1,000만 토큰 처리와 에이전트 사전 학습: 미렌딜 10억 달러 투자로 본 LLM 개발 자동화
구글 딥마인드와 앤트로픽 출신 연구진이 설립한 미렌딜이 10억 달러 투자를 유치했다. 수백 개 에이전트 기반 학습 파이프라인과 1,000만 토큰을 지원하는 코딩 모델의 실무 파급력을 분석한다.
발행일: 2026.11.16
단일 연구원 기준 3.5개월 완결
약 50만 줄 코드 동시 처리
클라이너 퍼킨스·구글 공동 참여
수백 대 에이전트가 주도하는 사전 학습: 미렌딜 로어의 파이프라인 자동화 구조
대규모 언어 모델(LLM)의 사전 학습(Pretraining)은 막대한 인력과 인프라 비용이 소모되는 영역이다. 연구진이 가설을 수립하고 파라미터 변형 모델을 수십 개씩 빌드하여 성능을 대조하는 시행착오가 필수적이기 때문이다. 이 과정에서 발생하는 런타임 에러 복구와 하이퍼파라미터 튜닝은 고임금 엔지니어링 인력의 반복 노동에 의존해 왔다.
미렌딜(Mirendil)은 이러한 병목을 해소하기 위해 10억 달러 규모의 시리즈 A 투자를 유치했다. 이번 라운드는 클라이너 퍼킨스(Kleiner Perkins)와 클리어레이크 캐피털(Clearlake Capital)이 공동 주도했으며 구글(Google LLC) 등이 참여했다. 창업자인 베남 네이샤부르(Behnam Neyshabur) 최고경영자와 하르시 메타(Harsh Mehta) 최고기술책임자는 구글 딥마인드와 앤트로픽에서 사전 학습 및 모델 최적화 연구를 주도했던 인물들이다.
사전 학습 공정의 엔지니어 개입 배제 및 자동화 흐름
웹 코퍼스 탐색부터 아키텍처 맞춤형 토큰 정제까지 에이전트가 단독 실행
수백 개 에이전트가 수십 종의 가중치 변형 모델을 병렬 생성 및 학습
벤치마크 평가 중 발생하는 충돌과 수렴 실패를 엔지니어 없이 실시간 패치
미렌딜의 핵심 소프트웨어인 로어(Lor)는 사전 학습 파이프라인 전반을 수백 대의 자율 AI 에이전트로 분할 제어한다. 연구진이 상위 목표와 제약 조건을 입력하면, 에이전트들이 웹 데이터 스크래핑부터 아키텍처 미세 조정까지의 세부 작업을 병렬 처리한다. 학습 및 평가 도중 이상 징후나 수렴 실패가 감지되면 에이전트가 코드를 자체 수정하여 학습을 이어간다.
엔지니어링 팀이 24시간 교대하며 분산 클러스터를 감시하던 기존 방식과 비교할 때 운영 오버헤드가 대폭 줄어든다. 모델 아키텍처의 미세한 변형을 탐색하는 작업이 완전 자동화되면서 연구 인력 1명이 수십 명 규모의 전문 엔지니어링 팀 수준의 산출물을 통제할 수 있게 되었다.
단일 연구원과 1,000만 달러로 완성한 파운데이션 모델: 실측 지표와 TCO 매트릭스
미렌딜은 로어 플랫폼의 효용성을 검증하기 위해 단일 연구원 기반의 대형 프로젝트를 진행했다. 다른 동료 연구원의 지원 없이 1명의 인력이 3.5개월 동안 약 1,000만 달러의 연산 인프라 비용을 투입해 ‘미렌딜 베이스(Mirendil-Base)’ 모델을 완성했다.
이 과정에서 에이전트 시스템은 전체 베이스 모델 코드의 99% 이상을 직접 작성했다. 웹 데이터셋 수집, 학습 알고리즘 선정, 분산 인프라 프로비저닝, 가중치 최적화 전 과정이 사람의 수작업 없이 완결되었다. 이는 파운데이션 모델 개발에 수천만 달러의 인건비와 다수의 전문 팀이 투입되던 시장 공식이 변화했음을 의미한다.
| 평가 항목 | 전통적 전담 개발팀 체계 | 미렌딜 에이전트 자동화 체계 | 실무 영향 분석 |
|---|---|---|---|
| 투입 엔지니어링 인력 | 15–30명 (전문 연구원·인프라 엔지니어) | 연구원 1명 (상위 정책 수립) | 인건비 지출 90% 이상 절감 |
| 학습 코드 작성 주체 | 사람 개발자 100% 수작업 작성 | AI 에이전트 99% 이상 자동 생성 | 코드 빌드 및 통합 리드타임 단축 |
| 클러스터 장애 대응 | 온콜 엔지니어 수동 점검 및 복구 | 에이전트 기반 자가 감지 및 자동 패치 | 유휴 GPU 과금 및 학습 중단 방지 |
| 개발 소요 기간 | 6–12개월 | 3.5개월 | 시장 출시 리드타임 50% 단축 |
| 추정 고정 인건비 | $4.5M–$9.0M (연간 기준) | $0.2M–$0.4M | 초기 고정비 부담 대폭 완화 |
전통적인 모델 사전 학습 프로젝트는 15명 이상의 전문 연구원과 클라우드 분산 시스템 엔지니어를 필요로 한다. 이로 인해 인건비로만 연간 수백만 달러가 고정 지출되며, 장애 발생 시 수동 복구에 걸리는 시간 동안 유휴 GPU 비용이 누적된다.
