Mirendil lève un milliard de dollars pour accélérer le développement d'IA

Contexte et financement

Mirendil Inc., créée l’an dernier par deux anciens chercheurs de Google DeepMind et d’Anthropic, a annoncé une levée de fonds de 1 milliard de dollars en série A. L’opération a été conduite conjointement par Kleiner Perkins et Clearlake Capital, avec la participation de plus d’une demi‑douzaine d’investisseurs dont Google LLC. Ce financement vise à renforcer la plateforme d’automatisation du pré‑entraînement d’IA que la startup commercialise sous le nom de Lor.

Architecture de la plateforme Lor

Lor repose sur un orchestre de centaines d’agents IA capables de diviser les tâches d’un cycle complet de formation de modèle. Chaque agent exécute une fonction précise : provisionnement d’infrastructure, sélection d’algorithmes d’optimisation, collecte et nettoyage de données, ou encore ajustement d’hyperparamètres. Cette granularité permet de paralléliser les itérations de recherche d’architecture, réduisant ainsi le temps de latence entre la génération d’une version de modèle et son évaluation.

Automatisation du cycle de pré‑entraînement

Le processus habituel de pré‑entraînement implique de multiples essais manuels, chaque version différant légèrement des précédentes. Mirendil affirme que Lor « corrige automatiquement les erreurs d’évaluation », ce qui élimine l’intervention humaine lorsqu’une métrique de validation chute. Un exemple concret : un chercheur unique a développé un modèle de codage concurrent des LLM open‑source en 10 millions de dollars et 3,5 mois, grâce à l’automatisation de Lor. Les agents ont rédigé plus de 99 % du code, configuré l’infrastructure cloud, choisi l’algorithme d’entraînement et affiné le jeu de données.

Implications et limites

Le LLM de base, Mirendil‑Base, sert de socle à Fern, un modèle spécialisé dans la génération de code. Fern accepte 10 millions de tokens par requête, soit dix fois la capacité de Claude Opus 5.5, ce qui correspond à environ 500 000 lignes de code. Sa taille varie de 100 à 500 milliards de paramètres, avec des versions en pré‑visualisation atteignant 500 milliards à 10 trillions de paramètres. Cette échelle soulève plusieurs enjeux : la consommation énergétique d’un entraînement à l’échelle du trillion, la nécessité de jeux de données de qualité supérieure pour éviter le sur‑apprentissage, et la dépendance à des systèmes de gestion d’erreurs automatisés dont la robustesse n’est pas encore quantifiée publiquement. Enfin, l’absence de métriques d’évaluation détaillées dans les annonces limite la capacité à comparer objectivement la performance de Fern aux modèles concurrents.