Mercor 早期从招聘交易平台（Recruiting Marketplace）起家，随后完成了一次关键的战略转型，将自身打造为专供前沿 AI 模型开发的“专家服务层”（Expert Service Layer）。
其核心机制是一套 AI 驱动的评估系统：通过 20 分钟的结构化视频面试，Mercor 能够高效地挖掘、筛选并向企业调配数百名垂直领域的顶尖专家。截至 2025 年 2 月，该平台已累计评估 46.8 万名候选人，并借此沉淀出独家的“人才质量数据集”，这种数据积累正在为其带来强大的复利优势。
平台已经跑通了一个清晰的业务飞轮：更精准的评估筛查意味着更高质量的人才交付；而人才入职后产生的真实表现数据，又会反过来不断训练和优化平台的匹配算法。
当前，后训练（Post-training）已成为决定 AI 模型能力差异化的核心驱动力，各大 AI 实验室都在竞相争夺高度专业化的“人类智能”。在这一行业趋势下，Mercor 的野心不仅是垄断支撑前沿 AI 开发的“人才底座”，更在于通过每一次成功的人才匹配，不断加深自身的网络效应——让这套壁垒随着时间推移，变得越来越难以被后来者复制。
前沿 AI 模型的开发，正在催生对高质量“人类反馈”前所未有的需求。随着大语言模型（LLM）跨越预训练阶段，进入对齐（Alignment）与微调（Refinement）期，AI 实验室面临着一个核心瓶颈：他们需要成千上万名垂直领域的专家来评估模型输出、撰写偏好数据、进行红蓝对抗（Red-teaming），以及构建强化学习环境。传统的猎头公司往往需要数月时间来寻访特定领域的专业人才；而像 Appen 这种基础的数据标注平台，虽然能提供规模化的廉价劳动力，却缺乏深度的专业审核能力。AI 实验室对“专家级反馈”的迫切需求与市场无法高效交付的现状之间存在巨大的结构性错配，这为连接知识工作者与模型开发者的新型双边市场创造了破局机会。
行业的底层逻辑正在向“后训练（Post-training）阶段的人类智能”转移。 自 2024 年以来，以 OpenAI o1 为代表的模型已经证明，通过基于人类反馈的强化学习（RLHF）和迭代微调，可以实现 SOTA 级别的表现，而不再仅仅依赖堆砌庞大的预训练算力。预训练需要一次性投入海量算力，而后训练则需要专家反馈的持续介入。当各大 AI 厂商的预训练能力逐渐趋同时，模型的核心差异化将越来越取决于对齐阶段人类反馈的质量与规模。在顶级实验室向 AGI 冲刺的这场军备竞赛中，高质量数据已成为决定生死存亡的竞争优势，这也进一步拓宽了“人类反馈”市场的总体潜在规模。
与此同时，智能体（Agentic AI）与自主系统的崛起，正在创造传统 RLHF 之外的全新专家反馈需求。 当 AI 系统的能力从“回答问题”演进到“执行动作”时，模型评估的表面积呈爆炸式增长。如今的 Agent 需要写代码、做研究、甚至做出财务决策。这意味着实验室需要的专家，不仅要评估语言的流畅度，还要审查特定领域的准确性、安全边界、边缘测试用例（Edge-case）的处理能力，以及多步推理的逻辑链条。
因此，宪法式 AI 需要政治学家参与；医疗 AI 需要医生评估临床推理；法律 AI 需要律师审查判例的应用；金融 AI 需要分析师验证投资逻辑；代码生成则需要资深工程师来 Review 架构决策。每一个新增的能力领域，都需要构建专属的反馈管道。随着模型能力的提升，所需专业知识的广度与深度也在呈指数级叠加。截至 2025 年，全球知识工作经济规模已突破 40 万亿美元：哪怕其中只有 1% 被转化为 AI 的反馈闭环，这也将是一个每年超 4000 亿美元的巨大蓝海。
Mercor 的目标正是成为支撑这一行业变革的核心基础设施。 早期从招聘交易平台起家，Mercor 随后完成了一次关键的战略转型，将自身打造为专供前沿 AI 模型开发的“专家服务层”。其核心机制是一套 AI 驱动的评估系统：通过 20 分钟的结构化视频面试，Mercor 能够高效地挖掘、筛选并向企业调配数百名垂直领域的顶尖专家。
截至 2025 年 2 月，该平台已累计评估 46.8 万名候选人，并借此沉淀出独家的“人才质量数据集”，构建起强大的复利优势：更精准的评估筛查意味着更高质量的人才交付；而人才入职后产生的真实表现数据，又会反过来不断训练和优化平台的匹配算法。当前，后训练已成为决定模型差异化的核心驱动力，各大 AI 实验室都在竞相争夺高度专业化的“人类智能”。在这一趋势下，Mercor 的野心在于垄断让前沿 AI 开发成为可能的“人才底座”，同时通过每一次成功的人才匹配，不断加深自身的网络效应——让这套商业壁垒随着时间推移，变得越来越难以被后来者复制。
成立日期：2023年
公司总部：加利福尼亚州旧金山
融资总额：$483.6M
融资阶段：Series C
公司员工：50
01
创业故事
Mercor 的创始故事，带有典型的硅谷极客色彩。 公司于 2023 年 1 月由 Brendan Foody（联合 CEO）、Adarsh Hiremath（前 CTO、联合 CEO）和 Surya Midha（前 COO、董事会主席）共同创立。Hiremath 和 Midha 是发小，相识于小学的辩论赛。随后，这三位联合创始人都在圣何塞的 Bellarmine College Preparatory 读高中，并且是该校全美顶尖的演讲与辩论队队友。
