Mirendil: tek araştırmacı ve yapay zeka ajanlarıyla sıfırdan büyük bir kodlama modeli eğittik

Yapay zeka araştırma girişimi Mirendil, büyük bir dil modelini ayrı bir ön eğitim (pretraining) ekibi olmadan, tek bir araştırmacının yönettiği yapay zeka ajanlarıyla sıfırdan eğittiğini duyurdu. Şirketin 21 Ekim tarihli yazısına göre kodlamaya özel Mirendil-Base modeli; bir araştırmacı, 3,5 ay ve her şey dahil 10 milyon doların altında hesaplama maliyetiyle eğitildi. Bu tutara ajanların harcadığı token ücreti, veri işleme ve küçük ölçekli denemeler de dahil.

Mirendil kimdir

Mirendil Haziran 2026'da kuruluşunu duyurdu. Kuruluş duyurusuna göre şirketin hedefi, öncü yapay zeka araştırma ve geliştirmesini yaygınlaştırarak bilim ve teknolojiyi hızlandırmak. Ekip, Anthropic, xAI, Google DeepMind ve OpenAI gibi kurumlardan gelen 20 araştırmacı ve mühendisten oluşuyor. 200 milyon dolarlık tohum yatırım turuna Andreessen Horowitz ve Kleiner Perkins liderlik etti, NVIDIA da yatırımcılar arasında. Şirketin kurucularından Behnam Neyshabur, yeni sonucu X'te paylaştı.

Ne yapıldı

Duyuruya göre yapay zeka ajanları kodun yüzde 99'undan fazlasını yazdı, deneyleri yürüttü ve hataları teşhis etti; araştırmacı ise neyin deneneceğine ve neye güvenileceğine karar verdi. Ajanlar boş bir kod deposundan başlayarak eğitim altyapısını, model mimarisini, eğitim algoritmasını ve veri hatlarını kurdu; PyTorch ve JAX gibi genel kütüphaneleri ve açık kaynak projeleri örnek olarak kullandı. Şirket verimliliğin mimari değişikliklerden, veri karışımının ayarlanmasından ve çekirdek (kernel) iyileştirmelerinden geldiğini belirtiyor. Yazıda ajanların hangi modellerle çalıştığı belirtilmiyor.

Eğitim verisi GitHub ve diğer herkese açık kodlardan, web sayfalarından ve açık veri setlerinden oluşuyor. Şirket satın alınmış ya da lisanslanmış veri, damıtma (distillation) ya da sentetik veri kullanmadığını söylüyor.

Model ailesi

• Mirendil-Base: ailenin en küçüğü, 100 ile 500 milyar parametre arasında; eğitimi tamamlandı.
• Mirendil-Base-Large: 500 milyar ile 2 trilyon parametre arasında, eğitiminin yaklaşık yüzde 80'i bitti.
• Mirendil-Base-XL: 2 ile 10 trilyon parametre arasında, şirketin "öncü sınıf" dediği model; eğitiminin yaklaşık yüzde 19'u bitti.

Nasıl ölçüldü

Şirket modeli, kod üzerinde bayt başına bit cinsinden çapraz entropiyle (düşük olan daha iyi) ölçtü. İlk karşılaştırma Mirendil'in kendi depolarından ayrılmış kod üzerinde yapıldı. Daha güçlü olan ikinci testte ise modellerin eğitiminden sonra yayımlanmış yedi dış kod deposu kullanıldı. Bu testte ortalamada Moonshot AI'ın Kimi-K3 modeli birinci, Mirendil-Base ikinci sırada; Mirendil-Base, NVIDIA'nın Nemotron-550B-Base, Z.ai'nin GLM-5.3 ve DeepSeek'in V4-Pro-Base modellerinin önünde yer alıyor.

Karşılaştırmaların bazı sınırları var. Kimi-K3 toplam 2,8 trilyon parametreyle Mirendil-Base'den çok daha büyük. Kimi-K3 ve GLM-5.3, şirketin de belirttiği gibi ince ayardan geçmiş modeller ve bu ölçümde ham modellere göre biraz daha kötü sonuç veriyor, yani karşılaştırma birebir değil. Ölçüm yalnızca kod tahminindeki başarıyı gösteriyor; modelin kod yazma görevlerindeki pratik başarısını doğrudan ölçmüyor.

Kendini geliştiren yapay zeka

Şirketin asıl hedefi "özyinelemeli kendini geliştirme" (recursive self-improvement), yani yapay zekanın bir sonraki yapay zekayı geliştirmesi. Mirendil, bir sonraki modelinin kısmen Mirendil modelleriyle inşa edileceğini belirtiyor. Şirket aynı zamanda tam bağımsız kendini geliştirmeye henüz ulaşılmadığını, Mirendil-Base'in kendi kendini kurmadığını ve uzman bir kişinin yapay zeka araçlarıyla inşa ettiğini de açıkça söylüyor.

Mirendil-Base'in son eğitim aşaması başladı; şirket model ağırlıklarının ya da bir API'nin yayımlanacağını şimdilik duyurmadı. Haberdeki maliyet, süre ve başarı bilgileri şirketin kendi açıklamasına dayanıyor ve bağımsız olarak doğrulanmadı; kod yazmayı ajanların yaptığı iddiası da dışarıdan denetlenebilir değil. Büyük model eğitiminin küçük ekiplerle yapılabilir hale gelmesi sektör için önemli bir işaret olsa da, sonuçların bağımsız testlerle teyit edilmesi gerekiyor. Gelişmeleri farklı açılardan görmek için bağımsız araştırmacıların değerlendirmelerini de takip edin.