据MarkTechPost报道，Mirendil于2026年10月27日发布其首个AI模型Fern 0.1，这是一个从零构建、面向AI研发的编码模型，上下文窗口最高1000万token。Mirendil称，这相当于约23MB代码或约50万行，可一次载入Megatron-LM规模的代码库。
Fern 0.1基于Mirendil-Base经过短轮次后训练而来，参数规模在0.1至0.5T之间，具体参数数量和激活参数未披露。该模型目前仅提供托管早期访问，没有公布开放权重或量化版本。Mirendil列出的目标用途包括跨大型代码库工作、运行命令直到测试通过的智能体编码、研究代码中的训练循环与数据管道及评估、从长日志和堆栈跟踪调试训练、端到端读取完整智能体或训练轨迹，以及审计预训练分片中的重复、污染和垃圾数据。
据Mirendil介绍，一名研究员用3.5个月预训练了Mirendil-Base，总计算成本低于1000万美元，包含实验、智能体token支出和数据处理。AI智能体编写了超过99%的代码，训练数据仅来自GitHub、公开代码、网页和公开数据集，未使用蒸馏、合成数据或许可数据，代码在PyTorch和JAX上从零编写。Fern是计划中3个模型里最小的一个；Mirendil-Base-Large参数规模0.5至2T，预训练进度超过80%；Mirendil-Base-XL为2至10T，进度超过20%。
长上下文是Fern 0.1的主要测试点。Mirendil称，Mirendil-Base在RULER单针检索中从32K到10M token的每个长度均得100%；多键检索从100%降至90%，多键全针检索保持100%，变量跟踪为100%、95%、75%和100%，多跳问答从65%降至45%。Mirendil说明，10M token单元只用了20个样本，其他长度使用100个样本，更广泛的长上下文结果尚未公布。在自身仓库拼接成的42.9MB数据流上，Fern的下一token预测交叉熵从32K字节窗口的0.246降至16M和23M字节的0.155；在1M字节窗口，Kimi-K3为0.140，Fern为0.165。
智能体编码基准方面，Mirendil公布的表格显示，Fern 0.1在Terminal Bench 4.0得6.1%，Claude Opus 5.5为66.4%；在SWE-Bench Verified得73.4%，Kimi-K3和GLM-5.3分别为93.4%和95.4%；在SWE-Pro v2 Hard得76.5%，Claude Opus 5.5为100%。Fern 0.1在5项测试中有4项超过Inkling和Nemotron 3 Ultra，在SWE-Pro v2 Hard与Beam打平，在SWE-Bench Verified上以73.4%落后于Beam的81.6%。Mirendil称，表内每个前沿和大型开放模型都领先Fern 0.1。
与Kimi-K3、GLM-5.3对比，Fern 0.1总参数为0.1至0.5T，Kimi-K3为2.8T，GLM-5.3为753B；Fern未公布激活参数和许可证，权重未发布，仅可申请早期访问，而后两者开放权重和API。Mirendil表示，Fern 0.1在长上下文检索上表现较强，在智能体编码上处于开放权重模型的中游，但落后于前沿模型。