敏锐的商业嗅觉，让这群 19 岁的大二学生捕捉到了全球化招聘的套利空间。 2021 年高中毕业后，Foody 和 Midha 进入乔治城大学，Hiremath 则考入哈佛。他们发现全球招聘市场效率极低，尤其是在挖掘美国以外的技术人才时。在圣保罗参加一场黑客松时，Foody 意识到他们完全可以扮演“连接器”的角色：为美国初创公司匹配海外的优秀工程师，处理繁琐的后勤事务，并从中抽取佣金。Mercor 的第一个客户以每周 500 美元的价格雇佣了一名开发者，而他们从中抽取了约 30% 的分成。
早期的业务形态极其“精益”，所有流转都发生在这几个年轻人的大学宿舍里。 他们靠 WhatsApp 和 Google Sheets 手动将印度的熟练开发者与美国初创公司配对。但仅仅几个月内，他们就以零外部融资（Bootstrapped）的姿态做到了 100 万美元的 ARR（年度经常性收入），并在 25 个国家积累了 10 万名人才库。到 2023 年中，团队意识到纯人工模式无法实现规模化，于是开发了一款内部 AI 面试工具，用于进行 20 分钟的结构化视频评估。这一步，正式将 Mercor 从一个外包中介转型为一家由技术驱动的招聘平台。
然而，真正让 Mercor 迎来跨越式发展的，是 2024 到 2025 年间一次更具决定性的战略延伸：从 AI 招聘切入 AI 训练基础设施。 随着 OpenAI、Anthropic 和 Google 等前沿实验室在模型后训练（RLHF）阶段对垂直领域专家的需求激增，Mercor 经过系统验证的专家网络顺理成章地成为了最理想的“人才蓄水池”。2024 年 3 月，三位创始人共同入选了著名的彼得·蒂尔奖学金（Thiel Fellowship），随后他们正式从大学辍学，全职投入创业。
在随后的爆发式增长期，Mercor 始终保持着令人惊讶的极简团队结构。 当公司 ARR 突破 5000 万美元时，他们在美国仅有 30 名全职员工，在印度仅有 20 名合同工。截至 2025 年 2 月，Mercor 的 ARR 达到 7500 万美元，并累计帮助 HR 团队评估了超过 46.8 万名候选人。随着业务规模的指数级扩大，公司开始引入经验丰富的硅谷高管来掌舵下一阶段的增长。2025 年 5 月，Sundeep Jain 出任公司总裁，他曾担任 Uber 的 CPO（首席产品官）兼工程高级副总裁，并曾在 Google 担任主导搜索广告业务的产品管理副总裁。到了 2025 年 10 月完成 C 轮融资时，Mercor 的 ARR 已达到惊人的 4.5 亿美元。这一里程碑，也让这三位年仅 22 岁的联合创始人，一跃成为历史上最年轻的白手起家亿万富翁。
02
公司产品
如今的 Mercor，已经演化为一家顶级的 AI 训练数据平台。 它的核心价值在于将前沿 AI 实验室与垂直领域的顶尖专家连接起来，专注于完成模型后训练（Post-training）的关键环节，包括人类反馈强化学习（RLHF）、监督微调（SFT）、模型评估、评估准则开发（Rubric development）以及强化学习环境的构建。目前，该平台的模型已成功接入超过 3 万名跨界专家，版图覆盖投资银行、临床医学、管理咨询、法律实践和前沿科学研究等高壁垒行业。
支撑起这套庞大“专家网络”的，是 Mercor 底层极其完善的平台基础设施与 AI 面试系统。 尽管 Mercor 的核心收入来源于专家们为 AI 训练提供的高质量数据，但其真正的护城河在于那套用于寻访和验证候选人的 AI 驱动审查系统。在平台端，整个交互体验被设计得极为顺畅：知识工作者首先创建个人档案，随后可以在“发现（Explore）”页面浏览空缺项目，并根据岗位匹配度、薪酬水平或发布时间进行精准筛选。
人才筛选的核心，是一场由 AI 语音智能体（Voice Agent）主导的 20 分钟定制化视频面试。 这个 AI 面试官不仅会深度解析候选人的履历，还会针对具体技能进行动态评估和逻辑追问。它考察的维度远超简历上的字面信息，直击候选人的技术深度、逻辑推理能力、沟通清晰度以及深度的垂直领域认知。为确保体验，平台允许候选人最多重考三次。针对部分特定岗位，在进入视频面试前还设有笔试环节——候选人需要根据既定的评估准则（Rubrics），分析 AI 的“提示词-回复（Prompt-response）”实操场景。
更具商业价值的是，Mercor 建立了一套极具网络效应的“资质复用”机制。 只要候选人成功通过某项评估，该成绩即可无缝套用于其他兼容岗位。这意味着，一位通过了“临床诊断推理”测试的内科医生，在接手下一个医疗 AI 训练项目时无需再重复自证资质。这种机制极大降低了高净值专家的时间摩擦成本，同时也让平台能够随着时间推移，不断沉淀并像滚雪球一样扩大其在“人才真实表现”上的数据壁垒。
