Mercor 完成 7.5 亿美元 D 轮融资，估值达 200 亿美元（2026 年 11 月 10 日）

事件概述 ​

2026 年 11 月 10 日，Mercor 通过 Business Wire 发布融资公告：完成 7.5 亿美元 D 轮融资，估值 200 亿美元。公司把自己定义为「帮助组织利用人类专业知识训练和评估 AI 的 AI 数据公司」。

公告列出的投资方共有 13 家：Benchmark、Felicis、Fundomo、由 Apollo 关联机构管理的基金、G Squared、General Catalyst、Glade Brook Capital、NVIDIA、Salesforce、Sapphire Ventures、StepStone Group、XTX Ventures 与 Zoom。与上一轮相比，这份名单的变化在于出现了更多后期基金与战略投资者，以及原本就参与过 Mercor 早期融资的英伟达与 Salesforce。

这笔钱的用途被写得很具体：加速 Mercor 的评估（evals）与后训练（post-training）业务，让任何行业的公司都能衡量并设定「AI 智能体完成任务有多可靠、成本是多少」的标准。

关键信息 ​

一、这轮融资买的不是「数据」，是「标准」 ​

多数 AI 数据公司的商业模式是卖标注好的数据集：把原始语料加工成可训练的样本，按量计价。Mercor 公告的表述与此不同，反复出现的词是「衡量」「标准」「评估」。

联合创始人兼联合首席执行官 Brendan Foody 的说法是：「经济中的每一个工作都需要有自己的 AI 智能体，每一个公司都需要一种方式，用自己的工作来训练和评估它们。」联合创始人兼联合首席执行官 Adarsh Hiremath 说得更直接：「一个模型可以在公共基准上得分很高，但仍然会在定义一个具体企业如何运转的系统、政策和边缘案例上失败。我们与每个企业一起构建定制基准，来衡量模型是否符合它自己的标准，而这个基准成为后训练的起点。」

这段话把「评估」从学术行为变成了企业采购行为。逻辑链条是：模型能力越强，越难用通用指标判断它在本企业是否可用；而通用指标（公共基准）恰恰无法反映企业的系统、政策与例外处理。于是评估必须由企业自己的数据、流程与标准来定义——这个定制基准一旦建立，就成为后训练（继续训练模型以适配特定业务）的起点。

从产业角度看，这是一个位置的转移。过去几年前沿实验室是「专家驱动训练数据」的主要买家，Sapphire Ventures 总裁、合伙人兼联合创始人 Jai Das 在公告中的判断是：随着开放模型变得足够好，每一家企业都会想用自己的工作来评估和训练智能体，买家结构将从少数实验室扩散到广泛的企业。

二、500 万专家网络与 Deeptune：把「一份工作」变成训练环境 ​

公告披露的两个基础设施细节，解释了这家公司为什么能在两年内从零做到 200 亿美元估值。

第一个是专家网络规模：超过 500 万名专家。这个数字的意义不在人多，而在覆盖：要让 AI 学会「一份工作怎么做」，需要真正做过这份工作的人来拆解任务、判断输出质量、界定什么算「做对了」。这是一种供给端稀缺资源，且难以在短期内规模化复制——Jai Das 把「专家网络、任务设计、训练与评估环境」三件事列为难以复制的能力。

第二个是环境构建。公告提到 Mercor 今年早些时候收购了 Deeptune，这家公司的团队用两年时间把数百个企业应用重建为训练环境。这一点是理解「后训练」的关键：让智能体在真实系统里操作，需要可反复重放的应用环境——CRM、ERP、工单系统、审批流。只有把企业的软件环境复制出来，智能体才能在安全条件下练习并接受评估。

配套的是 APEX，Mercor 的公共基准系列，用于衡量 AI 在经济上有价值的工作中的表现。公共基准与定制基准形成两层结构：前者给行业一个横向参照，后者给单个企业一个纵向标准。

