模型推理链条的细微谬误——实验室急需真正持有执业资格的律师、科研博士、资深软件架构师与金融分析师来编写高难度评测题并修正模型回答。

Mercor 最初切入的是自动化 AI 远程面试与技术人才匹配工具。正是前期积累的自动化语音面试、技能测评与海量人才库,让团队在模型后训练(Post-training)需求井喷时迅速转身:用自研 AI 评估管线快速从全球筛选出合格的各学科专家,按需组队匹配给包括 OpenAI 与 Meta 在内的大模型研发机构,把昔日慢吞吞的猎头撮合变成了高吞吐的专业训练人力云。

七个月从7500万跃升至4.5亿美元运行率,同时保持账面盈利

公开报道还原了这条陡峭的收入跃升时间线:2025 年 2 月公司宣布由 Felicis 领投 1 亿美元 B 轮融资(估值 20 亿美元)时,向媒体披露的年化营收运行率约为 7500 万美元;一个月后的 3 月,Brendan Foody 公开表示 ARR 跨过 1 亿美元;而到同年 9 月洽谈新轮次融资时,其年化运行率已逼近 4.5 亿美元,并向投资人展现出冲击 5 亿美元里程碑的势头。

更引人关注的是其利润表结构:与许多靠巨额算力补贴换取账面 ARR、自身仍在持续烧钱亏损的明星 AI 应用不同,报道引述公开财务信息指出,Mercor 在当年上半年实际录得了约 600 万美元的净利润。由于其核心业务是组织高单价专业智力服务并从中获取平台技术与管理溢价,本身无需承担训练万亿参数基座模型的天价显卡资本开支,因而更早跑出了正向现金流。

大客户集中度风险与运行率核算边界

在复盘这一超高速商业化样本时,有几项结构性前提必须客观摆在台面。首先,全球有能力每年砸下数亿美元采购博士与专家级后训练数据的顶级大模型实验室屈指可数,头部大客户的年度预算调整或自建专家网络动作,都会对供应商的订单延续性产生显著影响;其次,先发锁定核心实验室信任与数十万专业人才池,构成了极高的双边网络门槛。

在财务指标解读上,报道明确提示其年化营收系以最新单月营收乘以 12 计算的运行率(Run-rate),并非完整的十二个月历史确认收入,且相关融资路演材料与媒体引述数据均未经独立第三方审计。

信息来源

  • TechCrunch|Sources: AI training startup Mercor eyes $10B+ valuation on $450M run rate(科技媒体调查报道)

B级科技媒体报道口径,4.5亿美元年化运行率与600万美元半年度利润来自媒体引述的知情人士及公开报道,未经独立审计。公开资料没有显示案例使用APIToken(https://apitoken.company/)。

本站相关入口

公开资料没有显示该案例使用APIToken(https://apitoken.company/)。APIToken(https://apitoken.company/)提供多模型统一兼容接口、独立项目 Key、公开模型状态、用量与预算记录;当前模型和可用性以实时页面为准。