当专家被选中参与特定项目后，平台提供了一套高度自动化的端到端入职（Onboarding）流。 在正式计费工作前，他们需要完成一个结构化的合规清单：包括通过 Persona 进行身份验证，使用 Certn 等服务完成背景调查，签署工作条款、保密协议（NDA）及知识产权（IP）转让协议。此外，还需根据居住地填写相关的税务表格（如 W-9 或 W-8BEN），并绑定 Stripe（或在不支持 Stripe 的地区使用 Wise）以接收薪酬。
针对安全性要求极高的企业级项目，专家还需配置 Okta SSO（单点登录），以安全接入客户的 Slack 等内部协作工具。在这个闭环中，Mercor 承包了所有繁琐的集成签约流程，而外包专家只需按规自行处理税务申报（美国居民年收入超 600 美元填报 1099-NEC，非美国籍员工填报 W-8BEN）。
后训练数据产品
在 Mercor 构建的后训练（Post-training）数据产品矩阵中，人类反馈强化学习（RLHF）是其为前沿 AI 实验室提供的核心服务之一。 这一过程需要垂直领域的专家面对同一提示词（Prompt）生成的多个模型输出，提供结构化的偏好排序（Preference rankings），以此来训练“奖励模型（Reward models）”去精准预测人类的判断。以医疗诊断场景为例，Mercor 会调集拥有执业资格的专业医生，去评估并为相互竞争的诊断推理链进行排序，详细标注出哪个回复展现了更优秀的临床推理、更周全的鉴别诊断（Differential diagnosis）考量，以及更好的医患沟通质量。这些带有偏好标签的数据对，最终将转化为强化学习算法的训练养料，引导模型持续生成符合人类高质量标准的输出。
与 RLHF 侧重“比较与排序”不同，监督微调（SFT）要求专家直接生成“黄金标准（Gold-standard）”的问答对，以示范模型在特定任务分布下应有的行为表现。 SFT 的核心在于从零创造完整的、达到生产级质量的回复，让模型通过监督学习来精准模仿。根据任务复杂度的不同，这类数据构建既包括由顶尖专家亲自撰写深度法律分析或搭建复杂的财务模型，也涵盖由普通标注员处理的摘要提取、指令遵循（Instruction-following）和日常对话等无需极高专业门槛的基础任务。
为了让主观的专家评估更加标准化，评估准则（Rubrics）成为了将复杂质量判断拆解为可量化指标的评分框架。 它摒弃了非黑即白的“通过/失败”二元评估法，而是对照一组预设的、具有不同达成等级的标尺来衡量模型的回复。这种机制的最大优势在于能够精准识别“部分正确（Partial correctness）”——因为 AI 的输出往往在某些维度表现优异，而在其他维度却有所欠缺。更重要的是，这些评估准则可以直接被大模型自动评分系统（Auto-grader LLMs）采用。由于评价标准清晰且具备人类可读性，垂直领域专家可以和工程师协同制定这些规则，随后借助大模型裁判（LLM judges）实现极具性价比的规模化应用，且丝毫不会损失系统的可解释性（Interpretability）。
随着智能体（Agent）时代的到来，强化学习环境（RL Environments）的构建正成为不可或缺的模拟测试场。 在这些高度拟真的虚拟工作环境中，AI 智能体可以执行多步任务（Multi-step tasks），并根据最终结果的质量接收奖励信号。比如在训练一个客服 Agent 时，这不仅意味着要搭建一个包含典型客诉分布、历史交互记录和知识库文章的真实工单系统，还需要配置完整的升级流转机制（Escalation workflows），以及相应的自动评分器，以便在准确率、响应速度和政策合规性等多个维度上，对 Agent 的问题解决能力进行可验证的打分。为此，Mercor 将其内部的评估框架 Archipelago 作为开源基础设施发布在了 GitHub 上——这套基于 Docker 的系统，正是专为在真实强化学习环境中运行和评估 AI 智能体而生。
Benchmarks
2025 年 10 月推出的 APEX（AI 生产力指数），标志着 Mercor 正式将“评估基础设施（Evaluation Infrastructure）”作为一条独立的产品线推向市场。 该基准测试旨在衡量前沿 AI 模型在投资银行、管理咨询、法律和医学这四大专业领域中，执行具有真实经济价值任务的业务表现。其 1.0 版本涵盖了 200 个真实的商业案例，这些任务通常需要专业人士耗费 1 到 8 小时才能完成。为了确保评估的严谨性，Mercor 联合了约 100 名顶尖专家，为每个任务制定了平均包含 29 项指标的精细评估准则（Rubrics）。
在首批严格的测试中，即便是表现最好的 GPT-5 也仅获得了 64.2% 的最高分，参与测试的 21 个模型均未能达到“自主执行专业工作”的生产级门槛。 随后，Mercor 对该体系进行了多维度的扩容，不仅推出了专门评估 AI 模型如何实际操作工具与文件的 APEX World（强化学习环境），还进一步拓宽了覆盖的职业范围与任务类型。到了 2025 年 12 月，Mercor 将盲测评估集（Held-out evaluation set）从 200 个任务翻倍至 400 个，其中处于高思考模式的 GPT-5（GPT 5, Thinking = High）以 67% 的平均分在各大专业领域中拔得头筹。
