
2026年11月12日,Mirendil 宣布完成10亿美元A轮融资,由 Kleiner Perkins 和 Clearlake Capital 领投。公司的目标是让科学家和工程师更容易开展前沿 AI 研发,而最近公布的 Mirendil-Base、Fern 和 Lor,构成了这次融资背后的技术与产品线索。融资公告
这起融资值得关注,不只是因为金额大。它所押注的工作方式,是由少数人确定研究方向,让大量 Agent 承担代码实现、实验执行和结果整理。这样的组织方式一旦可重复,可能改变研发团队如何分工;如果只能在少量内部案例里成立,它的价值和适用范围就会窄得多。
三个名字,分别承担什么角色
Mirendil-Base 是基础能力的实验。 公司在10月21日称,一名研究者与 Agent 合作,用3.5个月完成模型预训练,计算支出低于1000万美元,Agent 编写了超过99%的代码。这个费用口径包含研究、小规模实验、最终训练、Agent token 和数据处理,不代表公司的全部成本,也不应与10亿美元融资额混为一谈。研究方向和可信度判断仍由人负责。预训练说明
Fern 是面向持续工作的一种模型选择。 官方介绍称它支持最高1000万 token 的上下文,重点面向代码、训练日志、数据审查和 Agent trace 等任务。页面同时说明,当前长上下文验证包括基础测试,更全面的结果仍待公布。Fern 介绍
Lor 把模型、机器与任务组织起来。 公司介绍它可以让多个 Agent 并行执行研发工作、调配计算节点,并持续运行较长时间。Lor 目前处于 private beta,不是已经全面开放、具有成熟公开价格表的通用研发服务。Lor 介绍
这三者放在一起,形成了一个可以理解的方向:基础模型提高执行能力,长上下文保留更完整的工作材料,任务平台则负责把执行过程延续下去。但方向连贯,不等于每一层都已经通过外部验证。
研发成本可能改变,也可能转移
Agent 可以减少部分工程工作量,却不会自动消除研究中的判断成本。实验跑通之后,还要判断结果是否可信、对照是否公平、数据是否泄漏,以及一个看似有效的改动究竟解决了什么问题。
当并行实验变得便宜,团队很容易从“没有时间多试几个方案”,转向“产生了太多结果,却没有足够注意力分辨”。因此,真正有用的平台需要的不只是更多执行者,还包括可靠的实验记录、可追溯的代码与配置、合理的停止条件,以及清楚的人类审核节点。
公司的单人预训练案例展示了一个可能性,但它尚不能证明不同经验的研究者、不同研究课题和不同算力条件,都能获得同样效果。人力数量、计算支出和模型表现是三件相关但不能互相替代的事:团队人数减少,不代表总成本同步下降;运行更多实验,也不代表更快找到有价值的结论。
长上下文需要接受任务层面的检验
1000万 token 是醒目的规格。它让人看到将长日志、大型代码库和多日任务材料放进同一工作上下文的可能性。但容量只回答了“能放多少”,没有完整回答“能否找到关键证据、遵守最重要的约束,并在复杂修改后保持正确”。
对实际研发团队,更有用的评估应当是:面对一段失败训练日志,模型能否提出可复现的定位步骤;面对大型代码库,修改能否通过相关测试;面对互相矛盾的实验结果,系统能否保留不确定性,而不是强行写出一个漂亮结论。
长上下文还会带来计算、延迟和信息组织上的取舍。把所有内容都塞进窗口,未必比有选择地检索、压缩和分层记录更划算。这些问题需要在具体任务中比较,不能仅凭窗口长度下结论。
下一阶段,看四项证据
第一是外部可复现性:能否让不同团队复现有代表性的研发成果,而不依赖公司内部隐含的经验和配套条件。
第二是完整任务成本:除了单次 token 或 GPU 价格,还应包括失败重试、长时间运行、存储和人工检查所消耗的资源。
第三是运行可控性:并行任务能否被及时停止,计算预算是否清楚,重要修改是否有检查点,出了问题能否追溯。
第四是开放后的产品表现:从 private beta 走向更广泛用户时,接入方式、价格、稳定性与支持能力能否跟上。
Mirendil 的融资把 AI 研发自动化推到了更受关注的位置。真正可能改变行业的,不是“一个人取代一整支团队”的口号,而是让研究者在有限预算内做更多可信的实验,并且知道哪些结果值得相信。这才是资金、模型和 Agent 平台最终需要共同交出的答案。
主要来源: Mirendil 融资公告、预训练实验、Fern、Lor。文中的技术成果和产品状态来自公司披露,本文没有对其进行独立复现。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...