Mirendil capta 1.000 millones de dólares: La automatización del pre-entrenamiento reduce los equipos de I+D a un único investigador

Mirendil cierra una Serie A de 1.000 millones liderada por Kleiner Perkins y Clearlake para desplegar Lor, su sistema multiagente que automatiza el 99% del código de entrenamiento en modelos fundacionales.

Fecha de publicación: 2026.11.16

Capital Serie A captado
$1.000M

Coinversión de Kleiner Perkins, Clearlake y Google

Eficiencia de desarrollo
1 ingeniero / 3,5 meses

Presupuesto de 10 millones de dólares para Mirendil-Base

Capacidad de ingesta de Fern
10M tokens

10 veces el límite de contexto de Claude Opus 5.5

Conclusión Clave ·La orquestación multiagente en pre-entrenamiento elimina el coste de ingeniería humana en la fase de prueba y error, concentrando el presupuesto de I+D ex…

Automatización del pre-entrenamiento mediante enjambres de agentes

El pre-entrenamiento de modelos fundacionales concentra el mayor desgaste financiero y operativo en la industria de la inteligencia artificial. La fase inicial exige iteraciones constantes donde decenas de ingenieros ajustan hiperparámetros, limpian conjuntos de datos heterogéneos y corrigen manualmente caídas de entrenamiento. Mirendil, fundada por antiguos investigadores de Google DeepMind y Anthropic, ataca este cuello de botella con su plataforma Lor.

Lor sustituye los comités de ajuste manual por cientos de agentes de software coordinados. Estos agentes asumen la selección de algoritmos de optimización, el aprovisionamiento de infraestructura de cómputo y la reparación autónoma de excepciones durante la ejecución. Si una variante matemática genera inestabilidad numérica o pérdida divergente, el sistema aísla el fallo, reescribe el código y reanuda el ciclo sin intervención de personal técnico.

Ciclo de pre-entrenamiento autónomo en la plataforma Lor

Sustitución de tareas manuales de ingeniería por agentes de software

01 · Paso 01
Extracción y curación

Agentes recolectan y filtran datos web eliminando duplicados y ruido sintáctico.

02 · Paso 02
Aprovisionamiento y configuración

Despliegue automatizado de clústeres y selección del algoritmo de optimización.

03 · Paso 03
Ejecución con autorreparación

Monitoreo continuo de pérdidas; corrección de código en caliente ante fallos.

04 · Paso 04
Refinamiento de pesos

Ajuste dinámico de hiperparámetros y selección de la variante con menor perplejidad.

La viabilidad comercial de este esquema quedó demostrada con el desarrollo de Mirendil-Base. Un único investigador completó un modelo de código de primer nivel en 3,5 meses con una inversión directa de 10 millones de dólares. Los agentes de Lor escribieron más del 99% de las líneas de código del sistema, asumiendo la recolección de datos web, el diseño de la arquitectura y la optimización de pesos.

Estructura de costes y métricas operativas frente al desarrollo tradicional

El desarrollo de modelos de lenguaje de gran escala (LLM) ha requerido históricamente nóminas masivas de especialistas en infraestructura distribuida. La automatización de Mirendil traslada la estructura de gasto: el capital ya no se drena en salarios de soporte de software ni en tiempos muertos de GPU provocados por errores humanos, sino directamente en horas efectivas de cómputo.

La siguiente matriz contrasta los recursos necesarios para construir un modelo base competitivo bajo la metodología manual tradicional frente a la arquitectura de agentes Lor de Mirendil:

Parámetro operativoDesarrollo tradicional de LLMPlataforma Lor (Mirendil-Base)Impacto operativo
Personal técnico asignado15–30 investigadores e ingenieros1 investigadorReducción drástica de nómina especializada
Plazo de desarrollo inicial8–14 meses3,5 mesesReducción de más del 60% en el ciclo de salida
Generación de código base100% manual por ingeniería>99% autónomo por agentes LorEliminación de cuellos de botella en depuración
Presupuesto de ejecución$25M–$40M (nómina + GPU ociosa)$10M (cómputo directo)Asignación eficiente sin amortización de tiempos muertos
Gestión de caídas de clústerTriaje y parcheo manualAutorreparación inmediata en tiempo de ejecuciónDisponibilidad continua de las instancias GPU

El control sobre el código permite a los laboratorios desacoplarse de entornos propietarios rígidos. Al automatizar la configuración del clúster, los agentes pueden orquestar cargas sobre plataformas de cómputo flexible como RunPod o infraestructuras hyperscaler según la disponibilidad de aceleradores, optimizando la factura final de computación por cada iteración descartada.