在深耕专业领域的同时，Mercor 也在同年 12 月发布了聚焦 C 端场景的 ACE（AI 消费者指数）。 这一基准测试覆盖了购物、餐饮、游戏和 DIY 等日常消费者任务。测试结果显示，GPT-5.1 脱颖而出成为最佳模型，但得分也仅为 56.1%。为了实现规模化的高效评级，平台为每项任务都生成了针对特定提示词的评估准则。值得注意的是，系统引入了“门槛指标（Hurdle criterion）”机制——模型必须首先解决用户的核心诉求，才能解锁后续的奖励积分。此外，ACE 还加入了“事实锚定标准（Grounding criteria）”，严厉惩罚模型基于检索源捏造事实或提供无效链接的行为。通过这种机制设计，该测试从根本上规避了“奖励作弊（Reward hacking）”，并有效遏制了无益的模型行为。
随着智能体能力的演进，Mercor 在 2026 年 1 月推出了全新的基准测试 APEX-Agents，专门用于考验 AI 智能体在投行、咨询和企业法务场景下完成复杂、长周期任务（Long-horizon tasks）的真实能力。 为了最大程度还原真实商业世界中“非标且复杂（Messy context）”的工作环境，Mercor 对数百名专业服务领域的专家进行了调研，构建出高度拟真的协作环境，模拟人类同事推进项目的方式。随后，由专家亲自设定任务目标和评分标准，以此定义何为“可交付客户（Client-ready）”的最终成果。将 AI 智能体直接投放进这些“沙盒世界”后，现实却非常骨感：所有接受测试的前沿模型，一次性成功完成任务的比例均不足 25%；即便给予多达 8 次的重试机会，最强 Agent 的任务完成率也仅勉强达到 40%。
03
市场格局
公司客户
作为一个典型的双边网络（Two-sided marketplace），Mercor 的核心商业模式建立在两端受众的精准匹配上：企业级客户与专家外包网络。
在企业客户侧，Mercor 的大盘高度集中于最头部的 AI 实验室。 截至 2025 年 7 月，公司透露已与全球排名前五的 AI 实验室，以及“科技七巨头（Magnificent 7）”中的六家达成了深度合作，这其中包括 OpenAI、Anthropic、Meta 和 Google。这些处于第一梯队的 AI 玩家，极其渴望海量的垂直领域专家来生成后训练数据（包括评估模型输出、进行红蓝对抗以及撰写偏好数据）。除了服务核心的 AI 实验室，Mercor 也在将触角延伸至咨询公司、金融服务机构，以及那些亟需专业人才来评估模型或构建 AI 应用的传统企业。
在供给端的专家网络方面，Mercor 积累了惊人的数据密度与全球化规模。 截至 2025 年 2 月，平台已完成超过 10 万次 AI 面试，累计评估了 46.8 万名以上的候选人。而到了 2025 年 10 月，其活跃的专家外包团队规模已突破 3 万人，横跨全球 45 个以上的国家。其中，印度是最大的人才输出国，美国紧随其后。活跃在 Mercor 平台上的知识工作者，涵盖了软件工程师、医生、律师、银行家、咨询顾问、博士学者、前沿科学家以及资深记者等高壁垒职业。凭借极高的专业门槛，截至 2025 年 10 月，平台专家的平均时薪达到 85 美元，平台单日向这些外包专家支付的薪酬总额更是突破了 150 万美元。
在 Mercor 入局之前，AI 实验室获取高质量数据的渠道一直处于割裂状态。 它们过去主要依赖内部的数据团队、学术界的合作网络，或是求助于 Scale AI 等数据服务商，以及像 Appen 这样提供廉价劳动力的基础标注平台；而那些需要招聘专业人才的缺口，则只能交给传统的猎头公司或自由职业者交易平台。相比之下，Mercor 真正撕开市场裂口的竞争优势在于：它将“AI 驱动的极速人才筛查”与“规模化触达顶尖领域专家”这两种能力，完美融合进了一个端到端的平台中。更重要的是，区别于其他后训练数据提供商，Mercor 从起步阶段就展现出了极强的战略定力——将所有重心死死锁定在“高技能专家（Highly-skilled experts）”这一最具稀缺价值的人才切口上。
市场规模
从宏观数据来看，全球招聘与人力资源行业虽然是一个正在稳步迈向万亿规模的庞然大物，但其底层运转效率却令人堪忧。 2024 年，该行业创造了约 5841 亿美元的营收，预计到 2034 年将以 6.2% 的复合年增长率（CAGR）逼近 9451 亿美元。然而，庞大的规模掩盖不了迟缓的效率：2023 年，单次招聘的平均成本已高达 4700 美元，而填补一个空缺职位的周期则长达 63.5 天。传统的猎头与招聘人员，每周单是为一个职位寻访“被动候选人”就要耗费 13 个小时，每天还要被近两小时的行政琐事所羁绊。在这个传统的存量市场中，AI 招聘工具目前只切下了一块很小的蛋糕——2024 年其市场规模约 6.176 亿美元，预计到 2033 年将以 7.2% 的 CAGR 增长至 11 亿美元。
