Mercor 为 AI 训练项目寻找专家，估值达到 100 亿美元

2025 年 6 月，Meta 以约 143 亿美元投资 Scale AI，取得 49% 股份，创始人 Alexandr Wang 随后加入 Meta。交易引起了其他 AI 实验室对数据保密的担忧。路透社当时报道，Scale 的最大客户 Google 计划结束合作，其他客户也在调整供应商关系。

Mercor 联合创始人 Adarsh Hiremath 曾这样形容竞争环境的变化："你的最大竞争对手一夜之间被鱼雷击沉——这在创业公司中不常见。"

Scale 是大型 AI 数据供应商，这笔交易使其估值达到约 290 亿美元。公司强调仍独立运营，不会向 Meta 提供客户机密信息。不过，与 Meta 的紧密关系仍让一些客户转向其他供应商，为 Mercor 等公司带来更多业务机会。

Mercor 的工作，是把领域专家与 AI 训练项目匹配起来。它在这次行业变化之前已开始增长，随后也遇到了自己的信任考验：2026 年 3 月的安全事件影响了公司，Meta 暂停相关项目。理解这门生意，需要一起看它的人才网络、客户关系和数据管理。

三名高中队友，从开发者招聘做起

Mercor 的故事始于三个人的高中友谊。Brendan Foody、Adarsh Hiremath 和 Surya Midha 在加州圣何塞的 Bellarmine College Preparatory 成为辩论队队友，Hiremath 和 Midha 曾成为历史上首对在同一年赢得全部三项全国政策辩论赛冠军的搭档。

三人分别进入 Georgetown、Harvard 等大学后，在宿舍里启动了一个副项目：将来自印度等地的国际开发者与美国初创公司对接。早期业务主要靠人工匹配人才。据创业经历报道，在尚未引入外部资金时，项目就做到了约 100 万美元年化营收和 8 万美元利润。

Mercor 于 2023 年创立，三名创始人随后获得 Thiel Fellowship 并离开大学，专注创业。公司最初用大语言模型（LLM）筛选简历、进行视频面试并匹配候选人，后来逐渐把招聘能力用在 AI 训练项目上。

为 AI 实验室寻找专家，制作训练和评估数据

Mercor 的业务从招聘延伸到 AI 训练。CEO Brendan Foody 在官网这样描述公司的位置：

"Mercor sits at the intersection of labor markets and AI research."

具体而言，Mercor 为 AI 实验室筛选和匹配领域专家，让他们编写专业回答、制作训练数据，并评价模型表现。这些工作可用于模型后训练，包括基于人类反馈的强化学习（RLHF）。

平台匹配的专家包括医生、律师、投资银行家、管理顾问、科学家——甚至是诺贝尔奖得主和艾美奖获得者。根据 Stripe 官方合作新闻稿，Mercor 每周为超过 3 万名专业人员匹配项目。CNBC 报道称，平台每日向承包商支付的金额超过 150 万美元，TechCrunch 在 2026 年 3 月报道该数字已升至每日 200 万美元以上。

Mercor 连接客户与专家，向客户收取项目费用，再支付专家报酬，具体报价随合作内容而变化。它使用 Stripe Connect 管理支付，支持专家收款和相关流程；Instant Payouts 则提供更快的到账方式。

用训练项目积累经验，再扩展到更多招聘需求

Foody 在官网博文 The Secret Mercor Master Plan 中，解释了训练项目与长期招聘业务的关系：

"Contracting experts to train AI models is the perfect forcing function."

Mercor 的四步主计划是：

从为 AI 训练项目招聘专家做起
收集专家在项目中的工作表现，改进人才评估
扩展到短期合同岗位
逐步扩展到更广泛的岗位招聘

Foody 把这一路径与 Uber 早期的专车服务、Airbnb 围绕会议产生的住宿需求作类比：先服务一类迫切的需求，再扩大市场。AI 实验室可能要求两天内找到 300 名专家，促使 Mercor 把筛选、匹配和交付流程自动化。

这份计划的重点是利用项目反馈改进人才匹配。专家的实际表现可以帮助公司检验筛选是否准确，更好的匹配体验也可能吸引更多人才和雇主。公司希望把训练项目中积累的经验，用到其他知识工作岗位上。

收入快速增长，C 轮估值达到 100 亿美元

Mercor 在 2026 年 5 月的官方文章中称，公司当年早些时候已跨过 10 亿美元年化收入规模。这个数字按近期业务速度折算，不代表已经取得同等全年营收。2024 年初，公司还在公寓里运营，年收入不到 100 万美元，也没有美国员工。

