Mercor（在拉丁语中意为“市场”，旨在建立全球最大的市场）是一家2023年成立于美国加利福尼亚州圣何塞的人工智能招聘初创公司。核心业务最初作为AI招聘平台，通过AI面试自动化匹配候选人与招聘公司；后转型为连接AI实验室（如OpenAI、Anthropic）与高技能专业人士（如来自高盛、麦肯锡的前员工）的数据标注与模型训练服务平台。估值与增长截至2025年末估值达100亿美元；收入增长迅猛，曾11个月内从100万美元增至1亿美元。

Mercor 是一家成立于2023年的美国人工智能初创公司，专注于连接高技能专业人才与AI大模型研发机构，提供高质量的人类反馈数据和专家标注服务，以训练和优化AI模型。核心信息概览。成立时间：2023年。总部地点：美国加利福尼亚州（注册于旧金山）。创始人：Brendan Foody（CEO），Adarsh Hiremath（CTO），Surya Midha（COO兼董事会主席）。三人均为00后，高中时期相识于辩论队，后共同辍学创业，并全部获得彼得·蒂尔（Peter Thiel）颁发的“蒂尔奖学金”。主营业务演变：1.初期：作为AI招聘平台，连接印度工程师与美国初创企业。2.转型：2023年后转向为AI实验室提供高技能专家的人类反馈数据，如医生、律师、金融分析师等参与AI模型训练与评估。

核心技术：开发了 APEX 评估体系，通过专业场景任务（如法律简报、财务备忘录）构建AI性能基准。平台日均支付薪酬超 150万–200万美元，管理超 3万名承包商。客户群体：包括 OpenAI、Google DeepMind、Meta、Anthropic 等头部AI公司。创始人财富状况（截至2026年3月）。三人各持公司约 22% 股份，每人身家约22亿美元（约合 170亿元人民币）。被《福布斯》和《胡润全球富豪榜》评为 “最年轻白手起家亿万富翁”，超越马克·扎克伯格创下的纪录。

融资与估值历程

截至2026年初，Mercor 年度经常性收入（ARR）达 7.5亿美元。

近期动态与争议。安全事件（2026年4月）：开源项目 LiteLLM（由 Mercor 支持）遭供应链攻击，恶意代码被植入。勒索组织 Lapsus$ 声称窃取内部数据（含 Slack 记录、AI对话视频等），Mercor 正委托第三方取证调查。劳工争议：2025年11月，Mercor 关闭 Meta 项目“Musen”，裁撤约 5000名标注员，并以 更低时薪（21→16美元）邀请其加入新项目“Nova”。被批评为“用灵活就业包装不稳定劳动”，暴露AI繁荣背后的人力成本问题。法律纠纷：2025年9月，竞争对手 Scale AI 起诉 Mercor 挖角高管并窃取商业机密，Mercor 否认指控。

Mercor作为一家2023年成立的AI招聘初创公司，在短短几年内估值突破百亿美元，其快速发展主要得益于以下几个关键因素：

1.精准把握AI训练数据市场机遇。Mercor成立时正值生成式AI爆发期，敏锐地抓住了AI实验室对高质量人类反馈数据的迫切需求。公司从AI招聘切入，迅速转型为专家级数据标注服务商，为OpenAI、Google、Meta等头部AI实验室提供RLHF（人类反馈强化学习）、SFT（监督微调）等后训练阶段所需的高技能专家。2.“博士军团”差异化定位。与Scale AI等竞争对手的规模化标注工场模式不同，Mercor专注于构建高技能专家网络，招募博士、律师、医生、国际象棋大师等垂直领域专家。这些专家时薪高达90-200美元，提供的专业标注质量远高于普通标注员，形成了独特的竞争壁垒。

3.技术驱动的全流程自动化平台。Mercor开发了AI驱动的端到端招聘平台，实现从简历解析、AI面试到人才匹配的全流程自动化。其AI面试系统能在20分钟内深度评估候选人，基于BERT的简历解析模型支持12种语言、37种格式，自动提取200+能力标签，匹配准确率达89%。4.强大的数据飞轮效应。平台形成了双边网络效应和数据增长飞轮：每新增一个企业客户带来2000多个标注样本，通过分析求职者表现数据优化评估模型，进而吸引更多客户，形成正向循环。这种数据积累-模型优化-客户增长的飞轮是Mercor的核心护城河。

