MiroMind发布全球最强搜索智能体：深度解析MiroThinker 1.5与发现式智能新范式

type

status

date

slug

summary

从“做题家”到“科学家”：发现式智能的核心逻辑

长期以来，主流 LLM（大语言模型）的进化遵循着 Scaling Law，即通过堆砌参数规模来换取更强的性能。MiroMind 团队指出，这种模式更像是一个“做题家”，试图将全人类的知识强行“背”进参数里。然而，这种依赖内部参数扩张的路径已触及边际瓶颈，且容易产生严重的“幻觉”现象。

MiroThinker 1.5 提出了截然不同的“科学家模式”。它不再追求全知全能，而是押注 发现式智能：真正的智能不靠死记硬背，而靠会研究、会查证、会修正。MiroMind 联合发起人陈天桥与代季峰教授认为，智能的增长空间应从内部参数扩展到外部世界。这种被称为 Interactive Scaling（交互式扩展）的新维度，让模型像顶级研究员一样，在不确定性中通过极速取证与去伪存真来逼近真相。

以小博大：MiroThinker 1.5 挑战万亿参数巨兽

在性能评测中，MiroThinker 1.5 展示了令人惊叹的“高智效比”。MiroThinker-v1.5-30B 版本仅以 1/30 的参数规模，便在多个搜索智能体基准测试中跑出了比肩甚至超越万亿参数模型（如 Kimi-K2-Thinking）的表现。

根据 AIGC.bar 获取的数据显示： 1. 推理成本极低：MiroThinker-v1.5-30B 的单条调用成本仅为 0.07 美元，约为同类顶尖模型的 1/20。 2. 性能越级：在关键评测集 BrowseComp-ZH 中实现性能超越，证明了在 大模型 领域，“大”并不等同于“强”。

这种“巧劲”源于对算力的重新分配 —— MiroMind 刻意将模型规模控制在轻量级，而将算力资源倾斜给对外信息的获取与交互，培养模型拥有一双“最勤的手”。

破解幻觉与因果律：训练阶段的交互与时序沙盒

MiroThinker 1.5 之所以能精准预测未来，核心在于其两大底层技术突破：

1. 训练时交互扩展（Training-time Interactive Scaling） MiroMind 将交互能力内化为训练的核心机制。模型在训练时就被要求： * 主动求证（Evidence-Seeking）：将判断拆解为子假设，寻找可靠证据，缺乏信源的输出会被惩罚。 * 迭代校验（Iterative Verification）：推理不再是一次性路径，而是可以反复回溯、修正的过程。 * 系统性过滤幻觉：拒绝统计学上的“瞎猜”，强制模型学会在需要时向外部世界“借力”。

2. 时序敏感训练沙盒 普通模型往往在“上帝视角”下训练，容易产生“剧透”效应。而 MiroThinker 引入了严格的时间可见性约束，构建了一个“只能看过去，不能看未来”的训练环境。在这种范式下，模型被迫在信息不完备、信号延迟的真实条件下进行推演，从而掌握了真正的因果逻辑。

实战演练：从A股预测到复杂事件洞察

为了验证其“发现式智能”的威力，MiroThinker 1.5 在多个高难度场景下展示了其预测能力： * 金融市场穿透：在 A 股情绪退潮、晋级率极低的极端行情下，MiroThinker 能够穿透噪声，精准命中连板“活口”，展现了极强的因果推断能力。 * 全球大事件分析：针对美股七巨头的波动方向、GTA 6 的发布时间等复杂预测问题，模型能够通过多轮交互研究，给出具有高度确定性的复盘答案。

这些案例表明，MiroThinker 已经将“预测未来”从一种特权转化为了一种可工程化的 AI 能力。

结语：AGI 进化的新曙光

MiroThinker 1.5 的发布，标志着 AGI 的探索进入了“交互驱动”的新阶段。它告诉我们，未来的 人工智能 或许不需要一颗“最重的脑子”，但必须具备一种不断探索未知、在交互中修正认知的“科学精神”。

对于广大 AI 开发者和爱好者来说，关注 AIGC.bar 这一专业的 AI门户，不仅能获取最新的 AI日报 和 Prompt 技巧，更能在这个快速变革的时代，掌握 AI变现 与技术前沿的第一手资讯。MiroMind 的成功尝试，无疑为国产大模型在国际舞台上的竞争提供了一条极具启发性的差异化道路。