Mirendil tar in 1 miljard dollar i en A-runda för att göra avancerad AI-forskning och -utveckling tillgänglig för fler team

Mirendil meddelade den 12 november 2026 att bolaget hade tagit in 1 miljard dollar i en A-runda ledd av Kleiner Perkins och Clearlake Capital. Syftet är att göra forskning och utveckling inom avancerad AI tillgänglig för fler forskare och ingenjörer.

Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC och S32 deltog, tillsammans med andra nya och befintliga investerare. Mirendil utvecklar modeller och agentprogramvara med ett tydligt mål: att en person ska kunna utföra arbete som tidigare krävde ett team, och att ett team ska kunna driva projekt som tidigare krävde en institution.

Resultatet med en enda forskare

Finansieringen följer på bolagets första publicerade modellresultat. I en rapport den 21 oktober 2026 uppgav Mirendil att en forskare, med hjälp av AI-agenter, förtränade Mirendil-Base, en kodningsmodell, från grunden på 3,5 månader med mindre än 10 miljoner dollar i beräkningskostnader. I totalsumman ingår forskning och småskaliga experiment, den slutliga träningskörningen, agenternas tokenförbrukning och databehandling.

Bolaget uppger att agenter skrev mer än 99 % av koden, genomförde experiment och diagnostiserade fel, medan forskaren valde vad som skulle prövas och vilka resultat som gick att lita på samt ingrep vid behov. I experimentet användes offentligt tillgänglig kod, webbsidor och offentliga datamängder, utan att ytterligare data köptes eller licensierades och utan destillering eller syntetiska data. Mirendil-Base ligger i intervallet 100–500 miljarder parametrar. De större modellerna Mirendil-Base-Large och Mirendil-Base-XL var fortfarande under träning när rapporten publicerades.

Fern och Lor utgör produktplattformen

Mirendil eftertränade senare Mirendil-Base till Fern 0.1, bolagets första modell. På Fern-modellsidan beskrivs ett system för agentbaserat arbete i stor skala, till exempel felsökning av träningskörningar, läsning av fullständiga agentspår och granskning av träningsdata. Där uppges att arkitekturen, träningen och driften stöder ett kontextfönster på upp till 10 miljoner token, motsvarande ungefär 23 MB eller en halv miljon rader kod, vilket gör att modellen kan hålla flera dagars arbete från en agent i minnet samtidigt. Tillgång uppges bli tillgänglig inom kort.

Lor är plattformen för att delegera den typen av arbete. Mirendil introducerade Lor den 28 oktober 2026 som ett molnbaserat system där agenter kan skriva kod, genomföra experiment, tillhandahålla beräkningskapacitet och arbeta på maskiner som användaren väljer. En agent kan fördela ett jobb mellan dussintals agenter, med hundratals agenter i arbete för olika projekt. Bolaget uppger att agenter kan fortsätta arbeta i dagar eller veckor och själva ta sig förbi hinder när något går sönder.

Lor är tillgängligt på inbjudan i en privat betaversion och är kostnadsfritt under betaperioden på macOS, Linux och webben. Windows, iOS och Android uppges bli tillgängliga inom kort. Användare kan följa varje agents framsteg, stoppa agenter och ta bort maskiner från systemet.

Beräkningskapacitet och kapital bakom planen

När Mirendil lanserades den 24 juni 2026 beskrev bolaget ett grundarteam bestående av 20 forskare och ingenjörer från bland annat Anthropic, xAI, Google DeepMind och OpenAI. Bolaget offentliggjorde också en såddrunda på 200 miljoner dollar ledd av Andreessen Horowitz och Kleiner Perkins, följd av investeringar från NVIDIA och andra.

Mirendil hade redan meddelat ett flerårigt partnerskap med Google Cloud den 6 augusti 2026. Samarbetet innebär att tränings-, inferens- och AI-forskningsarbetslaster körs på Google Clouds AI Hypercomputer med hjälp av Google Cloud TPU:er och NVIDIAs AI-infrastruktur för hela teknikstacken. Det omfattar hanterade träningskluster som utformats gemensamt för beräkning, lagring, nätverk och kontrollplan, för att stödja större forskningscykler.

A-rundan knyter därmed samman tre delar av Mirendils plan: modellutveckling med hjälp av agenter, en plattform för att delegera forskningsarbete och molninfrastruktur för större experiment. Den centrala prövningen av tillgänglighetsmålet bakom finansieringsrundan blir om bolagets interna resultat med en enda forskare kan omvandlas till ett repeterbart arbetsflöde för externa forskare och ingenjörer.