5.创新的商业模式。Mercor采用按小时收费的“推荐费”模式：企业通过平台雇佣候选人后，按工作小时支付佣金。这种收入与服务使用量直接挂钩的模式降低了客户心理门槛，同时保证了收入的可持续性。6.卓越的创始团队与执行力。三位00后创始人（Brendan Foody、Adarsh Hiremath、Surya Midha）从哈佛和乔治城大学辍学创业，具有强烈的使命感和执行力。公司实行“996”工作文化（早9晚9，一周6天），创始人将其视为“选择对使命有深切关注的团队成员带来的副作用”。

7.资本市场的强力支持。Mercor获得了顶级风投的密集投资：2024年A轮融资3200万美元，2025年2月B轮融资1亿美元估值达20亿美元，同年10月C轮融资3.5亿美元估值飙升至100亿美元。投资方包括Felicis Ventures、Benchmark、General Catalyst以及Peter Thiel、Jack Dorsey等知名天使投资人。8.战略灵活性与转型能力。公司从最初的AI招聘平台成功转型为AI训练基础设施服务商，抓住了大模型从预训练向后训练转变的关键窗口期。这种快速适应市场变化的能力是其高速增长的重要保障。

面临的挑战与风险。尽管发展迅速，Mercor也面临一些挑战：估值泡沫风险（22倍营收倍数远高于行业平均）、对少数头部AI实验室客户的依赖、合成数据技术可能替代人类专家反馈的长期威胁，以及竞争对手Scale AI的法律诉讼等。总体而言，Mercor的成功是精准市场定位、技术创新、商业模式创新和卓越执行力共同作用的结果，在AI训练数据需求爆发的黄金时期，成功卡位了高质量人类专家服务这一关键环节。

Mercor的AI面试系统通过一套高度自动化的深度评估流程来评估候选人能力，其核心技术架构融合了先进的AI模型和多模态分析能力。AI面试评估流程。Mercor的AI面试是一个20分钟的结构化视频面试，整个过程无需人类面试官参与。具体流程包括：1.AI简历解析：系统深度扫描候选人的GitHub、简历、作品集等，构建360°人才画像。2.动态视频面试：AI面试官根据候选人背景和岗位需求，提出高度相关的问题，并进行智能追问、挑战假设，模拟真实技术对话。3.实时技能测试：对于技术岗位，AI会要求候选人进行屏幕共享编码或系统设计，并解释设计选择。4.结构化评估报告：基于预设的评估标准（rubric），系统生成详细评分报告，如“技术深度9.2/10，团队协作8.5/10”。

核心技术架构。1.语义搜索与人才画像构建。向量数据库与语义分析：将候选人背景信息转化为高维向量嵌入，计算与岗位需求的余弦相似度，实现精准匹配。多源数据整合：不仅分析简历，还整合GitHub代码库、专业作品集、社交媒体资料等，构建立体人才画像。2.多模态分析系统。语音/文本识别：实时处理候选人回答，分析语义理解、逻辑连贯性、创新思维等维度。动态评估能力：AI能根据回答内容自适应生成后续问题，深入考察技术深度和问题解决能力。

3.绩效预测模型（核心IP）。强化学习算法：基于超过10万份客户反馈的真实岗位绩效数据，通过RLHF训练“岗位胜任力预测模型”。高准确率：该模型在预测工作表现方面准确率超过92%，优于传统招聘平台3倍以上。数据飞轮效应：每成功匹配一次，候选人的实际工作表现数据都会反馈到系统中，持续优化模型。4.分层AI架构。通用基础模型：底层使用GPT-4等大型模型处理简历解析等通用任务。垂直领域模型：针对医疗、金融、法律等专业领域，接入行业知识库（如医疗UMLS、制造业ISO标准），具备行业拓展性。5.超越简历的信号网络。系统分析候选人动态的、非结构化的“文本信号网络”，如GitHub代码质量、技术博客深度、面试中的决策逻辑，评估“实际上能做什么”以及“思维方式是怎样的”。