但如果仅仅用“AI 招聘工具”的标尺来衡量 Mercor，显然严重低估了其商业潜能。 实际上，Mercor 是在用极高的 AI 杠杆，去蚕食更广阔的传统人力资源市场。评估其增长轨迹更准确的坐标系，应该是AI 训练与后训练数据市场——因为前沿模型正越来越依赖极其专业的专家级反馈，来完成强化学习与能力评估。尽管这一新兴赛道的整体规模目前难以精确测算，但可以作为参考的是，2024 年传统数据标注市场的估值约为 38 亿美元，预计到 2030 年将以 28.4% 的超高复合增速达到 171 亿美元。
即便如此，这些数字依然低估了“专家级人类反馈”相较于“廉价商品化标注”的真正溢价空间。 在 Mercor 的管理层眼中，他们瞄准的终极靶心是规模超 40 万亿美元的全球知识工作经济。其商业逻辑极其笃定：如果 AI 最终注定要接管并自动化 90% 的基础认知任务，那么剩下的那 10% 必须依赖“人类在环（Human-in-the-loop）”的深度干预工作，其单位价值必将迎来指数级的爆发。
04
竞争对手
在后训练数据赛道，Surge AI 是一个极其强悍的隐形巨头。 成立于 2020 年，Surge 同样运营着一个连接前沿 AI 实验室与专家标注员的平台，业务覆盖 SFT、RLHF、评估准则制定、模型评测及强化学习环境。令人瞩目的是，这家公司在保持零外部融资（Bootstrapped）且持续盈利的状态下，2024 年营收已突破 12 亿美元。它与 Mercor 共享着高度重叠的核心客户群（包括 Google、微软、Meta 和 Anthropic）。尽管 Surge 缺乏 Mercor 那种基于 AI 驱动的招聘基建，但它坐拥约 100 万名标注员，凭借更大规模、更成熟的运营体系和数据质量在市场上占据着绝对话语权。
而行业老牌霸主 Scale AI 的戏剧性变局，则直接为 Mercor 们撕开了一个巨大的市场缺口。 这家成立于 2016 年的独角兽曾构筑了全行业最大的数据标注平台，在 2025 年之前累计融资 16 亿美元。2024 年，Scale 创造了约 8.7 亿美元的营收，服务于所有顶尖 AI 实验室。然而，行业格局在 2025 年 6 月被彻底颠覆：Meta 斥资 14.3 亿美元收购了 Scale 49% 的股份，其 CEO Alexandr Wang 也随之离职，转而执掌 Meta 的 AI 超级智能实验室。这一交易瞬间引爆了企业客户对“数据中立性”的恐慌——由于 Meta 本身就是模型开发的直接竞争对手，OpenAI 和 Google 迅速切断了与 Scale 的合作关系。客户的大规模出逃释放了海量需求，Mercor 和 Surge 等数据提供商借机迅速填补了空白。或许是感受到了切肤之痛，Scale 在同年 9 月对 Mercor 提起了诉讼，指控其一名前员工在跳槽前下载了机密的客户战略文件，涉嫌窃取商业机密。
与此同时，一些原本深耕开发者外包的平台也敏锐地完成了赛道切换，Turing 便是其中的典型。 Turing 成立于 2018 年，最初依靠 AI 驱动的审查与匹配算法为企业提供软件开发人员。当 OpenAI 找到他们为代码生成模型提供训练服务时，公司果断完成了关键转型，将业务从传统的人才外包扩展到了 AI 训练服务领域。目前，Turing 的 ARR 约为 3 亿美元且已实现盈利，并在 2025 年 3 月以 22 亿美元的估值完成了 1.11 亿美元的 E 轮融资。坐拥全球 300 万开发者的庞大人才库，Turing 正在将重心拓展至大规模强化学习环境，以及编码之外的、具有经济价值的多模态智能体（Multimodal agent）训练。
在狂飙突进的黑马阵营中，Micro1 的崛起轨迹与 Mercor 呈现出极高的镜像相似度。 Micro1 成立于 2022 年，最初也是依靠一款名为“Zara”的 AI 面试官起家。截至 2026 年 2 月，公司总融资额达到 4160 万美元（包括 2025 年 9 月估值 5 亿美元的 3500 万美元 A 轮融资）。在果断切入 AI 训练与后训练数据赛道后，公司的 ARR 从 2025 年初的仅仅 700 万美元，一路狂飙至同年 12 月的突破 1 亿美元大关。CEO Ali Ansari 毫不避讳地公开表示，Micro1 的目标就是直接与 Scale AI、Surge AI 和 Mercor 争夺前沿 AI 实验室的订单。通过提供会话式的 AI 面试评估、候选人的语义匹配，以及针对 RLHF 和模型评估的专家寻访，Micro1 在产品形态上与 Mercor 的全栈式人才管理策略如出一辙。
