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.
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.
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.
| Сценарий | Поиск + короткий контекст | Длинный контекст |
|---|---|---|
| Вопрос по 500 документам | нужен хороший индекс, часть данных теряется | весь массив в контексте |
| Сверка договоров | риск пропустить расхождение между фрагментами | видит все документы одновременно |
| Цена запроса | ниже | выше: платите за длину |
| Скорость | быстрее | медленнее на больших объёмах |
| Качество на общих задачах | выше у флагманов | ниже — модель специализированная |
Выбор между длиной и качеством — экономическое решение, а не техническая мода.
Где граница: что не стоит ждать
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.
Публикация Marktechpost о релизе Fern 0.1.
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.ruМатериал подготовлен 17.11.2026 по публикации Marktechpost от 27.10.2026. Метрики — по данным разработчика.


