Toda empresa nova de IA precisa de um número para chamar atenção. O da Mirendil (abre em nova aba) é 10 milhões. Esse é o tamanho, em tokens, da janela de contexto do Fern, o primeiro modelo da companhia, apresentado nesta semana. Pela conta da própria empresa, cabem ali cerca de 23 MB de código. Isso dá uns 500 mil linhas, o porte do Megatron-LM (abre em nova aba), um conhecido projeto para treinar grandes modelos. A empresa também compara esse volume a "dias de trabalho de um agente".
Contexto é tudo o que o modelo consegue considerar de uma vez antes de responder, e token é um pedacinho de palavra. Quanto maior a janela, mais material dá para entregar de uma tacada só, sem picotar em partes. A promessa interessa especialmente aos agentes de IA, que trabalham por horas e vão acumulando histórico. A estreia do Fern, porém, também mostra a distância entre ter muita memória e saber usá-la.
Feito do zero e com pressa
O Fern 0.1 é o modelo-base da empresa, o Mirendil-Base, depois de uma "rodada curta" de pós-treinamento. Essa é a etapa que transforma um modelo que só prevê texto em algo que segue instruções. Ele foi treinado do zero, ou seja, não é a adaptação do modelo de outra empresa. Tem entre 100 bilhões e 500 bilhões de parâmetros (o número exato não foi divulgado), lê texto e código e foi pensado para tarefas de agentes em grande volume.
A Mirendil promete versões novas com frequência, e há irmãos maiores no forno. O Mirendil-Base-Large, de 0,5 a 2 trilhões de parâmetros, já passou de 80% do pré-treino. O XL, de 2 a 10 trilhões, passou de 20%.
O detalhe mais intrigante está nos bastidores. O MarkTechPost (abre em nova aba) atribui à Mirendil as seguintes informações:
- um único pesquisador pré-treinou o modelo-base em três meses e meio;
- o gasto com computação ficou abaixo de US$ 10 milhões;
- agentes de IA escreveram mais de 99% do código;
- os dados vieram só de fontes públicas, sem destilação (aprender imitando respostas de modelos maiores), sem dados sintéticos e sem conteúdo licenciado.
Se isso se confirmar, é a parte mais importante do anúncio: um modelo treinado do zero por uma pessoa, em poucos meses, com orçamento de startup.
Encontrar é fácil, conectar é difícil
O principal teste de memória exibido pela empresa é o RULER, do tipo "agulha no palheiro": esconde-se uma informação num texto enorme e pede-se que o modelo a encontre ou faça algo com ela. Com 10 milhões de tokens, o Mirendil-Base tem estes resultados:
- 100% com uma única agulha;
- 100% ao acompanhar o valor de uma variável ao longo do texto;
- 91% e 95% quando precisa recuperar várias chaves;
- 51% quando precisa juntar pistas espalhadas para responder a uma pergunta (HotpotQA).
Esse padrão vale guardar. Achar uma frase num oceano de texto o Fern consegue. Raciocinar com várias delas ao mesmo tempo, nem sempre.
Há também um teste nos repositórios da própria Mirendil, juntados num arquivo de 42,9 MB. A métrica, chamada bits por byte, mede quanto o modelo acerta ao prever o que vem a seguir, e quanto menor, melhor. Ela cai de 0,247, com janela de 32 mil bytes, para 0,155 com 16 milhões e 23 milhões de bytes. É um sinal de que ler mais contexto realmente ajuda. Os modelos concorrentes foram avaliados só até cerca de 1 milhão de tokens, e o teste usa código da casa.
Uma correção logo na estreia
Na noite de 27 de outubro, a página do anúncio ganhou uma nota: as Figuras 1 e 2 foram corrigidas "para refletir com mais precisão" os resultados de treinamento. A tabela publicada pelo MarkTechPost não bate com a versão atual:
| Teste do RULER (10 milhões de tokens) | Tabela do MarkTechPost | Página atual da Mirendil |
|---|---|---|
| Todas as agulhas | 100 | 95 |
| Perguntas com várias etapas | 45 | 51 |
| Várias chaves | 90 | 91 |
O site também dizia que cada resultado em 10 milhões de tokens usava 20 exemplos, contra 100 nos demais. A página da Mirendil agora fala em média de 100 exemplos por célula.
Corrigir erro é virtude. Mas números que mudam logo após o lançamento, num teste rodado pela própria empresa, são um bom motivo para esperar avaliações independentes antes de se empolgar.
No trabalho de agente, o Claude sobra
Na execução de tarefas de programação, justamente o uso que a Mirendil diz mirar, a comparação com o Claude Opus 5.5, da Anthropic (abre em nova aba), é dura. Estes números saem da tabela da própria Mirendil:
| Teste (taxa de aprovação) | Fern 0.1 | Claude Opus 5.5 |
|---|---|---|
| DeepSWE v1.1 | 44,2 | 74,2 |
| Terminal Bench 4.0 | 6,1 | 66,4 |
| SWE Atlas QnA | 53,2 | 66,4 |
| SWE-Bench Pro v2-Hard | 76,5 | 100,0 |
| SWE-Bench Verified | 73,4 | 98,2 |
O caso mais gritante é o Terminal Bench 4.0, com tarefas executadas no terminal do computador: 6,1 contra 66,4. A Mirendil avisa que as notas dos concorrentes vêm de fichas técnicas, rankings ou testes que ela mesma rodou, então as condições nem sempre são idênticas. Ainda assim, a distância é grande demais para ser só diferença de metodologia.
Quando dá para testar
Por enquanto, não dá. A Mirendil lista o acesso como "em breve". O MarkTechPost relata apenas acesso antecipado hospedado, sem API pública, sem preço e sem pesos abertos anunciados. Resultados mais completos de contexto longo também ficaram para "em breve".
Por ora, o Fern 0.1 funciona mais como cartão de visitas do que como produto. Ele mostra que a Mirendil sabe construir uma memória gigantesca e que tem pressa, com versões maiores a caminho. Falta provar que essa memória se traduz em trabalho bem-feito e que os números se sustentam quando medidos por outras pessoas.