Comparativa de plazos y asignación de personal

Diferencia entre desarrollo estándar y el pipeline automatizado de Mirendil

Enfoque tradicional Plataforma Mirendil Lor
Personal técnico dedicado (especialistas) -95% en plantilla técnica
Enfoque tradicional 20 personas
Plataforma Mirendil Lor 1 persona
Tiempo total hasta el modelo base (meses) 2,8x más rápido
Enfoque tradicional 10 meses
Plataforma Mirendil Lor 3,5 meses

Fern y la gestión de contextos de 10 millones de tokens

A partir de la arquitectura de Mirendil-Base, la compañía presentó Fern, un modelo especializado en la resolución de problemas de ingeniería de software en laboratorios de inteligencia artificial. Fern opera con una ventana de contexto de 10 millones de tokens de entrada por petición, una cifra 10 veces superior al límite de Claude Opus 5.5.

Esta capacidad de ingesta equivale aproximadamente a 500.000 líneas de código analizadas en una única pasada de inferencia. En entornos corporativos de desarrollo, esto permite cargar repositorios completos con su historial de dependencias y pruebas unitarias sin recurrir a técnicas de fragmentación arbitraria o sistemas de recuperación aumentada (RAG) que suelen degradar la precisión semántica.

Ventana de contexto de entrada en modelos avanzados (millones de tokens)

Comparativa directa de capacidad máxima por petición

Claude Opus 5.5 1,0M
Fern (Mirendil) 10,0M (10x)
단위 · M tokens

Fern fue entrenado sobre variantes de Mirendil-Base con escalas de entre 100.000 y 500.000 millones de parámetros. La compañía ha iniciado pruebas preliminares con versiones que alcanzan entre 500.000 millones y 10 billones de parámetros. El objetivo de estas escalas es habilitar agentes capaces de generar arquitecturas de red neuronal completas sin supervisión intermedia.

Evaluación técnica: Cuándo implementar pre-entrenamiento autónomo

La inyección de 1.000 millones de dólares liderada por Kleiner Perkins y Clearlake Capital confirma que la industria da prioridad a los sistemas de automatización de código frente al incremento lineal de personal de I+D. Sin embargo, la adopción de plataformas como Lor exige cumplir condiciones técnicas y financieras concretas para evitar desviaciones presupuestarias.

Criterios de adopción de plataformas de pre-entrenamiento multiagente
¿Cuál es el objetivo de desarrollo y el presupuesto de computación disponible?
Presupuesto superior a $5M y necesidad de modelos base propietarios
Implementar automatización con agentes

Maximiza el aprovechamiento de GPUs al eliminar los tiempos muertos de depuración manual.

→ Laboratorios de IA y centros de I+D vertical
Ajuste fino (fine-tuning) o presupuesto de infraestructura menor a $1M
Mantener stacks convencionales de orquestación

El coste de orquestación de cientos de agentes no compensa en cargas de cómputo reducidas.

→ Equipos de aplicación empresarial y software SaaS

Organizaciones aptas para la arquitectura multiagente

  • Laboratorios de I+D con asignación de cómputo superior a 5 millones de dólares: Las entidades que sufren pérdidas de capital por GPUs reservadas pero inactivas debido a errores humanos en scripts obtienen rentabilidad inmediata.
  • Empresas que desarrollan modelos fundacionales verticales: Entornos biomédicos, financieros o de ingeniería que requieren arquitecturas propias desde cero y no pueden depender de APIs propietarias externas.
  • Equipos reducidos de alta especialización: Organizaciones con investigadores matemáticos de primer nivel que carecen de grandes divisiones de ingeniería de soporte para el mantenimiento de datos e infraestructura.

Escenarios de exclusión y riesgos operativos

  • Proyectos centrados en fine-tuning ligero o adaptadores LoRA: En tareas de ajuste de parámetros sobre pesos preexistentes, el despliegue de cientos de agentes de control genera un exceso de sobrecarga operativa innecesaria.
  • Falta de visibilidad sobre los conjuntos de datos de origen: Si la recolección autónoma de datos web que realizan los agentes no cuenta con cortafuegos de propiedad intelectual, la empresa asume contingencias legales respecto a los datos de entrenamiento.
  • Presupuestos de cómputo inferiores a 1 millón de dólares: La automatización reduce los costes humanos, pero el entrenamiento de variantes a escala de 100.000 millones de parámetros continúa exigiendo reservas masivas de computación que los equipos pequeños no pueden absorber.

Informes de Referencia Relacionados

Ver categoría completa →
Boletín Semanal

Resumen Semanal de Tecnología y Datos de Negocio

Análisis de software verificado, consideraciones clave y métricas de comercio cada semana.

Cancela tu suscripción en 1 clic cuando quieras. Cero spam.

* Es posible que recibamos una comisión de afiliado por los enlaces en este informe, sin coste adicional para usted ni impacto en nuestros datos.