📰 正文
MiroThinker 是由 MiroMindAI 团队 开发的开源研究代理（search agent），旨在提升 AI 的“工具增强推理（tool-augmented reasoning）”与“信息检索”能力。
模型参数规模：
MiroThinker-v1.5-30B
MiroThinker-v1.5-235B
主要特性：
支持 256K 上下文窗口。
支持 400 次工具调用。
强化 多步推理与长程任务管理。
传统大模型的路线是 “把世界背进参数里”，依赖统计与记忆。
而 MiroMind 的理念是：
“真正的智能不靠全知，而靠研究能力。”
也就是说， 智能体不应只是“会答题（做题家）”， 而应像“科学家”那样： 1.
主动查证；
识别不确定；
自我修正；
通过证据收敛得到可靠结论。
MiroThinker 不仅仅是一个模型，而是一整套可复现、可扩展的 AI 研究代理框架（Research Agent Framework），能够在复杂的真实世界任务中实现：
自动化信息搜索；
支持多步思考与自我纠错；
具备长时记忆与上下文理解
工具调用与执行；
研究级信息整合与评估。
你可以把它理解为：
👉 一个会思考、能查资料、还能动手实验的 ChatGPT。
它不是单纯的“对话机器人”，而是一个能：
打开网页、抓取信息；
能运行代码并分析结果；
汇总研究结果；
还会自己检查答案准确性； 的智能“研究助理”。
MiroThinker v1.5 在广泛的基准测试中展现了强大的通用研究性能，在 HLE-Text、BrowseComp、BrowseComp-ZH 和 GAIA-Val-165 上分别达到 39.2%、69.8%、71.5% 和 80.8%。
超越了之前的开源代理，创造了新的业界领先 BrowseComp 性能。
MiroThinker-v1.5-30B 仅用 1/30 的参数规模跑出了比肩众多 1T 模型的性能表现，其 235B 的版本在多个搜索智能体基准测试中跻身全球第一梯队。
它能干什么？（主要功能）
MiroThinker 能完成的事情可以分为四大类👇：
主体智能体（MiroThinker）
这就是“AI 大脑”。 它能理解问题、规划步骤，然后调用各种工具去解决任务。
比如：
你问它：“请总结过去一个月AI领域的新研究趋势。”
它会： 1.
自动去 Google 搜索；
抓取各个论文网页；
提取信息；
分析关键词；
最后写出一篇总结。
整个过程 全自动 完成！
工具系统（MiroFlow）
MiroThinker 的“手脚”。 它提供了各种可以被调用的工具，比如：
🔍 搜索（Serper API）
🧾 网页抓取（Jina）
🧠 LLM摘要（小模型总结内容）
💻 执行 Python 代码（E2B 沙盒环境）
举个例子： MiroThinker 发现要算某个统计结果，它会自己用 E2B 执行 Python 代码。
核心技术概念
1️⃣ 工具增强推理（Tool-Augmented Reasoning）
MiroThinker 通过内置的工具接口系统（Tool API）， 使模型能在推理过程中主动调用外部工具（搜索引擎、爬取器、代码执行环境等）以辅助推理。
支持的典型工具包括：
Serper API：访问 Google 搜索；
Jina API：网页抓取与语义摘要；
E2B Sandbox：代码执行与结果验证；
LLM-as-a-Judge：基于 GPT 或 Qwen 的模型评估器。
这一设计使模型能够执行如：
“搜索论文 → 抓取内容 → 提取要点 → 执行验证脚本 → 汇总结论” 的完整研究任务流程。
🧠 优势
提升了模型的“信息访问能力（Information Access Capability）”；
减少幻觉（Hallucination）；
能处理真实世界任务（如科研报告生成、技术文档分析）。
2️⃣ 交互扩展（Interactive Scaling）
传统性能扩展依赖于：
模型规模（parameters）
上下文长度（context window）
MiroThinker 提出了第三维：
交互深度（interaction depth）
即模型在任务中能主动进行多轮外部环境交互， 例如多次搜索、分析、运行代码、再验证。
MiroThinker 引入 “交互维度” 作为性能第三维：
🧠 核心机制
通过 memory-managed multi-round reasoning：
保留最近 5 次对话上下文；
清理无关历史；
维持信息完整性与低资源开销。
这种交互循环让模型具备了“自主探究式学习（self-directed inquiry）”能力。
在 v1.5 版本中，单任务可支持 多达400次工具交互， 使模型能在复杂任务中形成递归式、层级化的推理链。
MiroThinker vs DeepResearch 有什么不同
🧠 MiroThinker 架构 = 「AI 大脑 + 工具生态 + 环境交互」
它采用模块化设计：
🔧 支持外部 API 工具（如 Serper、Jina、E2B），能：
搜索网页；
抓取文本；
执行 Python 代码；
评估结果。
➡️ 你可以理解为： 它是一个完整的 AI 研究操作系统，不只是一个模型。
🔍 DeepResearch 架构 = 「网页爬虫 + 推理引擎 + 内容压缩器」
DeepResearch（尤其是 DeepResearcher、DeepSearchQA 等）更多是：
聚焦于信息检索 + 内容理解；
强调“深度网页搜索”和“内容压缩总结”。
结构更轻量，通常包括： 1.
搜索模块（基于 Google / Bing API）
抓取模块（BeautifulSoup / Jina）
LLM 总结模块（通常是 GPT-4/5）
结果聚合模块（评分 + 排序）
➡️ 它更像一个智能搜索引擎 + 总结机器人。
举例说明：两者在同一任务下的行为差异
任务：
“请总结过去一个月人工智能安全领域的主要研究成果。”
🔍 DeepResearch 的做法： 1.
搜索 “AI safety research December 2025 site:arxiv.org”
抓取前5页；
提取摘要；
拼接总结（无代码执行，无引用验证）。
输出结果：
“近期AI安全领域关注模型可解释性与鲁棒性，多篇论文聚焦于…（简略）”
优点：快。 缺点：浅，缺乏验证或多源交叉。
🧠 MiroThinker 的做法： 1.
搜索 arXiv 最新论文；
抓取 + 提取多篇；
运行文本聚类分析；
对比引用来源；
生成结构化总结（附论文编号）。
输出结果：
“在2025年12月，AI安全研究主要集中在三大方向：
对抗鲁棒性（6篇）
AI伦理检测与防护（4篇）
LLM溯源与安全验证（3篇） 主要代表作包括 arXiv:2512.1034、arXiv:2512.2155 等。”
优点：全面、有分析、有出处。 缺点：执行时间更长。
想了解更多？
官方网站：🌐 https://miromind.ai GitHub 项目页：📦 https://github.com/MiroMindAI/MiroThinker 论文引用：
在线体验：https://dr.miromind.ai/