Mirendil, Ajanların Yönettiği Yapay Zekâ Araştırma Araçları İçin 1 Milyar Dolarlık A Serisi Yatırım Aldı

Mirendil, 12 Kasım 2026’da Kleiner Perkins ve Clearlake Capital’ın liderlik ettiği A Serisi yatırım turunda 1 milyar dolar topladığını duyurdu. Şirket, uygulamalı çalışmaların büyük bölümünü ajanların yürüttüğü ve bilim insanlarıyla mühendislerin öncü yapay zekâ araştırma ve geliştirme çalışmalarına erişebilmesini amaçlayan araçlar geliştiriyor.

Tura Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC ve S32’nin yanı sıra başka yeni ve mevcut yatırımcılar da katıldı. Mirendil, bu finansmanın, daha önce bir ekibin gerektirdiği projeleri tek bir kişinin üstlenebildiği ve bir ekibin de eskiden bir kurumun yürütmesini gerektiren işleri üstlenebildiği bir modele yönelik çalışmalarını ilerletmesini sağlayacağını belirtti. Bu yaklaşımı birbiriyle bağlantılı üç çalışma açıklıyor: Mirendil-Base modeli, onun devamı olan Fern ve Lor yazılım sistemi.

Yatırımın Arkasındaki Ön Eğitim Sonucu

21 Ekim 2026 tarihli araştırma açıklamasında Mirendil, yapay zekâ ajanlarıyla çalışan tek bir araştırmacının, 3,5 ayda ve hesaplama kaynakları için 10 milyon dolardan az harcayarak Mirendil-Base’i sıfırdan ön eğitimden geçirdiğini belirtti. Araştırma ve küçük ölçekli deneyler, son eğitim çalıştırması, ajanların token harcamaları ve veri işleme maliyetleri bu toplam tutara dahildir.

Ajanlar kodun %99’undan fazlasını yazdı, deneyleri yürüttü ve hataların nedenlerini belirledi. Araştırmacı, neyin denenip neye güvenileceğine karar verdi ve gerektiğinde müdahale etti. Ortaya çıkan, kodlama konusunda uzmanlaşmış model; GitHub’daki içerikler de dahil olmak üzere kamuya açık kodlardan, web sayfalarından ve herkese açık veri kümelerinden öğrendi. Ek eğitim verisi satın alınmadı veya lisanslanmadı; deneyde damıtma ya da sentetik veri de kullanılmadı.

Araştırmacı ve ajanlar ayrıca standart PyTorch ve JAX kütüphanelerinden yararlanarak eğitim altyapısını, model mimarisini, eğitim algoritmasını ve veri işleme hatlarını sıfırdan oluşturdu. Mirendil-Base kendi kendini özerk biçimde geliştirmedi; deney, ajanları yönlendiren ve çalışmalarını değerlendiren deneyimli bir araştırmacıya dayanıyordu.

Bu deney, ajan emeğinin ön eğitim için gereken personel sayısından kaynaklanan engeli azaltabileceği yönündeki Mirendil iddiasının temelini oluşturuyor. Şirkete göre geriye kalan kısıtlar hesaplama kaynakları, veri ve ajanları yönlendiren kişinin muhakemesi.

Ön Eğitimden Ürünlere

Fern 0.1, kısa bir son eğitim aşamasından geçirilmiş Mirendil-Base’tir. Ürün sayfasında 27 Ekim 2026’da yapılan son güncellemeye göre modelin boyutu 0,1 trilyon ila 0,5 trilyon parametre arasında ve erişim yakında açılacak. Mirendil, Fern’in günlüklerden eğitim çalıştırmalarında hata ayıklama, ajanların tüm işlem izlerini analiz etme ve eğitim verilerini denetleme gibi işler için yaklaşık yarım milyon satır koda denk gelen, 10 milyon tokene kadar bağlam uzunluğunu desteklediğini belirtiyor.

Aynı güncellemede Mirendil-Base-Large’ın ön eğitim sürecinin %80’inden fazlasını tamamladığı ve 0,5 trilyon ila 2 trilyon parametreye sahip olduğu belirtildi. Mirendil-Base-XL ise ön eğitim sürecinin %20’sinden fazlasını tamamlamıştı; listelenen parametre aralığı 2 trilyon ila 10 trilyondu.

Mirendil, 28 Ekim 2026’da Lor’un özel beta sürümünü kullanıma sundu. Lor; kod yazan, deneyler yürüten ve günlerce ya da haftalarca yinelemeli çalışmalar yapan yüzlerce ajanı çalıştırmak üzere tasarlandı. Ajanları hesaplama düğümlerini kendileri tahsis edebiliyor, yapılandırabiliyor ve serbest bırakabiliyor. Şirketin bildirdiği bir çalıştırmada 102 ajan, 100 PyTorch çekme isteğinden çalışma ortamları oluşturdu; ajan başına ortalama süre sekiz dakikaydı.

Lor’a erişim, bekleme listesi aracılığıyla ve yalnızca davetle sağlanıyor; beta süresince ücretsiz. Sistem macOS, Linux ve web üzerinden kullanılabiliyor; Windows, iOS ve Android sürümlerinin yakında sunulacağı belirtiliyor. Sistem, Mirendil’in modellerinin yanı sıra dış sağlayıcıların modellerini de çalıştırıyor.

Bu yatırım, Mirendil’in sermaye artırımını belirli bir çalışma modeline bağlıyor: İnsanlar araştırma konusundaki muhakemeyi korurken ajanlar mühendislik işlerinin büyük bölümünü üstlenebiliyor. Bu iş akışının dışarıdan bilim insanları ve mühendisler tarafından tekrar tekrar kullanılabilir olup olmadığı; Fern ve Lor’a daha geniş erişim sağlanması ve hâlihazırda eğitimde olan daha büyük modellerin tamamlanmasıyla birlikte, uygulamadaki sınavı oluşturuyor.