评估维度与特点。核心评估维度。1.技术深度：系统设计能力、架构选择合理性、技术栈掌握程度。2.逻辑推理能力：问题分析、解决方案设计、决策逻辑。3.沟通清晰度：表达流畅性、思维结构化、避免使用填充词。4.垂直领域认知：专业知识的深度和广度，如医疗领域的复杂病例处理能力。5.创新思维：解决复杂问题的创造性方法。系统特点。标准化与去偏见：基于统一评估标准，减少人类面试官的主观偏见。资质复用机制：候选人通过某项评估后，成绩可无缝套用于其他兼容岗位。实时反馈：为候选人提供20+小时的AI模拟面试训练，实时反馈薄弱环节。全球化支持：支持150+国家地区的面试评估，打破地域限制。Mercor的AI面试系统通过将深度语义理解、多模态分析、强化学习预测模型相结合，实现了对候选人能力的全面、客观评估，其技术架构不仅关注“简历上写了什么”，更深入挖掘“候选人实际能做什么”以及“思维方式是怎样的”，形成了独特的技术护城河。

Mercor的AI面试系统在医疗、金融等专业领域有多个具体应用案例，通过与顶尖机构合作开发垂直领域的专属评估模型，实现了对专业人才的精准评估。医疗领域应用案例。1.手术机器人操作员评估（与梅奥诊所合作）。Mercor与梅奥诊所合作开发了专门用于评估手术机器人操作员的AI面试模型。该系统深度评估候选人在微创手术环境中的操作技能、空间感知能力和应急处理能力。评估重点：复杂病例处理经验：AI会询问候选人近期处理的复杂手术病例，评估其临床决策能力。技术操作精准度：通过模拟手术场景，评估手眼协调和精细操作技能。应急反应能力：模拟手术中突发状况，测试候选人的快速决策和问题解决能力。

2.全科医生（MD）评估体系。作为Mercor首创的AI生产力指数（APEX） 的一部分，医疗评估模块包含50个全科医生案例任务，每个案例由提示（任务描述）、来源（完成任务所需信息）和评分标准组成。评估维度：临床推理能力：基于症状描述进行鉴别诊断。治疗方案制定：根据患者具体情况制定个性化治疗计划。医疗伦理判断：处理复杂伦理困境的能力医学知识应用：将理论知识应用于实际临床场景。3.医疗AI训练专家评估。Mercor为AI实验室招募医疗专家来训练医疗大模型，时薪高达170美元。这些专家负责：评估AI的医疗相关答案质量。审查AI生成的医学研究。提供专业反馈用于RLHF训练。

金融领域应用案例。1.高频交易员压力测试（为高盛定制）。Mercor为高盛定制了高频交易员压力测试模块，专门评估交易员在极端市场条件下的表现。评估内容：市场波动应对：模拟闪崩、流动性枯竭等极端场景。风险控制能力：评估止损策略和仓位管理。决策速度与准确性：在毫秒级时间窗口内的交易决策质量。心理承受能力：持续压力下的情绪稳定性。2.金融研究专家评估（基础模型实验室案例）。Mercor为一家基础模型实验室创建了600个高质量的金融领域prompt-rubric对，用于评估LLM执行复杂金融研究任务的能力。项目具体配置：Trainers（写作者）：85名至少大学学历的银行从业者/投资人/股票分析师。Reviewers（审阅者）：20名具有更强领域专长的专家。任务类型：投资分析报告撰写、财务模型构建、风险评估等。质量要求：每个任务平均需要2轮审阅才能签收，确保专业准确性。

3.投资银行助理评估（APEX体系）。在APEX评估体系中，金融模块专门评估投资银行助理的核心能力：评估任务包括：财务建模与分析：构建DCF模型、LBO模型等。交易结构设计：并购、IPO、债券发行等交易方案。市场研究报告撰写：行业分析、公司估值报告。客户演示材料准备：投资建议书、路演材料。

