Mirendil ने अत्याधुनिक एआई अनुसंधान एवं विकास को अधिक टीमों तक पहुँचाने के लिए सीरीज़ A में 1 अरब डॉलर जुटाए

Mirendil ने घोषणा की कि उसने 12 नवंबर, 2026 को Kleiner Perkins और Clearlake Capital के नेतृत्व में सीरीज़ A फंडिंग में 1 अरब डॉलर जुटाए हैं। इसका उद्देश्य अत्याधुनिक एआई अनुसंधान और विकास को अधिक वैज्ञानिकों तथा इंजीनियरों के लिए सुलभ बनाना है।

Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC और S32 ने अन्य नए और मौजूदा निवेशकों के साथ इस फंडिंग में भाग लिया। Mirendil एक खास लक्ष्य के साथ मॉडल और एजेंट सॉफ़्टवेयर विकसित कर रही है: एक व्यक्ति ऐसा काम कर सके जिसके लिए पहले पूरी टीम की ज़रूरत होती थी, और एक टीम ऐसी परियोजनाएँ कर सके जिनके लिए पहले किसी संस्थान की आवश्यकता होती थी।

एक शोधकर्ता द्वारा मॉडल को प्रशिक्षित करने का नतीजा

यह फंडिंग कंपनी के मॉडल से जुड़े पहले प्रकाशित नतीजों के बाद आई है। 21 अक्टूबर, 2026 की एक रिपोर्ट में Mirendil ने बताया कि एआई एजेंटों के साथ काम करते हुए एक शोधकर्ता ने कोडिंग मॉडल Mirendil-Base को शुरुआत से 3.5 महीनों में और 1 करोड़ डॉलर से कम के कम्प्यूटिंग खर्च में प्रीट्रेन किया। कुल खर्च में शोध और छोटे पैमाने के प्रयोग, अंतिम प्रशिक्षण चरण, एजेंटों के टोकन पर हुआ खर्च और डेटा प्रोसेसिंग शामिल थे।

कंपनी के अनुसार, एजेंटों ने 99% से अधिक कोड लिखा, प्रयोग किए और विफलताओं के कारणों का पता लगाया; वहीं शोधकर्ता ने तय किया कि क्या आज़माना है और किस पर भरोसा करना है, और ज़रूरत पड़ने पर हस्तक्षेप किया। इस प्रयोग में सार्वजनिक रूप से उपलब्ध कोड, वेब पेज और सार्वजनिक डेटासेट इस्तेमाल किए गए; अतिरिक्त डेटा न तो खरीदा गया और न ही उसका लाइसेंस लिया गया, और न ही डिस्टिलेशन या सिंथेटिक डेटा का इस्तेमाल हुआ। Mirendil-Base में 100 अरब से 500 अरब तक पैरामीटर हैं; रिपोर्ट प्रकाशित होने के समय बड़े Mirendil-Base-Large और Mirendil-Base-XL मॉडल का प्रशिक्षण अभी जारी था।

Fern और Lor: उत्पादों का आधार

इसके बाद Mirendil ने Mirendil-Base को पोस्ट-ट्रेन करके अपना पहला मॉडल Fern 0.1 बनाया। Fern के मॉडल पेज पर इसे बड़े पैमाने पर एजेंट-आधारित काम के लिए बनी प्रणाली बताया गया है, जैसे प्रशिक्षण प्रक्रियाओं की समस्याओं को ठीक करना, एजेंटों के पूरे कार्य-क्रम पढ़ना और प्रशिक्षण डेटा का ऑडिट करना। पेज के अनुसार, इसका आर्किटेक्चर, प्रशिक्षण और सर्विंग ऐसी कॉन्टेक्स्ट विंडो को सपोर्ट करते हैं जिसमें 1 करोड़ तक टोकन समा सकते हैं—लगभग 23 MB या कोड की 5 लाख पंक्तियों के बराबर। इससे मॉडल एक एजेंट के कई दिनों के काम को एक साथ अपने संदर्भ में रख सकता है। उपलब्धता जल्द शुरू होने वाली है।

Lor इस तरह के काम सौंपने के लिए बना प्लेटफ़ॉर्म है। Mirendil ने Lor पेश किया 28 अक्टूबर, 2026 को। यह क्लाउड-आधारित प्रणाली है, जिसके एजेंट कोड लिख सकते हैं, प्रयोग चला सकते हैं, कम्प्यूटिंग संसाधन उपलब्ध करा सकते हैं और उपयोगकर्ता द्वारा चुनी गई मशीनों पर काम कर सकते हैं। कोई एजेंट किसी काम को दर्जनों एजेंटों में बाँट सकता है, जबकि अलग-अलग परियोजनाओं में सैकड़ों एजेंट काम कर सकते हैं। कंपनी का कहना है कि एजेंट कई दिनों या हफ्तों तक काम जारी रख सकते हैं और कुछ गड़बड़ होने पर खुद ही उससे उबरकर काम आगे बढ़ा सकते हैं।

Lor निजी बीटा में आमंत्रण के ज़रिए उपलब्ध है और इस बीटा के दौरान macOS, Linux और वेब पर मुफ़्त है। Windows, iOS और Android पर उपलब्धता जल्द शुरू होने वाली है। उपयोगकर्ता हर एजेंट की प्रगति देख सकते हैं, एजेंटों को रोक सकते हैं और सिस्टम से मशीनें हटा सकते हैं।

योजना के पीछे कम्प्यूटिंग संसाधन और पूँजी

24 जून, 2026 को शुरुआत के अवसर पर Mirendil ने अपनी संस्थापक टीम के बारे में बताया, जिसमें Anthropic, xAI, Google DeepMind और OpenAI समेत कई संस्थानों के 20 शोधकर्ता और इंजीनियर शामिल हैं। कंपनी ने Andreessen Horowitz और Kleiner Perkins के नेतृत्व में जुटाई गई 20 करोड़ डॉलर की सीड फंडिंग का भी खुलासा किया, जिसके बाद NVIDIA और अन्य निवेशकों ने निवेश किया।

इससे पहले, Mirendil ने 6 अगस्त, 2026 को Google Cloud के साथ कई वर्षों की साझेदारी की घोषणा की थी। इस व्यवस्था के तहत प्रशिक्षण, इन्फ़रेंस और एआई अनुसंधान से जुड़े कार्यभार Google Cloud के AI Hypercomputer पर चलेंगे, जिसमें Google Cloud TPUs और NVIDIA का संपूर्ण एआई इन्फ़्रास्ट्रक्चर इस्तेमाल होगा। इसमें ऐसे प्रबंधित प्रशिक्षण क्लस्टर शामिल हैं जिन्हें कम्प्यूटिंग, स्टोरेज, नेटवर्किंग और कंट्रोल प्लेन—इन सभी स्तरों पर मिलकर डिज़ाइन किया गया है, ताकि बड़े शोध चक्रों को सपोर्ट किया जा सके।

इस तरह सीरीज़ A, Mirendil की योजना के तीन हिस्सों को जोड़ती है: एजेंटों की मदद से मॉडल विकसित करना, शोध का काम सौंपने के लिए एक प्लेटफ़ॉर्म और बड़े प्रयोगों के लिए क्लाउड इन्फ़्रास्ट्रक्चर। इस फंडिंग के पीछे के सुलभता लक्ष्य की असली कसौटी यह होगी कि क्या कंपनी का अपना एक-शोधकर्ता वाला नतीजा बाहरी वैज्ञानिकों और इंजीनियरों के लिए दोहराई जा सकने वाली कार्यप्रणाली बन सकता है।