三、估值曲线：一年内从 100 亿美元到 200 亿美元 ​

《福布斯》在 11 月 10 日至 11 日的报道中提到，Mercor 本轮估值较一年前的 100 亿美元翻倍，并把三位 23 岁的联合创始人称为「全球最年轻的白手起家亿万富豪」，按其最新估值推算三人身家同步翻倍。

需要把口径分开：200 亿美元是公司本轮公告披露的估值；「一年前 100 亿美元」出自《福布斯》报道；更早轮次的具体估值各家表述不一，本文不做罗列。公司公告本身没有披露本轮的具体估值方法、二级交易价格或股东结构变化。

估值翻倍的速度值得单独提出来看。一年时间估值乘以二，通常对应两种可能：一是收入或订单规模同步放大，二是市场对某一类资产的定价逻辑整体上移。本公告没有披露 Mercor 的收入、利润、合同规模与客户数量，因此无法判断属于哪一种，也无法验证 200 亿美元估值对应的收入倍数。

四、这笔钱在赌什么：企业侧的「自有智能」 ​

把公告中的表述连起来读，这轮融资押的是一个明确的产业假设：未来几年，产生经济价值的重心会从「造模型」转向「把已有模型应用到具体工作上」。

公告原文的判断是：未来五年，被创造出来的工作岗位与被花在「把现有模型应用到实际工作」上的钱，都会超过用于「构建新模型」的部分。理由是每出现一项新能力，就会打开一批需要企业去评估、训练与运营的新工作流。

如果这个判断成立，那么产业瓶颈会从算力与模型能力，转向三样东西：领域专家、可重放的业务环境、以及可量化的评估标准。这三样恰好是公告反复强调的资产。

反过来，这个假设也有明显的反面情形：如果通用模型的能力增长快到企业无需定制评估与后训练即可直接使用，那么这一层「中间基础设施」的价值会被压缩；如果企业自己组建团队做评估与后训练，第三方市场也会被内化。公告没有回应这两种可能，也没有披露客户留存率与复购数据，因此这仍是一个需要观察的命题。

影响与边界 ​

第一，这轮融资把「AI 评估」从小众工具推到了独立赛道的位置。200 亿美元估值意味着资本市场愿意为「衡量 AI 是否胜任某项工作」这件事单独定价，而不只是把它当作数据标注的附属环节。

第二，专家网络与训练环境构成了两道门槛。前者依赖真实从业者的规模与质量管理，后者依赖对企业软件环境的复刻能力——这两件事都不是纯资本可以快速堆出来的，也因此成为竞争壁垒的核心。

第三，英伟达与 Salesforce 同时出现在投资方名单里，反映的是产业链上下游的双重动机：一方关心模型落地所需的评估与适配（这直接影响其硬件的最终使用效率），一方关心企业客户如何把 AI 接入自有业务流程。

需要明确的边界：

• 7.5 亿美元与 200 亿美元估值均来自公司融资公告，但公告未披露收入、利润、合同规模、客户数量与估值方法，任何「收入倍数」「P/S」推算都缺乏公开依据；
• 「一年前估值 100 亿美元」出自《福布斯》报道，非公司公告口径；
• 公告中的「未来五年」「每一份工作都需要自己的智能体」「每家企业都将评估与训练」属于公司及其投资人的判断，属于前瞻表述，不是已发生的事实；
• 500 万专家网络的具体结构（全职/兼职、地域分布、付费方式）公告未披露；
• 本文不做估值合理性判断，也不推算融资后的股权结构变化。

官方来源 ​

• Mercor 融资公告（Business Wire 发布，经 Morningstar 转载）：Mercor Raises $750 Million Series D at $20 Billion Valuation（2026 年 11 月 10 日）
• Business Wire 原始发布页
• Mercor 官方博客：Mercor raises $750 million in Series D funding at a $20 billion valuation
• 福布斯（Forbes Australia）：The world's youngest self-made billionaires just doubled their fortunes（2026 年 11 月 11 日）
• 新浪财经：全球最年轻的白手起家亿万富豪身家再翻倍（2026 年 11 月 11 日）