Un milliard de dollars pour les outils de recherche en IA de Mirendil

Une série A d’un milliard de dollars finance Mirendil, qui développe des modèles de code et Lor, une plateforme d’agents encore en bêta privée.

Un tour de table d’un milliard de dollars finance les outils de recherche en intelligence artificielle de Mirendil. La série A est menée par Kleiner Perkins et Clearlake Capital, avec Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC et S32 parmi les participants. Le laboratoire développe à la fois ses propres modèles et une plateforme où des agents écrivent du code, exécutent des expériences et examinent leurs résultats.

Cofondée par les anciens chercheurs d’Anthropic Behnam Neyshabur et Harsh Mehta, l’entreprise avait déjà levé 200 millions de dollars moins de six mois auparavant, selon le Wall Street Journal. Le quotidien rapporte une valorisation de 5 milliards de dollars pour cette nouvelle opération, d’après des personnes proches du dossier. Ce montant ne figure pas dans le communiqué de Mirendil.

La thèse défendue est de confier aux agents une part croissante de l’ingénierie qui accompagne la recherche : préparer les données, coder les expériences, surveiller les entraînements et rechercher les causes d’un échec. Le financement doit soutenir les outils destinés à rendre ces moyens accessibles à des scientifiques et ingénieurs extérieurs au laboratoire. Les premiers résultats publiés concernent principalement le développement de modèles et le code de recherche ; ils ne démontrent pas encore une automatisation générale de la découverte scientifique.

L’expérience centrale est le préentraînement de Mirendil-Base. Selon le laboratoire, un chercheur l’a mené en trois mois et demi, avec moins de 10 millions de dollars de calcul. Ce budget couvre les petites expériences préparatoires, le traitement des données, la consommation de jetons des agents et l’entraînement final. Le fournisseur affirme que les agents ont écrit plus de 99 % du code, tandis que le chercheur choisissait les pistes, évaluait les résultats et intervenait si nécessaire.

Le projet serait parti d’un dépôt vide, sur des bibliothèques comme PyTorch et JAX. Les données proviendraient de sources publiques, sans distillation ni données synthétiques. Le coût annoncé concerne Mirendil-Base, le plus petit modèle de la gamme, sans décrire le budget des autres versions.

La comparaison technique publiée mesure la prédiction de code en bits par octet, pas un taux de tâches de programmation résolues. Elle repose sur des évaluations conduites par le laboratoire.

Le modèle Fern 0.1 est issu d’un court post-entraînement de Mirendil-Base. Sa fenêtre de contexte annoncée atteint 10 millions de jetons, avec des entrées textuelles et du code. Le fournisseur vise la lecture de longs journaux d’exécution, de dépôts et de traces d’agents, afin de conserver davantage d’informations sur le travail en cours.

La capacité affichée ne renseigne pas, à elle seule, sur la qualité du raisonnement à cette longueur. La présentation mentionne un premier test d’accès au contexte avec RULER et indique que des évaluations plus complètes doivent suivre. La taille du modèle n’est donnée que sous la forme d’une fourchette, entre 100 et 500 milliards de paramètres. Sa page affiche encore un accès à venir, avec une demande d’accès anticipé.

La plateforme Lor, elle, est en bêta privée. Elle peut utiliser les modèles de Mirendil et des modèles tiers pour répartir le travail entre des dizaines ou centaines d’agents. L’architecture sépare l’agent, exécuté dans le cloud, de la machine sur laquelle ses commandes sont lancées. Les tâches peuvent continuer sur un ordinateur distant ou une machine maintenue allumée lorsque l’utilisateur ferme son portable.

Le service prévoit aussi la mise à disposition de calcul : les agents demandent des nœuds, les configurent, exécutent leur travail puis les libèrent. Parmi les exemples proposés figurent la reproduction d’une expérience scientifique sur plusieurs GPU, l’exécution de variantes d’un entraînement ou l’examen d’un dépôt logiciel. Les utilisateurs peuvent suivre les agents et les arrêter ; ceux-ci n’opèrent que sur les machines ajoutées au dispositif.

Le billet technique précise que Mirendil-Base ne s’est pas construit seul et ne présente pas cette expérience comme une auto-amélioration récursive entièrement autonome. Le chercheur continue de choisir les pistes à explorer et les résultats auxquels faire confiance.