此外，更多元背景的玩家也正在从各自的生态位切入这场混战。 成立于 2015 年的 Invisible Technologies 一直游走在 AI 自动化与“人类在环（Human-in-the-loop）”业务的交汇处。对于 AI 训练数据，Invisible 提供的是一套大包大揽的管家式服务——涵盖任务拆解、标注员寻访与培训、质量控制以及最终数据集的交付，2024 年其营收达到了 1.34 亿美元。另一位跨界玩家则是老牌校园招聘平台 Handshake（成立于 2014 年，累计融资 4.34 亿美元）。坐拥 1800 万名学生及校友资源，Handshake 在 2025 年正式杀入 AI 数据标注市场。其核心商业逻辑非常清晰：动员庞大的、受过高等教育且英语流利的知识青年，去完成那些需要学科背景知识的后训练数据任务。
05
商业模式
作为一个典型的双边市场，Mercor 的商业化路径极其清晰：通过向企业端客户收费来获取营收。 其核心商业模式主要由两大引擎驱动：
其一是按时计费的外包差价（Hourly contractor billings），这是 Mercor 目前最核心的现金牛。 针对 AI 实验室最刚性的长期专家外包需求，Mercor 向专家支付的平均时薪为 85 美元（部分稀缺领域的顶尖专家时薪高达 200 美元），并在此基础上向企业客户收取溢价（Markup）。据 2024 年 2 月的数据披露，这部分的溢价加成比例约为 35%，这与传统业务流程外包（BPO）公司的中位数毛利率基本持平。
其二是全职招聘的抽成佣金（Placement fees）。 针对企业直接录用全职人才的场景，有未经证实的数据估算，Mercor 会收取候选人首年薪酬的 30% 作为招聘费。这一比例其实已经触及甚至突破了传统猎头机构 15%–25% 的收费天花板。但 Mercor 敢于溢价的底气在于，他们交付的不仅是单纯的人才匹配，还打包了传统中介无法提供的 AI 深度资质审查、端到端签约以及薪酬合规管理等全栈式服务。
在成本结构上，Mercor 展现出了极其恐怖的人效杠杆与极低的固定成本。 尽管公司并未公开具体的定价目录，但显而易见，由于平台上的 3 万多名专家均为合同工（Contractors）而非全职员工，这极大减轻了公司的重资产包袱。在内部运营上，Mercor 始终维持着一支极度精益（Lean）且年轻的团队——当公司 ARR 突破 5000 万美元时，其在美国仅有 30 名全职员工，在印度仅有 20 名合同工。截至 2025 年 2 月，这支支撑起数亿美元业务的团队，平均年龄仅为 22 岁。
AI 基础设施对人力成本的无情替代，是其实现盈利的最终底牌。 业务中最大的可变成本（即专家薪酬）虽随着营收呈线性增长，但完全能被平台的抽成率（Take rate）稳稳对冲。更关键的是，Mercor 的 AI 面试系统彻底取代了劳动密集型的人工寻访，使得平台能够在不按比例增加内部筛查人员（Headcount）的前提下，无边界地扩容其专家网络。凭借这套极其健康的财务模型，Mercor 在 2025 年上半年已实现全面盈利，录得 600 万美元净利润。
06
重大进展
在营收增速上，Mercor 正在跑出一条极其陡峭的增长曲线。 2025 年 10 月，公司对外透露，其冲击 5 亿美元 ARR（年度经常性收入）的速度，预计将超越当红明星项目 Anysphere（代码编辑器 Cursor 的开发商，后者耗时约 30 个月达成该里程碑）。回顾其早期轨迹：2023 年初，在零外部融资（Bootstrapped）的起步阶段，Mercor 的 ARR 就已达到七位数，并沉淀了 10 万名初期用户库。到了 2024 年 9 月，公司正以每月 50% 的 MoM（月环比）恐怖增速狂飙，ARR 顺利突破数千万美元大关。
这股爆发力在 2025 年迎来了最强劲的商业变现。 截至同年 2 月，Mercor 的 ARR 跃升至 7500 万美元，累计协助 HR 团队评估了逾 46.8 万名候选人。当时间推移至 10 月完成 C 轮重磅融资时，这一数字已经膨胀至惊人的 4.5 亿美元。在疯狂扩张的同时，Mercor 的财务基本面却异常健康——2025 年上半年，公司并未陷入硅谷初创常见的烧钱泥潭，反而实打实地录得了 600 万美元的净利润。作为平台生态繁荣的印证，截至 2025 年 10 月，Mercor 每天向外包专家支付的薪酬总额超过 150 万美元，超 3 万名活跃在平台上的专业人士享受着平均 85 美元的高昂时薪。
手握充沛的现金流与极高的估值杠杆，Mercor 迅速开启了通过并购来拓宽护城河的战略扩张。 2026 年 2 月，公司正式收购了专注为前沿 AI 模型提供训练数据与评估基准的数据研究机构 Sepal AI。这家标的公司极具战略卡位价值：它深耕于构建强化学习环境（RL Environments），并极其擅长处理那些面向高经济价值任务、且具备极高操作复杂度的“人类数据项目”——这恰恰是当前头部 AI 实验室重金押注的核心主战场。一个极具说服力的行业注脚是：据传 Anthropic 高层已计划在 2026 年豪掷超 10 亿美元用于构建强化学习环境。通过将 Sepal 收入麾下，Mercor 不仅极大地增厚了自身在 RL 环境领域的技术基建，更顺势接管了 Sepal 过去与顶尖 AI 实验室研究员们建立的深度业务羁绊。
07
融资估值
