Mirendil získává v investičním kole série A 1 miliardu dolarů, aby zpřístupnil výzkum a vývoj špičkové AI většímu počtu týmů

Mirendil oznámil 12. listopadu 2026, že získal 1 miliardu dolarů v investičním kole série A vedeném společnostmi Kleiner Perkins a Clearlake Capital. Cílem je zpřístupnit výzkum a vývoj špičkové umělé inteligence většímu počtu vědců a inženýrů.

Zúčastnily se také společnosti Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC a S32 spolu s dalšími novými i stávajícími investory. Mirendil vyvíjí modely a software s AI agenty s konkrétním cílem: umožnit jednotlivci zvládnout práci, která dříve vyžadovala celý tým, a týmu pustit se do projektů, na něž byla dříve potřeba instituce.

Výsledek trénování jedním výzkumníkem

Financování navazuje na první zveřejněné výsledky společnosti týkající se jejích modelů. Ve zprávě z 21. října 2026 Mirendil uvedl, že jeden výzkumník pracující s AI agenty předtrénoval od základu Mirendil-Base, model pro programování, za 3,5 měsíce a s náklady na výpočetní výkon nižšími než 10 milionů dolarů. Celková částka zahrnuje výzkum a malé experimenty, závěrečný trénovací běh, spotřebu tokenů agenty i zpracování dat.

Společnost uvádí, že agenti napsali více než 99 % kódu, prováděli experimenty a diagnostikovali chyby, zatímco výzkumník rozhodoval, co vyzkoušet a čemu důvěřovat, a podle potřeby zasahoval. Experiment využíval veřejně dostupný kód, webové stránky a veřejné datové sady; nebyla při něm zakoupena ani licencována žádná další data a nepoužívala se destilace ani syntetická data. Mirendil-Base spadá do rozmezí 100 až 500 miliard parametrů; větší modely Mirendil-Base-Large a Mirendil-Base-XL se v době zveřejnění zprávy stále trénovaly.

Fern a Lor tvoří produktovou nabídku

Mirendil následně pokračoval v trénování modelu Mirendil-Base a vytvořil Fern 0.1, svůj první model. Stránka modelu Fern popisuje systém určený pro rozsáhlou práci s AI agenty, například ladění trénovacích běhů, čtení úplných záznamů činnosti agentů a auditování trénovacích dat. Podle stránky architektura, trénování a provoz podporují kontextové okno o velikosti až 10 milionů tokenů, což odpovídá zhruba 23 MB neboli půl milionu řádků kódu. Model tak může najednou zpracovat několik dní práce agenta. Přístup má být brzy k dispozici.

Lor je platforma pro delegování tohoto typu práce. Mirendil představil Lor 28. října 2026 jako cloudový systém, jehož agenti mohou psát kód, provádět experimenty, zajišťovat výpočetní kapacitu a pracovat na strojích vybraných uživatelem. Agent může úlohu rozdělit mezi desítky agentů, přičemž napříč projekty jich mohou současně běžet stovky. Společnost uvádí, že agenti mohou pracovat celé dny či týdny a sami se odblokovat, když se něco pokazí.

Lor je k dispozici na pozvání v soukromé beta verzi a po dobu jejího trvání je zdarma pro macOS, Linux a web. Verze pro Windows, iOS a Android mají být dostupné později. Uživatelé mohou sledovat postup každého agenta, agenty zastavit a odebrat ze systému stroje.

Výpočetní infrastruktura a kapitál pro uskutečnění plánu

Při svém uvedení 24. června 2026 Mirendil představil zakládající tým 20 výzkumníků a inženýrů z institucí, mezi něž patří Anthropic, xAI, Google DeepMind a OpenAI. Zároveň oznámil počáteční investici ve výši 200 milionů dolarů, kterou vedly Andreessen Horowitz a Kleiner Perkins, a následné investice od NVIDIA a dalších investorů.

Mirendil již 6. srpna 2026 oznámil víceleté partnerství se společností Google Cloud. V rámci této dohody budou trénování, inference a pracovní zátěže spojené s výzkumem AI provozovány na platformě Google Cloud AI Hypercomputer s využitím TPU od Google Cloud a kompletní infrastruktury pro AI od NVIDIA. Součástí jsou spravované trénovací clustery, jejichž výpočetní výkon, úložiště, síťové prvky a řídicí roviny byly navrženy společně tak, aby podporovaly rozsáhlejší výzkumné cykly.

Investiční kolo série A tak propojuje tři části plánu společnosti Mirendil: vývoj modelů s pomocí agentů, platformu pro delegování výzkumné práce a cloudovou infrastrukturu pro rozsáhlejší experimenty. Hlavní zkouškou dostupnosti, kterou chce toto financování podpořit, bude to, zda se interní výsledek dosažený jedním výzkumníkem může proměnit v opakovatelný pracovní postup pro externí vědce a inženýry.