Mirendil تعلن Fern 0.1: سياق بطول 10 ملايين توكن، لكن أداء الوكيل ضعيف

كشفت شركة Mirendil الناشئة، التي أسسها الباحثان بهنام نيشابور وهارش مهتا بعد مغادرتهما Anthropic، عن نموذجها الأول Fern 0.1. وأبرز ما يميزه نافذة سياق بطول 10 ملايين توكن. والتوكن قطعة من النص، أي كلمة أو جزء منها تقريبًا. وفي الشيفرة البرمجية، تعادل 10 ملايين توكن نحو 23 ميغابايت، أي ما يقارب نصف مليون سطر يراها النموذج في وقت واحد. وللمقارنة، فإن النماذج الأخرى التي قارنت Mirendil نفسها بها لم تُقَس إلا حتى نحو مليون توكن. غير أن Fern لا تزال متأخرة بوضوح عن المتصدرين في جودة العمل مع الشيفرة وفي دور الوكيل.

لمن تفيد 10 ملايين توكن

لا تراهن Mirendil على المبرمجين العاديين، بل على الفرق التي تدرّب الشبكات العصبية بنفسها. يضطر هؤلاء إلى تحليل كميات ضخمة من البيانات التقنية، والنافذة المعتادة التي تضم مئات الآلاف من التوكنات ضيقة لهذا الغرض. وتقترح الشركة تحميل ما يلي في Fern كاملًا:

• سجلات التدريب، أي السجلات التي يدوّن فيها النموذج يومًا بعد يوم الخسائر والأعطال والمقاييس؛
• تسجيلات عمل وكلاء الذكاء الاصطناعي على مدى عدة أيام؛
• أجزاء من بيانات التدريب للعثور على البيانات الرديئة والمكررة فيها.

وهناك أيضًا قياس لفائدة السياق الطويل. فقد اختبرت Mirendil كيف يتنبأ النموذج بالمقطع التالي من الشيفرة. تتحسن تنبؤات Fern كلما قرأت المستودع: فكلما رأت شيفرة أكثر، كان تخمينها للاستكمال أدق. ومن بين جميع النماذج المقارَنة، هي الوحيدة التي تصل إلى 10 ملايين توكن، أما البقية فقيست حتى نحو مليون توكن فقط.

وثمة تحفظ هنا. عند الطول نفسه البالغ مليون توكن، يتنبأ Kimi-K3 وBeam بالشيفرة بدقة أعلى من Fern. وقد خضع النموذجان للتدريب اللاحق، بينما تقارن Mirendil بهما نسختها الأساسية، أي النموذج بعد التدريب الأولي على النصوص. وتشير الشركة نفسها إلى أن التدريب اللاحق يُضعف هذا المؤشر قليلًا في العادة. لذا فالمقارنة ليست في صالح Fern، لكنها أيضًا ليست عادلة تمامًا للطرفين.

أين تتخلف Fern حاليًا

في المهام التي يجب أن يعمل فيها النموذج وكيلًا، النتائج ضعيفة. يختبر Terminal Bench 4.0 ما إذا كان الذكاء الاصطناعي ينجز مهامّ في سطر الأوامر، حيث عليه أن يكتب الأوامر بنفسه ويتعامل مع نتائجها. وحققت Fern 0.1 هناك 6.1%. أما نتائج النماذج الأخرى:

• Claude Opus 5.5 — 66.4%؛
• GPT-6 Astra — 57.9%؛
• GLM-5.3 — 41.9%.

والصورة مشابهة على DeepSWE v1.1 وSWE-bench Verified. وهما مجموعتان من المهام الواقعية لتعديل الشيفرة في مشاريع قائمة، إذ يجب على النموذج إصلاح خطأ أو استكمال دالة. وبحسب بيانات Mirendil، تتأخر Fern عن النماذج المتقدمة بنحو الضعف على DeepSWE وبنحو الربع على SWE-bench Verified. ومع ذلك تتفوق على بعض النماذج المفتوحة.

وأفضل نتيجة لها جاءت على SWE-Bench Pro v2-Hard، وهي نسخة صعبة من هذه المجموعات: 76.5%. وهذا يساوي نتيجة Beam، وما زال أدنى من النماذج المتقدمة.

وتفسر Mirendil ذلك ببساطة: Fern 0.1 نموذج أساسي بعد دورة تدريب قصيرة. وتعد الشركة بإصدار نسخ جديدة بوتيرة متكررة.

الحجم والخطط: نموذجان أكبر

تتحدث الشركة عن حجم Fern 0.1 بشكل غير دقيق: من 100 إلى 500 مليار معامل. والفارق خمسة أضعاف، لذا يصعب من هذا الرقم تقدير التكلفة الفعلية لتشغيل النموذج.

أما الخطط فأكثر طموحًا بوضوح. فـ Mirendil تدرّب بالفعل نموذجين آخرين:

• الأول بحجم يتراوح بين 500 مليار و2 تريليون معامل؛
• والثاني بحجم يتراوح بين 2 و10 تريليونات معامل.

الوصول إلى النسخة المبكرة من Fern متاح عند الطلب: يجب التواصل مع الشركة الناشئة.

ماذا يعني ذلك للمهندسين

لن تحل Fern 0.1 حاليًا محل Claude أو GPT في دور وكيل البرمجة: فنتيجة 6.1% على Terminal Bench تكفي دليلًا. أما إذا كانت مهمتك قراءة سجل تدريب ضخم أو فحص جزء كبير من مجموعة بيانات، فقد تكون 10 ملايين توكن أنفع من نقاط إضافية في اختبارات الوكلاء. لكن الميزة المعلنة لم تُدعَم حتى الآن إلا بمقارنات Mirendil الداخلية، وليس في أكثر الظروف ملاءمة لـ Fern. وسيبدأ الاختبار الحقيقي عندما يصل النموذج إلى فرق مستقلة وتصدر نسخ أكبر. عندها سيتضح هل يجيد العمل مع السياق الطويل بقدر ما يجيد استيعابه.