一家此前并不知名的团队，选择用最重的方式进入大模型赛道：从零预训练，并把上下文窗口直接推到 1000 万 token。
发生了什么
Mirendil 发布了公司首个模型 Fern 0.1。据 MarkTechPost 报道，该模型是从零开始预训练的，而非在现有开源权重上做微调或续训，上下文窗口达到 1000 万 token。官方将其定位为面向智能体 AI 研发（agentic AI R&D）的模型。
在长上下文基准 RULER 的“单针检索”（single needle）测试中，Fern 0.1 在 1000 万 token 长度下取得 100% 的成绩。与此同时，报道也明确指出，该模型在智能体编程任务上仍落后于前沿模型。
为什么重要
1000 万 token 的上下文并非首次出现，但把它作为首个模型的卖点、并强调从零预训练，是一个值得注意的信号。
一方面，从零预训练意味着团队掌握了数据配比、训练流程和架构选择的完整链路，而不是依赖社区权重做二次开发。这类团队通常有明确的长期路线图，Fern 0.1 更像是一个起点而非终点。
另一方面，“单针检索满分”和“智能体编程落后”这两条信息放在一起，恰好勾勒出当前长上下文模型的典型短板：能在超长文本里精准定位一条信息，不等于能在长程任务中持续做多步推理、调用工具、维护状态。RULER 的单针测试本质上是检索能力的下限检验，它证明模型“找得到”，但不证明模型“用得好”。
影响与看点
对开发者而言，Fern 0.1 的价值取决于它能否在真实的长文档分析、跨文件代码理解、长周期智能体任务中兑现 1000 万上下文的承诺。单针满分是入场券，不是终点。
对行业而言，又一家从零预训练的团队入场，说明基础模型的进入门槛仍在被重新定义——不是更低，而是更分化：要么在规模上拼资源，要么在特定能力（如超长上下文）上做差异化。Mirendil 显然选了后者。
值得关注的三个点：一是 Fern 0.1 是否开放权重或 API，这决定了它的实际触达范围；二是长上下文在真实智能体任务中的表现，尤其是多步工具调用下的稳定性；三是团队后续迭代速度，首个模型的能力边界往往不能代表其真实水平。
一个克制的判断：长上下文正在从“参数竞赛”变成“工程竞赛”，谁能把 1000 万 token 真正用进工作流，谁才有话语权。Fern 0.1 目前展示的是能力上限的一个切面，而非完整答案。
