Skip to content

AI Radar

Mirendil привлёк 1 млрд долларов на платформу, где AI-агенты сами обучают модели

Стартап Mirendil, основанный выходцами из Anthropic, xAI и OpenAI, закрыл раунд A на $1 млрд через 141 день после посевного. Компания делает инструменты, с которыми AI-агенты пишут код и ведут эксперименты по обучению новых моделей. По её словам, первую базовую модель обучил один исследователь с агентами за 3,5 месяца и меньше чем за $10 млн.

17 ноября 2026 г.3 мин чтенияИсточник: Zhidx China
чипыбизнес
14

Раунд возглавили Kleiner Perkins и Clearlake Capital, среди участников Google, Battery Ventures и Pear VC. Оценку Mirendil не раскрыл, по неофициальным данным она около $5 млрд. В июне, на посевном раунде в $200 млн от a16z и Kleiner Perkins с участием Nvidia, компанию оценивали в $1 млрд. Всего за полгода стартап собрал $1,2 млрд, а в августе подписал с Google Cloud многолетний контракт больше чем на $100 млн на TPU и GPU Nvidia.

Сооснователь и CEO Бехнам Нейшабур называет продукт «AI for AI for science»: это инструмент, с которым учёные сами строят модели под свою область. Главный аргумент компании вышел 21 октября. Это базовая модель Mirendil-Base на 100–500 млрд параметров. По данным Mirendil, один исследователь довёл её от пустого репозитория до конца предобучения за 3,5 месяца. В бюджет до $10 млн вошли эксперименты, токены агентов и обработка данных. Агенты написали больше 99% кода: подняли инфраструктуру, выбирали алгоритмы, собирали данные. Человек задавал направление и оценивал результаты.

На основе Mirendil-Base компания дообучила Fern 0.1 с контекстным окном до 10 млн токенов. Модель рассчитана на объёмные задачи: отладку логов обучения, разбор полных траекторий агентов, аудит данных для предобучения. Доступ пока по заявкам. Параллельно идут две более крупные версии: Mirendil-Base-Large на 500 млрд – 2 трлн параметров готова примерно на 80%, Mirendil-Base-XL на 2–10 трлн параметров готова на 20%.

Основной продукт называется Lor, с 28 октября он в закрытом тестировании. Платформа запускает сотни агентов одновременно. Они пишут код, ставят эксперименты, сами запрашивают и освобождают вычислительные ресурсы и могут работать днями и неделями. В одном из показанных запусков 102 агента собрали окружения из 100 pull request'ов PyTorch, в среднем по 8 минут на каждый. В другом агенты за ночь нашли и исправили уязвимость в LiteLLM. Lor работает на macOS, Linux и в вебе. Кроме собственных моделей Mirendil к нему подключаются Claude, GPT, Gemini и Grok, а также открытые Kimi и DeepSeek.

Опыт у команды прямо по теме. Нейшабур руководил группой Blueshift в Google DeepMind, которая отвечала за рассуждения в ранних Gemini, затем вёл команду Discovery в Anthropic. Он соавтор оптимизатора SAM. CTO Харш Мехта собрал в Anthropic первую версию внутренней платформы автоматизированных исследований autoresearch, от которой и отталкивается Mirendil. Шаян Салехян занимался дообучением и агентной инфраструктурой Grok в xAI. Тара Резаи училась в MIT и была студентом-исследователем в OpenAI.

Почему это важно

Предобучение базовой модели считалось делом для команд из десятков человек и бюджетов в сотни миллионов. Если цифры Mirendil подтвердятся снаружи, свои модели смогут обучать небольшие лаборатории в фармацевтике, материаловедении и робототехнике.

Мнение редакции

Забавный парадокс: компания доказывает, что модель можно обучить силами одного человека и меньше чем за $10 млн, и тут же берёт миллиард. Деньги, судя по планам, уйдут на вычисления для версий до 10 трлн параметров. Получается, агенты удешевляют труд исследователей, а счёт за GPU остаётся прежним и даже растёт.

Первоисточники и подтверждения

Подборку проверяет редакция DSML. AI помогает дедуплицировать сигналы и готовить текст, но опубликованный выпуск остаётся редакционным продуктом, а не лентой отдельных каналов.