Fern 0.1 是 Mirendil 推出的首个基础模型，其训练和服务架构支持最高 1000 万 token 的上下文窗口。纸面上看，这是一次跃升：数千万字节的代码，或智能体数日的交互记录，都可以留在工作上下文中，而不必转存到外部存储。对于构建长时运行自主智能体的团队来说，它的吸引力显而易见——减少对外部检索系统的反复调用，一次性分析整个代码仓库或训练数据分片；当模型可以直接访问追踪记录和日志时，开发者也更容易建立清晰的心智模型。
但上下文窗口更大，只是创造了可能，并不意味着结果一定更好。要有效利用 1000 万 token，需要模型架构、注意力策略和检索启发式方法能够真正找出最相关的上下文，也需要可行的服务与成本模型，让超大上下文在实践中用得起来。Mirendil 早期公布的指标侧重于下一 token 预测改进和基础长上下文基准测试，这是一个不错的起点；然而，对生产团队来说，关键问题仍是：模型能否回忆并推理远处的上下文？延迟和成本会如何增长？增加上下文是否能切实降低多文件调试、训练数据审计等真实任务中的错误率？
对于企业应用，取舍很实际：是为一个能将整个代码仓库和追踪记录装入内存的超长上下文模型实例付费，还是搭建混合架构，将较小的核心模型与 RAG、索引记忆层和验证流程结合起来？Fern 拓展了无需中间检索即可实现的可能性，但团队在全面采用超长上下文方案前，仍需权衡稳健性、可观测性，以及边缘情况下的推理失败风险。