엔지니어 20인 전담팀 구축 대비 에이전트 자동화 도입 시 연간 인건비 지출
미렌딜의 실증 결과는 인프라 순수 연산비(1,000만 달러)를 제외한 인적 비용을 사실상 극소화할 수 있음을 보여준다. 사전 학습의 병목이 소프트웨어 엔지니어링 역량에서 순수 하드웨어 자본 집약도로 이동하는 구조적 변화를 의미한다.
1,000만 토큰 컨텍스트와 페른: AI 연구 조직의 워크플로우 재편
미렌딜은 미렌딜 베이스를 기반으로 코딩 특화 모델인 ‘페른(Fern)‘을 공개했다. 페른은 AI 연구소와 엔터프라이즈 엔지니어링 조직이 직면하는 복잡한 프로그래밍 과제를 자동화하도록 설계되었다.
페른의 핵심 사양은 프롬프트당 최대 1,000만 토큰의 입력 용량이다. 이는 약 50만 줄의 소스 코드를 단일 컨텍스트에 한 번에 주입할 수 있는 규모다. 클로드 오퍼스 5.5(Claude Opus 5.5) 대비 약 10배에 달하는 컨텍스트 윈도우를 제공한다.
단일 프롬프트당 처리 가능한 입력 토큰 용량 비교
페른은 1,000억에서 5,000억 파라미터 규모의 미렌딜 베이스 아키텍처를 기반으로 동작한다. 미렌딜은 향후 5,000억에서 최대 10조 파라미터에 이르는 상위 모델을 추가 배포할 계획이다.
초대형 컨텍스트 윈도우는 엔터프라이즈의 레거시 시스템 리팩토링과 분산 아키텍처 분석 방식에 직접적인 영향을 미친다. 복잡한 검색 증강 생성(RAG) 파이프라인을 거치지 않고도 마이크로서비스 전체 저장소를 단일 프롬프트에 로드하여 함수 간 종속성을 파악할 수 있다. 분산된 코드베이스에서 발생하는 아키텍처 결함을 탐지하는 속도가 대폭 향상된다.
엔터프라이즈의 모델 내재화 판단 기준과 전환 제약 조건
미렌딜의 성과는 모델 학습 자동화의 가능성을 입증했으나, 모든 조직이 즉각 도입할 수 있는 것은 아니다. 기술 도입 여부는 인프라 자본 여력과 자체 파운데이션 모델 보유의 전략적 가치에 따라 갈린다.
미렌딜 로어 방식의 자동화 플랫폼을 적용하여 소수 정예 인력으로 독자 가중치 구축
자체 사전 학습 대신 서빙 인프라 최적화와 문맥 주입 방식의 경량 파이프라인 유지
사전 학습 자동화 플랫폼 도입이 적합한 조직
- 인프라 자본력을 갖춘 대형 연구 조직: 최소 1,000만 달러 이상의 GPU 클러스터 컴퓨팅 예산을 즉각 집행할 수 있는 기업.
- 데이터 주권 및 규제 격리가 절대적인 산업: 외부 상용 API로 핵심 코퍼스를 전송할 수 없어 사내 폐쇄망 내에 독자 모델을 구축해야 하는 금융 및 공공 기관.
- 특화 도메인 가중치 자산화가 필요한 기업: 범용 모델 래퍼(Wrapper) 사업을 넘어 독자적인 지적재산권(IP) 모델을 보유해야 하는 AI 전문 벤처.
도입을 보류하고 기존 상용 API를 유지해야 할 조직
- GPU 클러스터 확보가 불가능한 기업: H100 또는 차세대 가속기 할당을 받지 못해 수백만 달러 규모의 연산 작업을 연속 수행할 수 없는 환경.
- 도메인 특화 데이터 코퍼스가 부족한 조직: 모델 가중치에 주입할 고품질 원천 데이터가 100억 토큰 미만인 경우 사전 학습 대비 투자 효율이 급격히 저하된다.
- 경량화 및 서빙 지연시간이 우선인 서비스: 1,000만 토큰 급의 초대형 컨텍스트는 추론 시 상당한 메모리 대역폭과 KV 캐시 비용을 유발하므로 단순 트랜잭션 처리에는 과도한 아키텍처가 될 수 있다.