Mirendil Menggalang $1 Miliar dalam Putaran Seri A untuk Perangkat Riset AI Berbasis Agen

Mirendil mengumumkan pada 12 November 2026 bahwa perusahaan tersebut telah menggalang dana sebesar $1 miliar dalam putaran Seri A yang dipimpin Kleiner Perkins dan Clearlake Capital. Perusahaan ini mengembangkan perangkat yang ditujukan untuk membuka akses bagi ilmuwan dan insinyur ke riset dan pengembangan kecerdasan buatan terdepan, dengan agen yang mengerjakan sebagian besar pekerjaan praktisnya.

Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC, dan S32 turut berpartisipasi, bersama investor baru dan lama lainnya. Mirendil mengatakan pendanaan ini memungkinkannya melanjutkan upaya menuju model yang memungkinkan satu orang mengerjakan proyek yang sebelumnya membutuhkan sebuah tim, dan sebuah tim menangani pekerjaan yang dahulu memerlukan sebuah institusi. Tiga upaya yang saling terhubung menjelaskan pendekatan tersebut: model Mirendil-Base, penerusnya, Fern, dan sistem perangkat lunak Lor.

Hasil Prapelatihan di Balik Penggalangan Dana

Dalam pengungkapan riset pada 21 Oktober 2026, Mirendil mengatakan seorang peneliti yang bekerja dengan agen AI melakukan prapelatihan Mirendil-Base dari awal dalam 3,5 bulan, dengan biaya komputasi kurang dari $10 juta. Angka total tersebut mencakup riset dan eksperimen berskala kecil, proses pelatihan akhir, penggunaan token oleh agen, serta pemrosesan data.

Agen menulis lebih dari 99% kode, menjalankan eksperimen, dan mendiagnosis kegagalan. Peneliti menentukan hal yang akan dicoba dan dipercaya, serta turun tangan bila perlu. Model yang dihasilkan dan dikhususkan untuk pemrograman itu belajar dari kode yang tersedia untuk umum, laman web, dan himpunan data publik, termasuk materi dari GitHub. Tidak ada data pelatihan tambahan yang dibeli atau dilisensikan, dan eksperimen tersebut tidak menggunakan distilasi maupun data sintetis.

Peneliti dan para agen juga membangun dari awal infrastruktur pelatihan, arsitektur model, algoritme pelatihan, dan alur pemrosesan data dengan menggunakan pustaka standar, termasuk PyTorch dan JAX. Mirendil-Base tidak membangun dirinya sendiri secara otonom; eksperimen tersebut bergantung pada peneliti berpengalaman yang mengarahkan para agen dan menilai pekerjaan mereka.

Eksperimen itu mendasari argumen Mirendil bahwa tenaga kerja agen dapat mengurangi hambatan kebutuhan tenaga kerja untuk melakukan prapelatihan. Sebaliknya, perusahaan tersebut menyebut komputasi, data, dan pertimbangan orang yang mengarahkan agen sebagai kendala yang masih tersisa.

Dari Prapelatihan ke Produk

Fern 0.1 adalah Mirendil-Base setelah menjalani tahap pascapelatihan singkat. Halaman produknya, yang terakhir disunting pada 27 Oktober 2026, mencantumkan ukuran 0,1 triliun hingga 0,5 triliun parameter dan menyatakan bahwa akses akan segera tersedia. Mirendil mengatakan Fern mendukung konteks hingga 10 juta token, setara dengan sekitar setengah juta baris kode, untuk pekerjaan seperti menelusuri masalah pada proses pelatihan berdasarkan log, menganalisis seluruh rekam jejak agen, dan mengaudit data pelatihan.

Pembaruan yang sama menyebutkan bahwa Mirendil-Base-Large telah menyelesaikan lebih dari 80% prapelatihan, dengan 0,5 triliun hingga 2 triliun parameter. Mirendil-Base-XL telah menyelesaikan lebih dari 20% prapelatihan, dengan rentang ukuran yang tercantum sebesar 2 triliun hingga 10 triliun parameter.

Mirendil kemudian memperkenalkan versi beta privat Lor pada 28 Oktober 2026. Lor dirancang untuk menjalankan ratusan agen yang menulis kode, melakukan eksperimen, dan melakukan iterasi selama berhari-hari atau berminggu-minggu. Agen-agen tersebut dapat menyediakan, mengonfigurasi, dan melepaskan node komputasi sendiri. Dalam salah satu uji coba yang dilaporkan perusahaan, 102 agen membangun lingkungan berdasarkan 100 permintaan tarik PyTorch, dengan rata-rata waktu delapan menit per agen.

Akses ke Lor hanya tersedia melalui undangan lewat daftar tunggu dan gratis selama masa beta. Lor tersedia di macOS, Linux, dan web, sedangkan versi Windows, iOS, dan Android tercantum akan segera hadir. Sistem ini menjalankan model Mirendil bersama model dari penyedia eksternal.

Pendanaan tersebut mengaitkan penggalangan modal Mirendil dengan proposisi operasional yang spesifik: agen dapat menyediakan sebagian besar tenaga kerja rekayasa, sementara manusia tetap memegang kendali atas pertimbangan riset. Uji praktisnya adalah apakah alur kerja tersebut dapat digunakan berulang kali oleh ilmuwan dan insinyur di luar perusahaan, seiring dengan meluasnya akses ke Fern dan Lor serta rampungnya model-model lebih besar yang sudah dalam tahap pelatihan.