Mirendil rejser 1 mia. dollars i en A-runde for at gøre avanceret AI-forskning og -udvikling tilgængelig for flere teams

Mirendil meddelte den 12. november 2026, at virksomheden havde rejst 1 mia. dollars i en A-runde ledet af Kleiner Perkins og Clearlake Capital for at gøre avanceret AI-forskning og -udvikling tilgængelig for flere forskere og ingeniører.

Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC og S32 deltog sammen med andre nye og eksisterende investorer. Mirendil udvikler modeller og agentsoftware med et specifikt mål: at gøre det muligt for én person at påtage sig arbejde, der tidligere krævede et helt team, og for et team at forfølge projekter, der tidligere krævede en institution.

Resultatet med én forsker under træningen

Finansieringen følger efter virksomhedens første offentliggjorte modelresultater. I en rapport fra 21. oktober 2026 oplyste Mirendil, at én forsker, der arbejdede sammen med AI-agenter, fortrænede Mirendil-Base, en kodningsmodel, fra bunden på 3,5 måneder med mindre end 10 mio. dollars i beregningsressourcer. Det samlede beløb omfatter forskning og eksperimenter i mindre skala, den endelige træningskørsel, agenternes tokenforbrug og databehandling.

Virksomheden oplyser, at agenterne skrev mere end 99 % af koden, gennemførte eksperimenter og diagnosticerede fejl, mens forskeren besluttede, hvad der skulle afprøves og sættes lid til, og greb ind efter behov. Eksperimentet brugte offentligt tilgængelig kode, websider og offentlige datasæt uden at købe eller licensere yderligere data og uden destillation eller syntetiske data. Mirendil-Base ligger i intervallet fra 100 mia. til 500 mia. parametre; de større modeller Mirendil-Base-Large og Mirendil-Base-XL var stadig under træning, da rapporten blev offentliggjort.

Fern og Lor udgør produktporteføljen

Mirendil viderefortrænede efterfølgende Mirendil-Base til Fern 0.1, virksomhedens første model. Modelsiden for Fern beskriver et system til agentbaseret arbejde i stor skala, såsom fejlfinding i træningskørsler, gennemgang af komplette agentforløb og revision af træningsdata. Ifølge siden understøtter arkitekturen, træningen og driften et kontekstvindue på op til 10 mio. tokens, svarende til omtrent 23 MB eller en halv million kodelinjer, så modellen kan rumme flere dages arbejde udført af en agent på én gang. Adgang bliver snart mulig.

Lor er platformen til at uddelegere den type arbejde. Mirendil introducerede Lor den 28. oktober 2026 som et skybaseret system, hvor agenter kan skrive kode, gennemføre eksperimenter, klargøre beregningsressourcer og arbejde på maskiner, som brugeren vælger. En agent kan fordele en opgave mellem snesevis af agenter, mens hundredvis kan køre på tværs af projekter. Virksomheden oplyser, at agenterne kan fortsætte i dage eller uger og selv komme videre, når noget går galt.

Lor er tilgængelig efter invitation i en privat betaversion og er gratis, mens betaversionen varer, på macOS, Linux og internettet. Windows, iOS og Android bliver snart tilgængelige. Brugerne kan følge hver agents fremskridt, stoppe agenter og fjerne maskiner fra systemet.

Beregningsressourcer og kapital bag planen

Ved lanceringen den 24. juni 2026 beskrev Mirendil et stiftende team på 20 forskere og ingeniører fra institutioner, herunder Anthropic, xAI, Google DeepMind og OpenAI. Virksomheden oplyste også, at den havde rejst 200 mio. dollars i en seed-runde ledet af Andreessen Horowitz og Kleiner Perkins, efterfulgt af investeringer fra NVIDIA og andre.

Mirendil havde allerede annonceret et flerårigt partnerskab med Google Cloud den 6. august 2026. Aftalen placerer træning, inferens og AI-forskningsopgaver på Google Clouds AI Hypercomputer og trækker på Google Cloud TPU’er og NVIDIAs komplette AI-infrastruktur. Den omfatter administrerede træningsklynger, der er udviklet i fællesskab på tværs af beregningsressourcer, lagring, netværk og kontrolplaner for at understøtte større forskningsforløb.

A-runden samler dermed tre dele af Mirendils plan: modeludvikling med hjælp fra agenter, en platform til at uddelegere forskningsarbejde og cloudinfrastruktur til større eksperimenter. Den afgørende prøve for ambitionen om at gøre dette tilgængeligt er, om virksomhedens interne resultat med én forsker kan omsættes til en arbejdsgang, som forskere og ingeniører uden for virksomheden kan gentage.