专业领域评估的共同特点。1.高度定制化的评估标准。每个专业领域都有专门的评估准则（rubric），由领域专家设计，确保评估的专业性和准确性。例如医疗领域的评估标准由医生团队制定，金融领域的标准由投资银行家设计。2.动态交互式评估流程。AI面试官会根据候选人的回答进行智能追问和挑战假设，模拟真实的专业对话。对于医生候选人，会深入询问复杂病例的处理细节；对于金融分析师，会挑战其投资逻辑和风险评估。3.多维度能力评估。系统不仅评估技术知识，还评估：逻辑推理能力：分析复杂问题的思维过程。沟通清晰度：向非专业人士解释专业概念的能力。决策质量：在不确定条件下的判断能力。伦理合规意识：专业领域的道德和合规考量。4.真实场景模拟。通过案例分析和情景模拟，评估候选人在真实工作环境中的表现。例如让医生候选人处理急诊病例，让金融分析师在模拟市场波动中做出投资决策。

评估效果与价值。1.高质量人才筛选。Mercor的医疗专家时薪达170美元，金融专家时薪85-200美元，确保了评估者的专业水平。这种高成本投入换来了92%的岗位胜任力预测准确率，远高于传统招聘方式。2.标准化与去偏见。基于统一评估标准，减少了人类面试官的主观偏见，确保评估过程的一致性和公平性。特别是在医疗和金融这类高度专业化的领域，标准化评估尤为重要。3.效率大幅提升。传统招聘需要数月时间寻找特定领域专家，而Mercor能在几小时内完成从筛选到推荐的整个过程。例如为OpenAI寻找精通欧盟AI监管的律师，3小时内就推荐了3名合格候选人。4.数据驱动的持续优化。每次评估都会产生数据，用于持续训练和优化评估模型，形成数据飞轮效应：更多评估数据 → 更精准的模型 → 更高质量的匹配 → 更多客户使用。

行业影响与未来趋势。Mercor在专业领域的AI面试应用正在改变传统的人才评估方式：1.专业化程度不断提升。从通用的技术面试扩展到高度垂直的专业领域，如手术机器人操作、高频交易、法律合规等，评估维度越来越精细化。2.评估标准与行业标准对接。医疗评估对接临床实践指南，金融评估对接行业最佳实践，确保评估结果与实际工作需求高度匹配。3.从招聘到AI训练的双重价值。这些专业评估不仅用于人才招聘，还用于训练专业领域的大模型。医疗专家评估AI的医疗答案，金融专家评估AI的投资分析，形成了“人类训练AI，AI评估人类”的闭环。4.全球化专家网络构建。Mercor已管理超过3万名来自医疗、法律、金融、工程等领域的行业专家，构建了全球最大的专业人才评估网络。通过在这些专业领域的深度应用，Mercor不仅提高了招聘效率，更重要的是建立了专业人才评估的黄金标准，为AI时代的人才选拔和专业能力认证提供了新的范式。

Mercor的AI招聘平台在数据隐私和安全方面面临着严峻挑战，特别是在2026年4月初发生了重大数据泄露事件后，其安全实践的有效性受到质疑。Mercor平台处理的数据类型及敏感性。Mercor平台处理的数据包括：个人身份信息：求职者的姓名、联系方式、身份证件扫描件。专业数据：简历、工作经历、技能评估结果。生物特征数据：视频面试中的面部表情、声音和行为信号。企业敏感信息：客户内部项目代号、合作细节。平台核心资产：源代码、算法模型、匹配逻辑。这些数据中，生物特征数据（面部、声音）一旦泄露无法像密码一样重置，具有极高的隐私风险。

理论上应采取的隐私安全措施。根据行业标准，AI招聘平台应采取以下措施：1.技术防护措施。数据加密：对静态存储和传输中的敏感数据进行端到端加密。访问控制：基于角色的权限管理，最小权限原则。安全审计：完整的操作日志记录和异常行为监测。漏洞管理：定期安全扫描和渗透测试。2.合规与治理框架。数据分类分级：根据敏感程度实施差异化保护。隐私设计：在产品设计阶段嵌入隐私保护原则。第三方风险管理：对供应商和开源组件进行安全评估。应急响应计划：制定数据泄露应急预案。3.组织与流程保障。安全团队建设：配备专职数据安全官和团队。员工培训：定期进行安全意识教育。合规认证：获取ISO 27001、SOC 2等行业认证。

