一家没多少人听过的小实验室 Mirendil，上周放出第一个模型 Fern 0.1。上下文窗口一千万 token，按官方换算约二十三兆字节代码、五十万行，能把一个 Megatron-LM 规模的仓库一次性装进去，不用切片、不用外挂检索。
数字很唬人。但它自己在多跳推理上只有四成五，命令行编程测试只有六点一个百分点。这两个数放在一起，才是这个模型真正的样子。
它到底是什么
Fern 0.1 由 Mirendil 从零预训练，底座叫 Mirendil-Base，参数区间零点一万亿到零点五万亿，原生支持文本和代码，后训练流程走得很短，定位是高吞吐的智能体任务，不是通用聊天。
路线图上还有两个更大的底座正在预训练：Base-Large 是零点五到两万亿参数，Base-XL 是二到十万亿，分别对着高难度长周期任务和极致复杂场景，上线时间没公布。
这个定位决定了它的用法：它不是拿来陪你聊天的，是拿来一次性读完一大堆材料然后交结论的。
三个数字，别只看第一个
官方给的 RULER 结果分三层，恰好把长上下文这件事拆得很清楚：
- 单针检索：三万二千到一千万 token 全长度，命中率百分之百
- 多键检索：同样长度下九成
- 多跳推理：四成五
单针检索的意思是「在一千万 token 里找出那一句话」。多键是「同时找几句话」。多跳是「把散落在不同文件的几条线索连起来，推出一个结论」。前两件是存储能力，第三件才是思考能力。
差距就在这里。装得下，和想得明白，是两件事。
编程侧更直白：Terminal-Bench 4.0 上 Fern 0.1 的解出率是六点一个百分点，Claude Opus 5.5 是六成六点四。它不是「稍弱」，是差了一个量级。SWE-Bench 上同样落后于一线的闭源模型和头部开源模型。
那它到底该用在哪
把上面三个数字翻译成工作场景，Fern 0.1 现在能干的是四类活：
整个仓库通读。 五十万行代码一次进上下文，问「这个项目的鉴权在哪一层做、有没有绕过路径」。传统做法是先检索、再切片、再拼答案，切片边界一错，结论就跟着错。这是它的主战场。
智能体轨迹复盘。 几十上百条完整运行记录一次性载入，找「第几步开始跑偏」。这类活以前只能靠人工翻日志，或者写脚本按关键词捞。
训练日志排错。 长日志加长堆栈，一次性看完，定位到具体是哪一步梯度炸了。
预训练数据审计。 查重复样本、查污染、查无效内容。这一项听起来最不性感，但对做模型的人来说是刚需——数据里混进评测集，跑分就全废了。
四个场景有个共同点：都是「读得多、判断少」。反过来，凡是要它连续改十几个文件、每步都要跑测试的活，现在别指望它。这一带的产品最近上得很密，横向清单可以看 AI 编程工具专题；如果你要的是选型而不是追新，AI 工具评测专题 里的口径更适合拿来对照。
比模型更有意思的是它怎么造出来的
Mirendil 披露的造法，比一千万 token 更值得琢磨：
- 一个人，三个半月，从零预训练出底座
- 总开销不到一千万美元，含实验、智能体 token 消耗和数据处理
- 超过九成九的代码是 AI 智能体写的，人只负责定方向和关键节点介入
- 训练数据全部来自公开资源，没有蒸馏、没有合成数据、没有授权数据
- 模型用 PyTorch 和 JAX 从零搭
这套组合说明一件事：从零训一个底座的门槛，已经降到一个小团队甚至一个人加一堆智能体就能碰的高度。当然，代价也写在同一份材料里——多跳推理四成五，编程六点一。省下来的钱，是从能力上扣的。
把它和站内写过的几条线放在一起看会更清楚：Vercel 的持久化包解决的是「跑到一半崩了怎么接着跑」，Anthropic 把 Git 换掉解决的是「几万次合并怎么不乱」，Fern 这类模型解决的是「跑完之后怎么复盘」。三件事拼起来，才是一条完整的智能体工程链。
短板清单
- 没有公开接口，没有定价，没有权重，只有早期访问申请通道
- 版本号是 0.1，官方自己说这只是起点
- 多跳四成五，意味着跨文件推理类问题不能直接信它的结论
- 一千万 token 的真实成本不在单价，在显存和延迟：瓶颈从算力挪到了内存带宽，服务端要扛住这种请求，硬件账比模型账更难算
- 单针满分是「基础有效性验证」，不等于能力验证，这一点官方措辞其实很谨慎
适合谁，不适合谁
适合： 做模型训练、做数据治理、做智能体平台的团队。你们手上有一堆翻不完的日志、轨迹、语料，缺的是一个能一口气读完的容器。
不适合： 日常改 bug 的开发者、要它独立完成多步重构的团队。这个价位这个能力，不如用现成的一线模型。
替代方案按痛点分： 痛点是本地跑、显存不够，看 面壁 MiniCPM-V 4.7 的显存账；痛点是价格和响应速度，看 DeepSeek V4.1 Flash 的换权重策略；痛点是跨文件改代码，现阶段还是老实选头部闭源模型。
老达点评
一千万 token 这个数字，接下来半年会被反复引用，也最容易被误读成「能力提升」。但 Fern 自己的数据已经把答案写在那了：检索满分，推理四成五。它是一台很好的扫描仪，不是一位好工程师。
我反而更在意它的出身。一个人、三个半月、不到一千万美元、九成九代码由智能体写——如果这套流程能复制，明年会出现一批这样的小模型公司，各自守着一个极窄的场景（长日志、大数据审计、特定行业的超长文档），靠「装得下」而不是「最聪明」活下来。
对普通使用者的意义很直接：以后选模型，第一句该问的不是「多少参数、多少分」，而是「我要它读多少东西、要它自己判断多少」。读得多判断少，长上下文值钱；判断多，还是得回到推理能力上。
