MiroMind、自己検証型オープンソース研究エージェント「MiroThinker-H1」公開

AIエージェントに長時間の深層調査を任せる際、最も厄介なのは情報を集められないことではなく、途中の推論ミスを放置したまま、もっともらしいハルシネーション入りのレポートを出力してしまうことです。

MiroMindは本格的な研究用途に特化したオープンソースのエージェントモデル「MiroThinker-1.7」と、その上位フラッグシップとなる「MiroThinker-H1」を発表しました。やみくもに推論ステップを増やすのではなく、推論プロセスそのものに検証ステップを組み込むアプローチをとっています。

公開された事例の中には、かなりインパクトのある検証結果が含まれています。2月10日時点で2月25日の金価格を予測させたところ、実際の価格との誤差はわずか4ドル、約0.08%にとどまりました。また1月6日にはスーパーボウルでシアトル・シーホークスが優勝することを1カ月前に予測し、グラミー賞でKendrick Lamarが最大の勝者になると見抜いた結果も的中させています。これらはデモとしての側面があるものの、膨大なリサーチと情報照合、確率的推論の精度の高さを示しています。

推論の最中にリアルタイムで監査を入れる

従来のエージェントは手探りでツールを呼び出し、失敗すると手戻りを繰り返す傾向がありました。MiroThinker-H1は二重の検証システムでこの課題に対処しています。

まずローカル検証器（Local Verifier）が、計画立案やツールの呼び出しといった中間ステップをリアルタイムで監査します。間違いの芽を早期に摘み取ることで、BrowseCompベンチマークの難関サブセットでは平均対話ステップ数を約82%削減しつつ、精度を26.4ポイント向上させました。

次にグローバル検証器（Global Verifier）が、推論全体の証拠チェーンを最終監査します。「回答を生成するより検証するほうが容易である」という非対称性を活用し、確固たる証拠の裏付けがない結論は破棄され、エージェントに追加の調査や再サンプリングを要求します。

モデルの学習には4段階のパイプラインが用いられました。計画やツール操作を鍛える中期学習、高品質な三つ組データによるSFT、正答率のみを基準にしたDPO、そしてGRPOを用いた強化学習です。強化学習では長尾の難問を優先的に処理するスケジューリングと、探索の幅を維持するエントロピー制御が組み込まれました。

2350億パラメータの巨体と評価

モデル自体の規模も大型です。MiroThinker-1.7は2350億（235B）パラメータ、256Kのコンテキスト長を備えており、フル版のサイズは約470GBに達します。ローカルで動作させるには複数のハイエンドGPUが必須です。一方で、導入障壁を下げるために約61GBのmini版も同時に用意されました。

ベンチマークにおいても高いスコアを記録しています。ウェブ調査能力を測るBrowseCompでは88.2を記録し、Gemini-3.1-Pro（85.9）、Claude-4.6-Opus（84.0）、GPT-5.4（82.7）を上回りました。中国語のBrowseComp-ZHでも84.4でトップに立ち、学術系のFrontierScience-Olympiadでも79.0でGPT-5.2などを凌駕しています。ただし、ベンチマークごとに比較対象のモデルバージョンが揃っていない箇所もあるため、スコアは一定の割り引いて見る必要があります。

なぜ重要か

私たちは、MiroThinkerのアプローチの賢さは「推論ステップの数」ではなく「1ステップごとの信頼性」に着目した点にあると考えています。

金融分析や学術リサーチのような失敗が許されない現場では、単に賢いモデルよりも「なぜその結論に至ったか証拠を監査できるモデル」が求められます。中間監査と事後検証を組み合わせたことで、ハルシネーションの連鎖を防ぐ現実的な枠組みが提示されました。

業界全体にとっても、オープンソース陣営が深層リサーチという難関領域で最先端の商用クローズドモデルに迫る成果を出した意味は小さくありません。ただし、470GBという容量は個人開発者には敷居が高く、実用面では61GBのmini版の性能がどこまで維持されているかが焦点になります。推論時の追加検証によるレイテンシ増加と精度のトレードオフも含め、実務環境での検証が待たれます。