震惊！30B参数碾压GPT-5？MiroThinker 1.5开源大模型杀疯了！小白程序员必学的“交互式智能“新范式，降本增效还能跑赢235B！内卷时代的新出路！

关注

原创最新推荐文章于 2026-07-03 17:59:37 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

MiroThinker：开源搜索代理模型助力高效研究 MiroThinker是一款开源搜索代理模型，提供强大的工具辅助推理和信息搜索能力。最新版本v1.5支持256K上下文窗口和400次工具调用，提供30B和235B参数版本，在多项基准测试中表现优异。其特色包括MiroFlow框架、MiroVerse数据集和MiroTrain训练基础设施，支持复杂研究任务。相比同类项目，MiroThinker通过交互式扩展实现更深层次的推理能力。安装简便，可通过API快速部署，适用于各类研究场景。阅读详情

新年刚至，陈天桥携手代季峰率先打响开源大模型的第一枪。

正式发布其自研的旗舰版搜索智能体模型——MiroThinker 1.5，堪称智能体模型领域的最强小钢炮。

最直观的还是基准测试上的性能评测：

在面对GPT-5-High、Gemini-3-Pro、DeepSeek-V3.2等一系列国内外顶尖模型，MiroThinker 1.5在四项基准测试中的表现都毫不逊色：

HLE-Text*（人类终极测试）*：39.2%
BrowseComp*（网页检索类大模型基准测试）*：69.8%
BrowseComp-ZH*（BrowseComp的中文适配版本）*：71.5%
GAIA-Val-165*（GAIA基准测试验证集）*：80.8%

尤其是在BrowseComp上，直接刷新了ChatGPT-Agent保持的榜单纪录，强势跻身全球第一梯队。

但要知道MiroThinker 1.5的参数规模只有它们的1/30，仅30B和235B大小。

换句话说，在全行业大模型都在卷参数规模和上下文长度时，MiroThinker 1.5直接用高智效比跑出了相近甚至更好的效果，原因就在于它抓住了这股“巧劲”：

给答案不靠死记硬背，而是通过大量深入的外部世界交互来逐步提升推理能力。

比如将MiroThinker-v1.5-30B和1T参数的Kimi-K2-Thinking对比，不仅在BrowseComp-ZH测试中实现了4.5%的性能超越，在推理成本上，MiroThinker 1.5的单条调用成本更是低至$0.07，只有Kimi的1/20。

不止如此，MiroThinker 1.5的推理速度也显著优于Kimi-K2-Thinking，足以见得**“大”不等于“强”**，叠参数也并非大模型的唯一通解。

值得关注的是，它对开发者也相当友好，上线即开源。

而负责操刀这款模型的正是MiroMind团队，此前曾凭借成功预测Polymarket*（全球最大的去中心化预测市场）*筛选题目，连续登顶Future X全球榜首，力压诸多国际顶尖机构和闭源商业模型。

MiroThinker 1.5的推出，则是在团队已有的技术积累上更进一步，整体预测能力达到next level。

那么具体效果如何？眼见为实，下面实测见真章。

小参数也能跑进第一梯队

实测之前，先简要介绍一下交互界面。（体验入口：https://dr.miromind.ai/）

和常规的大模型对话窗口一致，点击左下角按钮即可升级为专业模式：内置更大尺寸的模型，同时支持文件上传。

P.S.界面下方还有一些系统自动推荐的预测问题可供参考。

下面我们先以一个基础的体育赛事预测为例，测试模型对实时信息的捕获和分析能力：

在2026年即将举办的世界杯中，考虑到分组名单和球队阵容，请给出胜率预测及可能的原因。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