实际安全事件：2026年3月供应链攻击。事件概述：2026年3月底至4月初，Mercor遭受了严重的供应链攻击，导致约4TB核心数据被窃取并在暗网拍卖。攻击路径分析。初始入侵：黑客组织TeamPCP首先攻破了开源漏洞扫描工具Trivy的CI/CD流水线。供应链污染：在Trivy的76个版本标签中植入恶意代码。依赖传递：Mercor使用的开源AI代理层LiteLLM依赖了受污染的Trivy版本。最终渗透：恶意代码从Mercor系统中窃取凭证，攻击者利用这些凭证访问内部系统。泄露数据规模。939GB平台源代码。211GB用户数据库（包含求职者简历和个人信息）。约3TB存储桶内容（视频面试录像、承包商护照扫描件、证件照）。内部通信数据（Slack记录、工单系统数据）。AI系统与承包商对话视频。受影响范围。超过3万名承包商的身份验证资料可能暴露。疑似客户数据泄露：攻击者公开的样本中包含Amazon、Athena、Aphrodite、Meta、Apple等客户内部代号。生物特征数据永久风险：视频面试中的面部、声音数据无法重置。

事件暴露的安全漏洞。1.第三方依赖管理薄弱。Mercor严重依赖开源组件LiteLLM（每天下载数百万次），但未能有效管理供应链风险。攻击者通过污染上游依赖，成功渗透下游数千家企业。2.安全监控与响应不足。虽然恶意代码在几小时内被安全公司Snyk发现并清除，但攻击窗口期已造成实质性损害。Mercor在事件发生后确认自己是“数千家受影响企业之一”，表明其安全监控体系未能及时发现异常。3.数据保护措施不充分。泄露的数据包括大量未加密或弱加密的敏感信息，特别是生物特征数据缺乏特殊保护措施。4.应急响应透明度问题。Mercor发言人Heidi Hagberg拒绝回答事件是否与Lapsus$黑客组织的声明有关，也未明确客户或承包商数据是否被访问、外泄或滥用，缺乏透明度。

行业背景下的数据安全挑战。1. AI行业的“速度与安全”矛盾。AI行业快速发展往往以牺牲安全为代价。开源工具让AI发展如虎添翼，但也像互相连接的多米诺骨牌——推倒一块，后面一片全倒。2.开源组件依赖风险。根据IBM报告，每个AI项目平均依赖168个开源组件，其中暗藏66个已知漏洞，73%的项目存在高危漏洞。Mercor事件暴露了这种依赖的脆弱性。3.生物特征数据的特殊风险。视频面试数据包含不可重置的生物特征信息，一旦泄露将造成永久性隐私损害。已有律所宣布正在调查针对Mercor的集体诉讼。

对求职者和企业的启示。对求职者的建议。谨慎提供信息：在AI招聘平台避免提供非必要个人信息，特别是生物特征数据。使用替代身份：考虑使用昵称而非真实姓名注册。开启双重验证：为重要账号增加额外安全层。定期检查数据足迹：搜索自己的名字、手机号，监控异常信息泄露。对企业的警示。强化供应链安全：对开源组件进行严格安全审计。实施零信任架构：不信任任何内部或外部组件。加强生物特征数据保护：采用特殊加密和访问控制。建立应急响应机制：制定详细的数据泄露应对计划。

Mercor的案例表明，即使估值百亿美元的AI独角兽，在数据安全方面仍可能存在严重漏洞。其数据泄露事件源于供应链攻击，暴露了AI行业普遍存在的安全短板：过度依赖开源组件、安全投入滞后于业务发展、对生物特征数据保护不足。对于用户而言，在使用AI招聘平台时应保持警惕，避免过度分享敏感信息。对于行业而言，这一事件敲响了警钟：在追求AI效率的同时，必须将数据安全置于同等重要的位置，特别是在处理不可重置的生物特征数据时，需要采取比传统数据更严格的保护措施。目前Mercor正在第三方取证专家的支持下进行全面调查，但事件的具体影响范围和长期后果仍有待观察。这一事件可能会推动整个AI招聘行业加强数据安全标准和监管合规要求。