27 октября 2026 стартап Mirendil, основанный выходцами из Anthropic, показал свою первую модель Fern 0.1: претрейнинг с нуля, короткий пост-трейнинг и контекст до 10 млн токенов. Ставка компании формулируется как «Context is Intelligence»: вместо наращивания параметров в контекст кладутся целиком репозитории, логи обучения и датасеты для чистки дубликатов. Публичные цифры подтверждают почти идеальный retrieval на сверхдлинном контексте, но агентные задачи модель решает в разы хуже фронтира, а доступ к ранней версии выдаётся только по заявке.
Что произошло
27 октября 2026 Mirendil опубликовала анонс «Introducing Fern — Mirendil's First Model» и открыла приём заявок на ранний доступ. Fern 0.1 претренирована с нуля и прошла короткий пост-трейнинг; окно контекста достигает 10 млн токенов, что компания оценивает примерно в 23 МБ кода или полмиллиона строк — как кодовую базу Megatron-LM. На метрике бит на байт (cross-entropy предсказания следующего фрагмента, считается на 42,9 МБ репозиториев Mirendil; ниже — лучше) Fern продолжает улучшаться до окна 23 МиБ, то есть около 10,2 млн токенов со значением 0,155, тогда как конкуренты — Kimi-K3, GLM-5.3, Beam, DeepSeek-V4-Pro-Base и Nemotron 3 Ultra — измерены примерно до 1 млн токенов, где точнее всех Kimi-K3: 0,140 против 0,165 у Fern. В RULER на 10 млн токенов модель почти идеально решает retrieval-задачи: вариативный трекинг — 100%, мультиключевой поиск — 91–95%, но multi-hop QA на HotpotQA деградирует с 70% на 32K до 51% на 10M.
Контекст
Доверие к анонсу держится в первую очередь на команде: Бехнам Нейшабур был со-руководителем Discovery team в Anthropic, а до этого в Google вёл reasoning-направление и проект Minerva; по данным компании, его работа помогла утроить computer-use способность Claude Sonnet 4.5. Харш Мехта назван вторым основателем по тексту канала — подробных публичных биографических деталей в доступном материале нет. Сама логика продукта объясняет выбранную нишу: Mirendil продвигает тезис «Context is Intelligence» — логи обучения, многодневные трейс-записи агентов и целиком датасеты должны попадать в контекст напрямую, а не через наращивание параметров и внешние retrieval-слои. Fern 0.1 честно позиционируется как базовая модель после короткого цикла обучения с частыми релизами новых версий, и сама компания оговаривает, что дообучение обычно слегка ухудшает бит на байт у пост-тренированных моделей вроде Kimi-K3. Из этого следует, что анонс — прежде всего заявление о ставке на длинный контекст, а не заявка на фронтир агентности в ближайшей перспективе.
Почему это важно для индустрии
Для индустрии анонс задаёт новую продуктовую ось — «супер-длинный однородный контекст как интерфейс»: целый репозиторий, полные логи обучения или многодневные агентные траисы подаются модели напрямую, вместо сборки RAG-пайплайна. Одновременно публичные цифры обозначают границы гипотезы: retrieval и трекинг на сверхдлинном контексте почти идеальны, но агентное исполнение в разы хуже фронтира, то есть длина окна пока не конвертируется автоматически в качество кода и агентности. Fern 0.1 — не готовый компонент, а сигнал: базовая модель под ранним доступом, без API, цен, SLA и данных по латентности, и закладывать её в продукт сейчас рано. Если заявленный цикл частых релизов подтвердится, у рынка появится шанс независимой проверки: главные недостающие данные — измерения конкурентов на окнах больше 1 млн токенов и результаты претренирующихся моделей 0,5–2 трлн и 2–10 трлн параметров. На горизонте полугода, если более крупные версии Fern сохранят 10-млн окно, получат полноценный пост-трейнинг и API, первые реальные пайплайны «весь репозиторий или весь лог в контекст» вероятны в подготовке данных, анализе логов и разборе агентных траисов — с ожидаемым ответным движением конкурентов.
Почему это важно для пользователей
Практический интерес у модели пока в узкой нише гигантских однородных контекстов: чтение целых репозиториев, анализ логов обучения, дедупликация и чистка датасетов. Как coding-агент её брать рано: на Terminal Bench 4.0 Fern набрала 6,1%, тогда как даже базовые конкуренты дают вдвое больше. Доступ к ранней версии оформляется заявкой через форму на mirendil.com/early-access, весов для локального запуска нет, как и тарифов и SLA. Реалистичный план для команд сейчас: подать заявку и параллельно собрать эталонные задачи из своей доменной ниши — анализ логов, дедупликация, навигация по кодовой базе, — чтобы при получении доступа сравнить стоимость и качество с текущими инструментами. Если гипотеза подтвердится в следующих версиях, часть RAG- и memory-инфраструктуры для однородных данных сможет замещаться прямым длинным контекстом, но ориентироваться на это в проде сегодня не стоит.
Что пока неизвестно / ограничения
Все бенчмарки — самопубликация Mirendil без независимой верификации, а метрика бит на байт считается на собственном наборе репозиториев компании, что оставляет простор для подбора удобной методики. Превосходство Fern на 10 млн токенов — не сравнение с равными: у конкурентов просто нет опубликованных измерений на таких окнах, и это отсутствие данных, а не подтверждённый отрыв. Веса не раскрыты, независимая репликация невозможна; неизвестны цены, API, SLA и латентность, поэтому поведение модели под реальной нагрузкой не проверено. Открытыми вопросами до независимых измерений остаются агентный разрыв, падение multi-hop QA с ростом окна и сам заявленный цикл частых релизов.
Источники
- Introducing Fern — Mirendil's First Model (официальный анонс с полными бенчмарками)
- Behnam Neyshabur — личный сайт сооснователя и CEO Mirendil, экс-Anthropic Discovery team
- Mirendil Early Access — форма заявки на ранний доступ к Fern
Автор
Look at AI, редакция