首先给我的第一感受是：快+完整。

从输入问题到输出，总耗时两分钟，而且思维过程全部清晰可见。

比如它会先梳理自己所需的全部信息，给出一条合理的预测路径：分组情况→阵容信息→胜率预测。

接着在每一项具体步骤中，反思验证当前内容，并给出修正意见。

根据上一步的反馈，模型会逐渐逼近最合理的答案。

在这一点上，近似于数学的迭代，都是从一个初始猜测值出发，通过反复的过程计算，将结果一步步收敛到真实解。

或者简单来说，就是和面时，水多了加面，面多了加水，最后总能成型。

那么再看输出的结果，和模型一般最后放结论不同，MiroThinker 1.5直接开门见山，先给整体结论，以及详细的概率统计。（用户体验感UP！）

然后它会对每一支热门球队都进行一一阐述，包括所在小组情况、各阶段的出线概率和多角度原因，乃至可能遇到的隐患。

即使是一些概率较低的可能性，它也能面面俱到。

不过显然，MiroThinker 1.5在青春风暴VS老将最后一舞里，更支持前者。（doge）

接着我们再预测一个经典问题：GTA 6什么时候发？

也算是回归陈天桥的老本行了。

GTA 6明年能按时发布吗？请收集相关线索，给出确定性的回答。

很合理！预测逻辑严谨且层层递进，核心围绕着R星官方发布的权威信息，进行了多维度交叉验证，强化结果的可信度。

这次我们再将同样的问题，交给ChatGPT、Gemini和DeepSeek，看看它们又会给出怎样的结果。

ChatGPT：和MiroThinker 1.5的逻辑闭环相似，既遵循了行业规律，也为普通用户提供了建议。

Gemini：虽然把核心时间说清楚了，但证据支撑不足、缺乏风险提示。

DeepSeek：和Gemini类似，缺少关键背景补充，分析维度也相对单一。

有意思的是，仔细回看Gemini和ChatGPT的分析过程，它们都不约而同地在解释为什么2025年不能发……

一顿操作猛如虎，结果忘了已经2026。

更深入一步，最后我们尝试将MiroThinker 1.5放进专业场景中测试，比如股市预测。

请根据今天A股的指数面，情绪面，板块以及前几天的情况，帮我选择一只连板梯队里最有可能晋级的股票。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

（注：以下仅为技术展示，不构成投资建议）

同样，MiroThinker 1.5非常之快，不只是推理速度快，收集新信息的速度也相当快。

在股市这类不确定性强的复杂环境中，MiroThinker 1.5能够做到有理有据，既不是凭感觉走的玄学赌徒，也不是事后找补的诸葛亮，而是在极度噪声化环境中做到证据集合和可验证的因果推断。

总之实测下来，MiroThinker 1.5确实是一款区别于市面上同类产品的模型，调用轻松、思考过程可视、逻辑也更严明，不靠单一猜测下定论，而是在不断复盘交互中逐步逼近真相。

u1s1，光冲着这理性全面的证据链，就值得一个点赞。

将交互内化进模型推理，用确定性对抗不确定性

问题是为什么MiroMind团队能率先做到这一点？

关键依然在“大力出奇迹”。

在过去一年里，行业普遍存在的问题是过度依赖堆参数叠资源，本质来说就是让模型吃进更多知识，然后思维链沿着已记住的知识空间一步步往前推。

一旦其中一步发生偏离，后面所有步骤都会随着这个错误累计放大，最终导致整条逻辑链崩坏。

换言之，当模型参数规模到达一定程度后，继续堆资源对模型预测的边际收益只会迅速下降，行业不得不寻找新的智能增长路径。

MiroThinker 1.5的解法恰恰在于将推理过程和外部环境深度绑定，为每一轮推理都引入一个反馈校验环节，构建起一整条**“推理-验证-修正”**的循环路径。

首先是将Interactive Scaling从原先的推理阶段前移，并内化为训练阶段的核心机制，把模型训练成一个更注重求证、校验和自我修正的探索型Agent。

范式的转变决定了模型不再局限于内部知识和单次长链推理，而是通过和物理世界建立更深入的交互，以强化自身的行为模式：

Evidence-Seeking（主动求证）：模型会将每个关键判断拆解为可验证子假设，并主动发起对外查询、检索与比对。如果输出缺乏信源支撑，则会受到惩罚。
Iterative Verification（多轮校验与自我修正）：推理过程不再是一次性路径，而是允许反复回溯修正。当发现证据矛盾时，会立即进行调整，而非像传统思维链那样将错误延续下去。
Anti-Hallucination（对捷径的系统性过滤）：对过去一些看似合理但缺乏证据的推理结果给予否定，并标记为低质量推理。相比之下，更关注“怎样得出答案”，而非只是简单的对错。