在资本市场上，Mercor 正在以惊人的速度完成估值跃迁。 2025 年 10 月，公司以高达 100 亿美元的估值完成了 3.5 亿美元的 C 轮重磅融资，将其历史总融资额推高至 4.836 亿美元。要知道，就在短短 8 个月前，当 Felicis Ventures 领投其 1 亿美元 B 轮融资时，Mercor 的估值还仅为 20 亿美元。这意味着，在不到一年的时间里，其企业价值翻了整整五倍。
翻开 Mercor 的 Cap Table（资本表），其背后的资方阵容堪称硅谷顶配。 除了领投方，其投资人名单中还赫然列着 General Catalyst、Benchmark 和 Menlo Ventures 等老牌顶级风投，以及彼得·蒂尔（Peter Thiel）等极具行业穿透力的个人投资者。
这场资本盛宴不仅造就了超级独角兽，也诞生了硅谷新的造富神话。 随着 2025 年 10 月 C 轮融资的尘埃落定，Mercor 的三位联合创始人正式成为全球历史上最年轻的白手起家亿万富翁。据估算，Foody、Hiremath 和 Midha 这三位年仅 22 岁的年轻人，目前仍各自持有公司约 22% 的可观股份，在享受巨大财富溢价的同时，依然牢牢掌控着这家正处于绝对爆发期的 AI 新贵。
08
关键机遇
1、 市场洗牌：Scale AI “中立性危机”释放巨额红利
Scale AI 的客户大出逃，成为了彻底改变 Mercor 增长轨迹的“黑天鹅”事件。 2025 年 6 月，Meta 斥资 14.3 亿美元收购了 Scale AI 49% 的股份。这一战略举措瞬间打破了行业平衡：出于对“数据中立性”的极度担忧，OpenAI 和 Google 等顶级 AI 实验室火速切断了与 Scale 的合作关系。作为头部的后训练数据提供商，Mercor 毫不客气地接管了这部分被释放出来的庞大市场份额。正如联合创始人 Hiremath 所感慨的那样：“在初创公司的世界里，你最大的竞争对手在一夜之间被鱼雷击沉，这种事情并不常见。”
前沿实验室客户的大规模转移，直接促成了 Mercor 营收的狂飙：其 ARR 从 2025 年 2 月的 7500 万美元，暴涨至同年 10 月的 4.5 亿美元。这绝不仅仅是财务数字的短期狂欢，更意味着在最顶尖的 AI 开发者被迫在极短时间内重建供应链的生死关头，Mercor 成功与他们绑定了“任务关键型（Mission-critical）”的深度合作，确立了其作为“首选绝对中立替代方案”的结构性地位。
2、 数据复利：嵌入核心业务流，反向训练“匹配智能”
Mercor 成功将自己的平台无缝嵌入到前沿实验室的核心业务流中，而这恰逢后者正激进地扩大后训练预算。 随着传统的预训练缩放定律（Scaling Laws）遭遇边际收益递减，整个行业都在将提升模型能力的最高杠杆转向 RLHF、基于专家样本的 SFT 等后训练方法。这也是为什么数据标注行业预计将从 2024 年的 37.7 亿美元，以 28.4% 的超高复合增速狂飙至 2030 年的 171 亿美元。
早期确立的头部客户关系，正在为 Mercor 筑起一道不断复利的数据壁垒。每一次标注任务都会沉淀出关于专家质量的真实表现数据，这些数据会不断反哺 Mercor 的匹配算法。不仅如此，那些在 Mercor 平台上跑过数百个项目的实验室，实际上也在“反向训练” Mercor 的系统去理解他们特定的质量标准和领域要求——这种“匹配智能（Matching intelligence）”是竞争对手极难复制的。随着底层人才池的扩大，网络效应也愈发强劲，形成了更高质量、更快周转的良性循环。
3、 范式跃迁：直击模型短板，“专家级反馈”决胜终局
行业对“专家级后训练数据”的优先级倾斜，是 Mercor 踩中的另一个巨大时代红利。 自 2025 年 9 月 OpenAI 推出衡量真实世界任务表现的 GDPval 框架以来，前沿实验室开始全面将重心转向高度依赖垂直领域专家判断的后训练方法。当模型试图攻克法律推理、财务分析等专业工作时，它们需要的是具备多年行业经验从业者的深度反馈。这种级别的智力密度，是无法通过 Scale AI 早年的廉价众包平台来实现的。Mercor 正是通过尽早锁定“高技能专家”，精准卡位了这一结构性转变。
不仅如此，2025 年 10 月上线的 APEX 基准测试框架，更是将 Mercor 推向了战略级评估基础设施的最前沿。APEX 直击投行、咨询、法律和医疗四大行业，结果显示即便最强的 GPT-5（得分 64.2%）也未能跨越“自主执行专业工作”的门槛。这为 Mercor 创造了一个完美的商业飞轮：APEX 无情地揭露模型短板，短板转化为对 Mercor 专家网络的迫切需求。Mercor 的终局游戏（Endgame）远不止于现有的 AI 实验室，而是剑指规模超 40 万亿美元的全球知识经济大盘——为未来无处不在的 AI 智能体（AI Agents）提供不可或缺的专业“人类在环”评估。
09
主要风险
1、 合规地雷：外包模式遭遇“错分类”集体诉讼
