Mirendil zbiera 1 mld USD. Agenci AI mają budować modele

Kto zainwestował w Mirendil i ile

Mirendil poinformował o rundzie A w komunikacie z 12 listopada 2026 roku. Kwota 1 mld USD to po kursie średnim NBP z 13 listopada (3,9852 zł) ok. 3,99 mld zł. Rundę poprowadziły fundusze Kleiner Perkins i Clearlake Capital, a dołączyły do nich Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC, S32 oraz wcześniejsi inwestorzy.

Spółka nie ujawniła wyceny ani planu wydatków. W komunikacie pisze jedynie, że pieniądze pozwolą jej szybciej realizować cel udostępnienia narzędzi do badań nad zaawansowaną AI szerszemu gronu. Firma podkreśla, że wciąż jest małym zespołem i prowadzi rekrutację.

Według SiliconANGLE Mirendil założyli w 2025 roku Behnam Neyshabur, obecny prezes, i Harsh Mehta, dyrektor ds. technologii. Obaj pracowali wcześniej w Google DeepMind i Anthropic. Neyshabur jest współautorem algorytmu SAM (Sharpness-Aware Minimization), metody poprawiającej uogólnianie modeli. Historię firmy opisał też The Wall Street Journal w tekście o budowaniu AI szybciej i z mniejszym udziałem ludzi.

Czym jest platforma Lor

Lor to środowisko, w którym zadania badawcze przy trenowaniu modeli wykonują agenci AI. Według firmy setki agentów pracują równolegle przez kilka dni, piszą kod, uruchamiają eksperymenty, porównują warianty algorytmów i naprawiają błędy, które pojawiają się podczas ewaluacji. Rola człowieka ogranicza się do wyboru kierunku, oceny wyników i interwencji, gdy coś idzie źle.

Mirendil deklaruje, że sam codziennie pracuje na Lor. Produkt jest w zamkniętej becie, a firma nie podała cennika, warunków dostępu ani terminu szerszego udostępnienia. Na razie nie wiadomo więc, czy narzędzie trafi do zewnętrznych laboratoriów, uczelni lub firm spoza USA.

Co Mirendil pokazał w modelach

Najmocniejszym argumentem firmy jest model Mirendil-Base opisany 21 października 2026 roku. Według Mirendil jeden doświadczony badacz z pomocą agentów przygotował go od zera w ok. 3,5 miesiąca, łącznie z eksperymentami w małej skali i właściwym treningiem. Koszt mocy obliczeniowej, tokenów agentów i przetwarzania danych miał wynieść mniej niż 10 mln USD, czyli poniżej ok. 39,9 mln zł.

Firma podaje, że agenci napisali ponad 99 proc. kodu, a model trenowano wyłącznie na publicznie dostępnych danych z GitHuba, stron internetowych i otwartych zbiorów. Mirendil zastrzega, że badacz decydował, co sprawdzać i którym wynikom ufać, a system nie zbudował się samodzielnie.

• Mirendil-Base ma 100-500 mld parametrów i jest najmniejszym modelem rodziny.
• Mirendil-Base-Large (0,5-2 bln parametrów) i Mirendil-Base-XL (2-10 bln parametrów) są nadal trenowane.
• Fern 0.1 powstał przez douczenie modelu bazowego i ma obsługiwać do 10 mln tokenów kontekstu, czyli ok. pół miliona linii kodu.
• Na siedmiu zewnętrznych repozytoriach Mirendil-Base osiągnął średnio 0,222 bitu na bajt. Według firmy to gorzej niż Kimi-K3 (0,193), ale lepiej niż GLM-5.3 i DeepSeek-V4-Pro-Base.

Ograniczenia i niewiadome

Wszystkie wyniki pochodzą od samej firmy i nie przeszły niezależnej weryfikacji. Porównanie w bitach na bajt jest wąskie i mierzy przewidywanie kodu, a nie skuteczność modelu w realnej pracy programisty. Mirendil przyznaje też, że część porównywanych modeli przeszła douczenie, co zwykle pogarsza ich wynik w tej metryce.

Fern nie ma publicznego dostępu ani ceny, a strona modelu zawiera tylko formularz zgłoszenia do wczesnego programu. Nie wiadomo, ile kosztuje praca setek agentów działających kilka dni ani jak takie podejście sprawdza się poza projektami samej firmy.

Temat ma także wymiar bezpieczeństwa. Anthropic opisuje automatyzację badań nad AI, w której systemy przyspieszają rozwój kolejnych systemów, jako ryzyko wymagające szczególnej kontroli. Mirendil przedstawia ten sam kierunek jako drogę do szybszej nauki. W naszej ocenie runda tej skali przyspieszy dyskusję o tym, kto i na jakich zasadach powinien nadzorować takie narzędzia.

Co runda oznacza dla polskich zespołów badawczych

Dla polskich uczelni i firm budujących modele, takich jak zespoły rozwijające Bielika, najciekawsza jest deklarowana skala kosztów. Jeśli trening konkurencyjnego modelu do kodu rzeczywiście da się zamknąć w kilkudziesięciu milionach złotych i pracy jednego badacza, bariera wejścia dla mniejszych laboratoriów spada. Na razie to jednak deklaracja producenta, a nie powtórzony wynik.

Zespoły zainteresowane podobnym podejściem mogą już dziś testować otwarte narzędzia do automatyzacji eksperymentów i porównywać koszty agentów z kosztami pracy ludzi. Warto przy tym od początku zapisywać, które decyzje podjął człowiek, a które agent, bo przy rozliczaniu grantów i audycie modelu ta informacja może okazać się potrzebna.