由此，MiroThinker 1.5形成了行之有效的本能反应：

对于不确定性问题，先交互再判断；对于高风险结论，先查证再收敛。

模型不再依赖全部的世界知识，也无需那么多的参数支持，就能够按需地向外部世界精准取证，最终促成更小的参数规模，却拥有更高的智能密度。

而这正是MiroThinker 1.5推理成本显著降低，但性能始终保持一线水准的根本原因。

其次是让模型杜绝复述结果，实现未来预测的关键因子——时序敏感训练沙盒。

传统大模型表面上看似是预测，实则只是在知识库里搜索结果并复述出来，或者是使用未来时间范畴的数据超前“剧透”，时序敏感训练沙盒则为模型戴上一个“紧箍咒”，严格约束只能使用当前可见的信息，并做出真实预测。

它可以分为两步，其一是可控数据合成引擎，负责构建覆盖多任务类型的、难度与时间戳可控的数据合成体系。

每一道题目的答案都会随着时间戳动态演化，判断过程会严格限制信息可见性，校验阶段同样也会显式引入时间戳约束，以确保推理逻辑和评分标准都符合真实世界的时间因果关系。

其二是时序敏感训练机制，在每一步训练中都只能访问当前时间戳之前的信息，从机制上彻底杜绝Future Leakage*（未来信息泄露）*，模型无法超前看到结果。

这样下来，模型就会被迫学会在信息不完备、噪声存在、信号延迟的真实条件下完成推演，并随着新证据的出现不断修正判断。

时间也从原来被忽视的背景变量，升级为塑造模型行为与推理方式的核心约束，使模型更接近真实世界时序的认知与决策过程。

模型的预测能力不再是不可知的黑箱过程，而是可训练强化的关键要素。

当预测被拆解为一系列可约束、可反馈、可修正的行为模式之后，模型能力的上限也随之发生改变：性能提升不再简单取决于参数规模的线性扩张，而开始受益于模型与外部世界交互的方式与效率。

做题家模式 VS 科学家模式

而这套以小搏大的逻辑背后，正是MiroMind团队长期以来对Scaling Law的再解读。

早在模型1.0版本中，MiroMind就首次系统性提出了除模型规模、上下文长度之外的第三大核心可扩展维度Interactive Scaling，把智能的增长空间瞄准到外部世界。

V1.5则是在此基础上，进一步落地融入贯穿训练与推理的全流程。

传统的Scaling Law，走的是靠大脑更大解决问题的路线，本质上是**“做题家模式”**，靠记忆和统计，而非真正理解和验证。

反之当模型内化Interactive Scaling，它就不再是靠概率瞎猜，而是像科学家一样建立起慢思考的研究闭环：提出假设→向外部世界查数据/取证→发现对不上→修正假设→再查证，直到证据收敛到合理范围之内。

这样能有效降低Scaling Law导致的幻觉，提升可靠性。

所以与其说这是算力的博弈，不如说是底层逻辑的转变在影响算力的着力点：算力没有集中用于模型的知识储备，毕竟知识无限，但算力始终有限。

有限的算力无法覆盖掉全部的知识，所以不妨转换思路，将算力效益最大化，也就是引向该去的地方——对外的信息获取与交互，把智能的扩展维度从“更大脑袋”变成“更勤快的手”。

这一点也与MiroMind始终强调的发现式智能不谋而合，即在未知条件下重建对世界的理解，抽丝剥茧发现真相而非简单地记住答案。

它不靠全知，而靠会研究、会查证、会修正。它能像顶级情报官一样对外极速取证、对内严苛去伪存真；像严谨研究员一样在不确定性里逼近真相，把“预测未来”从特权变成能力。

显然，陈天桥带领下的MiroMind已经率先转换赛道，找到了智能“奇点”的关键所在，是交互。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述