这条增长曲线有几个关键节点：

时间	事件	估值
2023 年	种子轮 360 万美元，General Catalyst 领投	未披露
2024 年 9 月	A 轮 3000 万美元，Benchmark 领投	2.5 亿美元
2025 年 2 月	B 轮 1 亿美元，Felicis 领投	20 亿美元
2025 年 10 月	C 轮 3.5 亿美元，Felicis 领投，Benchmark、General Catalyst、Robinhood Ventures 参投	100 亿美元

这些融资为扩大专家网络和研发提供了资金。投资方包括 Benchmark、General Catalyst、Felicis、Robinhood Ventures 和 Peter Thiel 等；其中 C 轮金额与估值已由公司公开确认。

C 轮之后，三名 22 岁创始人的持股价值也受到关注，媒体据此将他们列为最年轻的白手起家亿万富翁。这类财富估算主要来自未上市公司股权价值。

Scale、Surge 和招聘平台都在争取专家数据业务

Mercor 面对的竞争者，既包括数据公司，也包括向 AI 训练业务扩展的人才平台。

Scale AI（2016 年成立）：长期服务大型 AI 实验室。Meta 投资后，部分客户调整合作，Scale 随后裁员 14%。公司仍在运营，并强调独立性和客户数据保护；它需要回应其他实验室对利益冲突的担忧。

Surge AI：同样向 AI 实验室提供后训练数据和专家服务，与 Scale、Mercor 直接竞争。其业务强调高质量标注与评估，客户选择时会比较数据质量、交付速度和保密能力。

Turing：据报道，2024 年年化收入为 3 亿美元，约为上年的 3 倍；2025 年 3 月以 22 亿美元估值融资 1.11 亿美元。CEO Jonathan Siddharth 强调 Turing 的差异化在于从"商品化数据标注"升级到"专家研究"——恰好也是 Mercor 的方向。

Invisible Technologies：2025 年 9 月以超过 20 亿美元估值融资 1 亿美元。定位介于 AI 训练外包和业务流程外包之间。

Handshake：与 Mercor 同时被 The Information 报道为"因 AI 训练需求而收入暴涨"的平台。

传统平台（Upwork、Fiverr、LinkedIn）：拥有广泛的人才和雇主资源，也在增加 AI 功能。与它们相比，Mercor 更集中地服务训练项目，需要把专业筛选、质量控制和项目交付连在一起。

Mercor 将 AI 面试和评估放在人才匹配流程中，再结合后续项目表现，判断候选人适合哪些工作。优势能否维持，取决于这些信息能否提高匹配准确性，以及客户是否认可实际交付质量。

发布 APEX 基准，用专业任务评估 AI

2026 年 1 月，Mercor 发布了 APEX-Agents 基准测试——一个用于评估 AI Agent 在投行、管理咨询和公司法领域执行长周期、跨应用任务能力的开放测试集。任务由具备多年行业经验的专家设计，资料模拟团队在 Google Workspace 等工具中的工作，Agent 则通过 Archipelago 测试环境执行任务。

APEX-Agents 属于 Mercor 的 APEX 评测系列，APEX 专业服务评估和面向消费者场景的 ACE 此前已有发布；2026 年 3 月又加入了与 Cognition 合作的 APEX-SWE，评估软件工程 Agent。

这些评测让 Mercor 展示专家设计任务和判断成果的能力，也为客户评估模型提供参考。随着更多团队采用，基准可能帮助公司建立业务联系；它与其他机构的评测共同构成模型能力的观察工具。

在 APEX-Agents 公布的首批基线中，Gemini 3 Pro 单次通过率为 18.4%；每题运行 8 次、至少一次通过的比例为 37.3%。首批单次成绩更高的 Gemini 3 Flash 为 24.0%。这些结果呈现了当时模型完成所测专业任务的困难，也帮助数据供应商找到后续训练重点。

LiteLLM 安全事件波及 Mercor，Meta 暂停项目

2026 年 3 月底，Mercor 确认遭受了一起与开源项目 LiteLLM 相关的供应链攻击。TeamPCP 被指污染了 LiteLLM 的更新包，安装受影响版本的企业可能暴露数据，Mercor 确认自己受到影响。随后，自称 Lapsus$ 的攻击者在其泄露网站上声称获取了 Mercor 的数据，并公开了样本——包括 Slack 数据、工单系统记录，以及 Mercor AI 与承包商对话的视频。

