Mirendil、シリーズAで10億ドルを調達 最先端AIの研究開発をより多くのチームに届ける

Mirendilは発表した。2026年11月12日、Kleiner PerkinsとClearlake Capitalが主導するシリーズAで10億ドルを調達したと発表した。最先端AIの研究開発をより多くの科学者やエンジニアが利用できるようにすることを目指す。

Battery Ventures、Doerr Capital、Gil & Co、Google、M13、Pear VC、S32のほか、新規および既存の投資家も参加した。Mirendilは、明確な目標のもとでモデルとエージェントソフトウェアを開発している。これまでチームが必要だった仕事を一人で担えるようにし、これまで組織が必要だったプロジェクトにチームで取り組めるようにすることだ。

一人の研究者によるモデル学習の成果

今回の資金調達は、同社が初めて公開したモデルの成果に続くものだ。2026年10月21日の報告でMirendilは、AIエージェントを活用した一人の研究者が、コーディングモデルMirendil-Baseをゼロから事前学習するのに3.5カ月を要し、計算資源費用は1,000万ドル未満だったと述べた。この総額には、研究と小規模な実験、最終的な学習実行、エージェントのトークン使用費、データ処理が含まれる。

同社によると、コードの99％超をエージェントが作成し、実験の実行や失敗の原因究明も担った一方、研究者は何を試し、何を信頼するかを選び、必要に応じて介入した。この実験では、一般公開されているコード、ウェブページ、公的なデータセットを使用し、追加データの購入やライセンス取得は行わず、蒸留や合成データも利用しなかった。Mirendil-Baseの規模はパラメーター数で1,000億から5,000億の範囲にある。より大規模なMirendil-Base-LargeとMirendil-Base-XLは、報告の公開時点では学習中だった。

FernとLorが構成する製品群

その後Mirendilは、Mirendil-Baseに追加学習を施し、初のモデルとなるFern 0.1を開発した。Fernのモデルページでは、学習実行のデバッグ、エージェントの完全な実行記録の読解、学習データの監査など、大量のエージェント処理を行うシステムとして紹介されている。アーキテクチャ、学習、推論提供の各面で最大1,000万トークンのコンテキストウィンドウに対応するとしており、これは約23 MB、またはコード約50万行に相当する。そのため、モデルはエージェントが数日間にわたって行った作業を一度に保持できる。アクセスは近日提供開始とされている。

Lorは、こうした作業を委任するためのプラットフォームだ。Mirendilは2026年10月28日、エージェントがコードを書き、実験を実行し、計算資源を確保し、ユーザーが選択したマシン上で作業できるクラウドベースのシステムとして、Lorを発表した。エージェントは一つの作業を数十のエージェントに分割でき、複数のプロジェクトでは数百のエージェントを稼働させられる。同社によると、エージェントは数日から数週間にわたって作業を続け、問題が発生した場合も自ら解決して作業を再開できる。

Lorは招待制のプライベートベータ版として提供されており、ベータ期間中はmacOS、Linux、ウェブで無料で利用できる。Windows、iOS、Android版は近日提供開始とされている。ユーザーは各エージェントの進捗を確認したり、エージェントを停止したり、システムからマシンを削除したりできる。

計画を支える計算資源と資金

2026年6月24日のローンチ時、MirendilはAnthropic、xAI、Google DeepMind、OpenAIなどの機関出身者からなる、研究者とエンジニア20人の創業チームを紹介した。また、Andreessen HorowitzとKleiner Perkinsが主導する2億ドルのシードラウンドを公表し、その後、NVIDIAなどからも出資を受けた。

Mirendilはそれに先立つ2026年8月6日、Google Cloudとの複数年にわたる提携を発表していた。この提携により、学習、推論、AI研究のワークロードはGoogle CloudのAI Hypercomputer上で実行され、Google Cloud TPUとフルスタックのNVIDIA AIインフラを活用する。さらに、計算資源、ストレージ、ネットワーク、制御プレーンを横断して共同設計されたマネージド学習クラスターも含まれ、より大規模な研究サイクルを支える。

したがって今回のシリーズAは、Mirendilの計画を構成する3つの要素、すなわちエージェントを活用したモデル開発、研究業務を委任するためのプラットフォーム、そして大規模な実験を支えるクラウドインフラを結び付けるものだ。社内で実現した「一人の研究者」による成果を、社外の科学者やエンジニアが繰り返し活用できるワークフローにできるかどうかが、この資金調達の背景にある「利用しやすさ」という使命を測る中心的な試金石となる。