Mercor 极度精益的商业模型，建立在一个危险的前提之上：将其平台上的专家归类为独立承包商（Independent contractors）而非正式员工。 这一分类正面临直接的法律挑战，活跃的诉讼可能会从根本上颠覆其运营模式与单位经济模型（Unit economics）。2025 年 10 月，加州的一批 AI 训练师和小时工针对 Mercor 和 OpenAI 提起了一项集体诉讼。原告指控这两家公司蓄意将员工错分为独立承包商，以此逃避支付加班费、违反加州法定用餐休息规定，并拒绝报销业务支出。诉状中还极其严厉地指出，Mercor 在未提供补偿的情况下，强制在员工个人电脑上安装了侵入式的监控软件，并据此要求对每项违规处以最高 2.5 万美元的民事罚款。
与此同时，全球针对零工经济的监管风暴正在收紧。 在欧洲，《欧盟平台工作指令》为平台从业者确立了“推定雇佣关系（Presumption of employment）”，西班牙此前就曾因骑手错分类问题向外卖平台 Glovo 开出了 7900 万欧元的巨额罚单。在美国本土，尽管特朗普政府在执法层面有所放缓，但劳工部（DOL）在 2024 年出台的更为严格的“经济实质测试（Economic reality test）”在私人诉讼中依然有效；更致命的是，Mercor 总部所在的加州拥有极为严苛的 AB5 法案，这为平台的合规性设置了极高的壁垒。
一旦平台上的工作者被依法重新界定为正式员工，Mercor 的护城河将面临土崩瓦解的风险。 公司将被迫承担员工福利、加班费、最低工资保障以及工资税代扣代缴等一系列法定俗务，甚至可能面临灾难性的追溯赔偿（Retroactive liabilities）。这将直接抹平支撑其盈利的那 35% 的抽成率（Take rate）。如果 3 万多名外包专家全部转化为需要福利管理、HR 基建和合规开销的 W-2 报税员工，Mercor 引以为傲的精益运营神话将彻底沦为泡影。
2、 增长隐患：客户极度集中与“合成数据”的终极威胁
在营收端，Mercor 表现出了极其脆弱的“巨头依赖症”。 截至 2025 年 12 月，公司的绝大部分收入高度集中在极少数前沿 AI 实验室手中。尽管 Mercor 宣称已拿下全球排名前五的 AI 实验室以及“科技七巨头”中的六家（包括公开披露的 OpenAI、Anthropic、Meta 和 Google），但这种高度集中的客户结构埋下了结构性的脆弱隐患：一旦这些前沿实验室决定在内部自建训练能力，或组建专属的专家团队，Mercor 的核心基本盘将面临骤然萎缩。此外，哪怕只有一个大客户削减了在后训练人类反馈数据上的预算——无论是出于资金压力，还是转向了合成数据（Synthetic data）生成——都会对 Mercor 的营收顶线（Top line）造成实质性打击。
更为致命的长期技术威胁在于：AI 模型是否会最终实现“自给自足”？ 如果模型最终能够通过合成数据生成，或者基于可验证奖励的强化学习（RLVR）来自己生成训练数据，那么对人类专家反馈的需求将被大幅削减甚至彻底抹除。如果事实证明，合成数据技术足以支撑大多数垂直领域的模型迭代，那么整个 AI 训练数据市场都将面临急剧萎缩，这不仅是 Mercor，更是其所有竞品必须直面的生存危机。
目前的资本定价，已经透支了完美预期。 Mercor 以约 4.5 亿美元的年化营收撑起了 100 亿美元的估值（超 22 倍的营收倍数 / 22x+ Revenue Multiple）。这个极其高昂的定价，本质上是在押注其能够维持极其陡峭的超高速增长，并能成功将业务从 AI 实验室客户拓展至更广阔的企业级市场。在如此紧绷的估值模型下，任何风吹草动——无论是营收增速放缓、核心大客户流失、劳工集体诉讼败诉，还是技术路径向合成数据发生根本性倾斜——都足以引发一场惨烈的估值修正（Valuation correction）。
10
全文总结
毋庸置疑，Mercor 缔造了近年来硅谷创投史上最令人惊叹的增长奇迹。 在短短不到三年的时间里，这家从大学宿舍里起步的招聘匹配平台，一路狂飙突进，蜕变为一家 ARR 突破 5 亿美元、估值高达 100 亿美元的超级独角兽。凭借其 AI 原生的审查基建与持续复利的“表现数据飞轮”，Mercor 极其精准地接住了前沿 AI 实验室在后训练（Post-training）阶段爆发的海量需求——将其业务版图牢牢钉在了 RLHF、SFT（监督微调）、评估准则制定以及强化学习环境等核心数据服务上。
然而，悬在这家百亿新贵头顶的“终极拷问”依然未解。 最大的未知数在于：合成数据（Synthetic data）最终是否会让极其昂贵的“人类反馈”彻底沦为廉价的大宗商品（Commoditize）？与此同时，在同业竞争日益白热化、核心客户又极度集中的双重夹击下，Mercor 能否在资本市场长久地自证其百亿估值的合理性，同样需要打上一个巨大的问号。
站在 100 亿美金的新起点上，Mercor 的野心显然不止于此。 展望未来，公司势必将通过加码“强化学习环境”等新兴技术来重新定义自身的生态位。通过进一步拓宽其 AI 驱动的专家招聘双边市场，Mercor 正试图构筑更深不可测的护城河，以捍卫其在后训练数据赛道的绝对霸主地位，并为下一阶段的指数级增长持续蓄力。