Mirendil stellt Fern vor, ein erstes Modell mit angekündigtem Kontext von 10 Millionen Tokens
Das neue Labor setzt auf Kontextlänge statt auf Größe. Fern 0.1 ist noch nicht zugänglich, und seine eigenen Code-Werte liegen deutlich unter denen der besten Modelle.
Mirendil, ein neues KI-Labor, hat am 26. Oktober sein erstes Modell vorgestellt: Fern. Sein Argument lässt sich in einer Zahl fassen: ein angekündigtes Kontextfenster von bis zu 10 Millionen Tokens, nach Angaben des Unternehmens etwa 23 MB Code oder eine halbe Million Zeilen, die auf einmal im Arbeitsgedächtnis gehalten werden. Zum Vergleich: OpenAIs GPT-6.1 Terra, am selben Tag auf Amazon Bedrock bereitgestellt, akzeptiert bis zu 1 Million Eingabe-Tokens.
Kontext statt Größe
Mirendil vertritt eine einfache These: Um ein Modell leistungsfähiger zu machen, kann man die Zahl seiner Parameter erhöhen, aber auch die Menge an Informationen, die es auf einmal einsehen kann. Fern 0.1, die erste Version, basiert auf Mirendil-Base, einem Modell mit 0,1 bis 0,5 Billionen Parametern (das Unternehmen nennt nur eine Spanne), von Grund auf vortrainiert und anschließend mit einem kurzen Post-Training verfeinert.
Die Zielanwendungen sind die von Teams, die KI entwickeln: Trainingsdaten prüfen, einen Trainingslauf anhand seiner Logs debuggen, Agenten-Traces vollständig lesen, an sehr großen Code-Repositorys arbeiten. Zwei größere Basismodelle, Large (0,5 bis 2 Billionen Parameter) und XL (2 bis 10 Billionen), befinden sich im Vortraining.
Was die Zahlen des Anbieters zeigen
Zur Kontextlänge veröffentlicht Mirendil einen RULER-Test: Die Suche nach einer einzelnen Information („single needle“) gelingt bei allen getesteten Längen zu 100 Prozent, bis 10 Millionen Tokens. In dieser Länge beruht der Wert jedoch auf nur 20 Beispielen, und das Unternehmen kündigt selbst vollständigere Ergebnisse „demnächst“ an. Die Nadel im Heuhaufen zu finden ist der einfachste Test; über einen solchen Kontext als Ganzes zu schlussfolgern, ist weit schwieriger.
Beim Programmieren bleiben die von Mirendil mit dem Werkzeug OpenCode in einem einzigen Versuch gemessenen Werte von Fern 0.1 weit hinter den besten zurück: 73,4 Prozent auf SWE-Bench Verified und 76,5 Prozent auf SWE-Bench Pro v2-Hard, wo dasselbe Diagramm GPT-6 Astra 90,2 Prozent zuschreibt. Die Messmethoden unterscheiden sich in diesem Diagramm von Modell zu Modell, was die Aussagekraft des Vergleichs begrenzt.
Noch nicht nutzbar
Der entscheidende Punkt: Fern 0.1 ist nicht zugänglich. Die Seite nennt einen Zugang „demnächst“ und bietet einen Antrag auf frühen Zugang an. Weder Preis noch API oder offene Gewichte sind angekündigt.
Unsere Einschätzung
Ein Kontext von 10 Millionen Tokens würde, wenn er wirklich nutzbar ist, die Arbeit an großen Codebasen oder langen Agenten-Traces verändern. Derzeit ist Fern aber eine Ankündigung: ein einziger Kontexttest an einer kleinen Stichprobe, Code-Werte hinter den Spitzenreitern und kein öffentlicher Zugang. Wir kommen darauf zurück, sobald sich das Modell testen lässt.
Quellen
- Mirendil — Introducing Fern Primärquelle — Werte aus den interaktiven Diagrammen der Seite
- AWS — OpenAI GPT-6.1 Terra is now generally available on Amazon Bedrock Primärquelle — Vergleichspunkt (Kontextfenster von GPT-6.1 Terra)
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
