Fern 0.1: модель с контекстом 10 миллионов токенов — зачем это агентам

Fern 0.1: модель с контекстом 10 миллионов токенов — зачем это агентам

новость · длинный контекст

Fern 0.1: контекст на 10 миллионов токенов — зачем это агентам

Стартап Mirendil выпустил Fern 0.1 — первую модель, обученную с нуля под контекст в 10 млн токенов. Она идеально проходит тест на поиск иголки в стоге на всей длине, но отстаёт от флагманов в общих задачах. Разбираю, что это значит на практике и почему «длинный контекст» перестаёт быть маркетинговой цифрой.

6 мин чтения17 ноября 2026Обновлено 17 ноября 2026

Контекст в миллион токенов перестал удивлять — и тут приходит десять миллионов. Mirendil выпустил Fern 0.1: модель, которую обучали с нуля именно под длинный контекст. На тесте RULER «игла в стоге» она показывает 100% на всей длине в 10 млн токенов, но в обычных задачах проигрывает флагманам. Это честный обмен: модель покупает длину ценой универсальности — и для агентов такой обмен часто выгоден.

10 млнтокенов контекста — примерно 7–8 тысяч страниц текста
100%результат на RULER single needle при полной длине контекста
с нулямодель обучали под длину специально, а не растягивали готовую
агентыосновная целевая аудитория: исследовательские и рабочие процессы с большими массивами

Что даёт 10 млн токенов на практике

Разница между «1 млн» и «10 млн» не в красивой цифре, а в классе задач. В миллион влезает книга или объёмный отчёт. В десять — целый корпус документов: договорная база, архив переписки, комплект проектной документации. Для агента это означает другое поведение: ему не нужно каждый раз собирать релевантные фрагменты через поиск — он видит весь массив сразу. Меньше поиска — меньше ошибок из-за неточной выборки.

СценарийПоиск + короткий контекстДлинный контекст
Вопрос по 500 документамнужен хороший индекс, часть данных теряетсявесь массив в контексте
Сверка договоровриск пропустить расхождение между фрагментамивидит все документы одновременно
Цена запросанижевыше: платите за длину
Скоростьбыстреемедленнее на больших объёмах
Качество на общих задачахвыше у флагмановниже — модель специализированная

Выбор между длиной и качеством — экономическое решение, а не техническая мода.

Где граница: что не стоит ждать

01Не заменит флагманаСложные рассуждения и код остаются за универсальными моделями.
02Дорого на объёмеКаждый запрос оплачивает всю длину — кэш и префиксы решают.
03Сильна в поискеМодель создана для задач «найди и свяжи данные в огромном массиве».
Длинный контекст — это отказ от поиска в пользу полного обзора. Иногда это дешевле и точнее, иногда — просто дороже. Разница считается на конкретном корпусе, а не на бенчмарке.

Частые вопросы

10 млн токенов — это сколько документов?

Ориентировочно 7–8 тысяч страниц текста или несколько сотен объёмных документов. Точнее зависит от плотности текста и разметки.

Можно ли заменить RAG такой моделью?

В части сценариев — да, особенно там, где важна связность между разными фрагментами. Но RAG дешевле на больших объёмах и позволяет обновлять данные без переотправки всего корпуса.

Стоит ли пробовать Fern 0.1 в продакшене?

Как второй инструмент для конкретного класса задач — да. Как замену основной модели — нет: заявленные метрики показывают специализацию, а не универсальность.

Первоисточники

Публикация Marktechpost о релизе Fern 0.1.

ВГ
Виталий Гердлежев

Специалист по финансам, налогам и автоматизации учёта. Разбираю изменения законодательства и проверяю их на практике — в учёте, отчётности и автоматизации.

Подобрать модель под объём

Помогу понять, когда длинный контекст реально экономит деньги, а когда дешевле собрать поиск по документам — с расчётом на ваших данных.

Написать на dnvitas@mail.ru

Материал подготовлен 17.11.2026 по публикации Marktechpost от 27.10.2026. Метрики — по данным разработчика.