Mirendil presenta Fern, un primo modello annunciato con un contesto di 10 milioni di token
Il nuovo laboratorio punta sulla lunghezza del contesto piuttosto che sulle dimensioni. Fern 0.1 non è ancora accessibile e i suoi punteggi nel codice restano nettamente inferiori a quelli dei migliori modelli.
Mirendil, un nuovo laboratorio di IA, ha presentato il 26 ottobre il suo primo modello, Fern. Il suo argomento si riduce a una cifra: una finestra di contesto annunciata fino a 10 milioni di token, pari, secondo lo sviluppatore, a circa 23 MB di codice o mezzo milione di righe mantenuti in memoria di lavoro contemporaneamente. A titolo di confronto, GPT-6.1 Terra di OpenAI, reso disponibile lo stesso giorno su Amazon Bedrock, accetta fino a 1 milione di token in ingresso su Amazon Bedrock.
Puntare sul contesto piuttosto che sulle dimensioni
Mirendil sostiene una tesi semplice: per rendere un modello più capace, si può aumentare il numero di parametri, ma anche la quantità di informazioni che può consultare contemporaneamente. Fern 0.1, la prima versione, è costruito su Mirendil-Base, un modello da 0,1 a 0,5 miliardi di parametri (lo sviluppatore fornisce solo un intervallo), pre-addestrato da zero e poi affinato con un breve post-addestramento.
Gli utilizzi previsti sono quelli dei team che costruiscono IA: auditare dati di addestramento, debug di un addestramento dai suoi log, rileggere tracce di agenti da capo a coda, lavorare su repository di codice molto grandi. Due modelli di base più grandi, Large (da 0,5 a 2 miliardi di parametri) e XL (da 2 a 10 miliardi), sono in fase di pre-addestramento.
Cosa mostrano le cifre dello sviluppatore
Sulla lunghezza del contesto, Mirendil pubblica un test RULER: la ricerca di un’informazione isolata («single needle») riesce al 100% a tutte le lunghezze testate, fino a 10 milioni di token. Ma a questa lunghezza il punteggio si basa su soli 20 esempi, e lo sviluppatore annuncia risultati più completi «presto». Trovare un ago in un pagliaio è il test più semplice; ragionare sull’intero contesto è molto più difficile.
Nella programmazione, i punteggi di Fern 0.1, misurati da Mirendil con lo strumento OpenCode in un solo tentativo, restano lontani dai migliori: 73,4% su SWE-Bench Verified e 76,5% su SWE-Bench Pro v2-Hard, dove lo stesso grafico attribuisce 90,2% a GPT-6 Astra su quest’ultimo test. I metodi di misurazione differiscono da un modello all’altro in questo grafico, il che limita la portata del confronto.
Non ancora utilizzabile
Punto essenziale: Fern 0.1 non è accessibile. La pagina indica un accesso «presto» e propone una richiesta di accesso anticipato. Non sono annunciati né prezzi, né API, né pesi aperti.
La nostra lettura
Un contesto di 10 milioni di token, se davvero sfruttabile, cambierebbe il modo di lavorare su repository di codice di grandi dimensioni o su lunghe tracce di agenti. Ma a questo stadio, Fern è un annuncio: un solo test di contesto pubblicato su un piccolo campione, punteggi di codice in ritardo rispetto ai leader e nessun accesso pubblico. Torneremo sull’argomento quando il modello sarà testabile.
Fonti
- Mirendil — Introducing Fern Fonte primaria — punteggi tratti dai grafici interattivi della pagina
- AWS — OpenAI GPT-6.1 Terra is now generally available on Amazon Bedrock Fonte primaria — elemento di confronto (finestra di contesto di GPT-6.1 Terra)
Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.