攻击者声称获取约 4TB 数据，并列出数据库、源代码和视频等内容。这是攻击方的说法，公开样本不足以确认完整规模。

据 WIRED 等媒体当时报道，事件已影响合作和承包商工作：

Meta 暂停与 Mercor 的合作，未给出恢复期限。相关项目包括 Chordus，用于训练 AI 通过多个互联网来源核对回答。
OpenAI 启动调查，评估其专有训练数据是否被暴露（但未暂停当前项目）。
其他 AI 实验室也在评估事件范围及对合作的影响。
Meta 项目的承包商被告知暂时不能计报工时，Mercor 在为受影响人员寻找其他项目。
专家提交的面试与工作数据如何受到保护，也成为平台需要回应的问题。

WIRED 报道中引用的安全研究员 Allan Liska（Recorded Future）的判断是：TeamPCP 主要是经济动机驱动，但攻击的规模和目标敏感性——AI 训练数据被视为 AI 实验室的核心机密——使事件受到 AI 行业的高度关注。

招聘、数据制作和项目管理，构成同一门生意

Mercor 把招聘、数据制作和外包项目管理结合起来：先找到合适的专家，再组织他们完成 AI 实验室需要的工作。这几项能力相互依赖。

不同业务也各有要求：

数据服务：AI 实验室是重要客户，公司宣传服务全球前五大实验室。这说明它进入了头部客户的采购体系，也意味着业务受这些客户训练投入和供应商选择的影响。

人才匹配：公司计划逐渐扩展到更多知识工作岗位。AI 面试、工作表现反馈和支付工具，可以支持更广泛的招聘需求，但跨行业推广仍需要积累经验。

项目管理：客户需要同时组织大量专家、控制质量并保护机密。Mercor 与其他数据供应商一样，承担了部分外包管理工作。使用项目代号等做法，也反映出客户对保密的要求。

长期问题是：模型能力提高后，实验室还需要多少专家数据？ Foody 的判断是，模型进步会提高对专家水平的要求，例如从简单图像标注转向判断 AI 能否完成并购交易建模。这可以解释业务升级的方向，但需求规模仍取决于后续训练方法和客户预算。

扩张要同时解决质量、客户集中和数据安全

1. 专家质量。 平台提到诺贝尔奖得主和艾美奖获得者等人才，但日常交付质量取决于具体项目的筛选与审核。扩大人数的同时，公司需要保持专业标准。

2. 客户集中。 大型实验室能带来大量订单，也可能同时调整采购。Meta 暂停合作说明单个客户的变化会影响项目运转；具体收入风险，还需看各客户的业务占比。

3. 人才网络。 面试记录和项目反馈有助于改进匹配，但候选人可以同时使用多个平台，竞争者也能开发评估工具。Mercor 需要靠持续的工作机会、合适的报酬和可靠的服务留住专家，给客户带来可见的交付优势。

4. 安全与信任。 数据供应商同时处理客户项目资料和专家个人信息。LiteLLM 事件说明，第三方软件风险可能影响整条业务流程，权限管理、依赖审查和事件响应都需要跟上业务规模。

5. 招聘与用工合规。 自动化人才评估涉及公平性和个人信息保护，跨地区组织承包工作还涉及不同的劳动与合同规则。相关义务需要按地区和具体用工关系判断，这些成本也会影响平台经营。

6. 客户间的利益冲突。 Scale 的经历说明，客户会关注供应商与竞争对手的关系。Mercor 同样需要清晰的治理和信息隔离机制；普通财务投资者的多家公司持股，与大型客户直接入股供应商，影响也有所不同。

增长能否持续，要看客户信任和交付能力

Mercor 的增长受益于 AI 实验室对专家数据的需求、部分客户调整供应商，以及公司逐步建立的招聘和交付能力。Scale 交易带来了机会，但业务基础在此前已经形成。

2026 年 3 月的攻击则揭示了增长之外的管理要求。掌握敏感训练资料的供应商，需要审查第三方依赖、限制数据访问，并在事件发生后及时向客户和承包商说明情况。

项目反馈可以帮助 Mercor 改善人才匹配，专业训练需求也为它提供了市场。接下来更值得观察的是：客户是否继续下单，专家能否获得稳定工作，安全和质量管理能否跟上扩张。这些因素将决定收入增长能否持续。