MiroMind 开源 MiroThinker-H1：把验证塞进推理，预测金价仅差 0.08%

让大模型做深层研究，最怕的不是它查不到资料，而是它一本正经地在中间步骤里胡说八道，最后交出一份看似严谨的幻觉报告。

MiroMind 宣布开源两款专门针对重度研究场景设计的智能体：MiroThinker-1.7 以及在其基础上构建的旗舰系统 MiroThinker-H1。它们的核心逻辑不是盲目增加推理步数，而是把验证机制直接嵌进了模型思考的每一步。

官方还晒出了一些颇具视觉冲击力的预测战绩。比如在 2 月 10 日预测 2 月 25 日的黄金价格，最终实际误差仅有 4 美元，偏离度约 0.08%。在 1 月 6 日它提前一个月预测西雅图海鹰队（Seattle Seahawks）拿下超级碗冠军，以及提前判断 Kendrick Lamar 成为格莱美大赢家，后来都被事实印证。这些案例虽然带有宣传秀肌肉的成分，但背后依赖的是海量检索、证据交叉审计与概率整合。

把实时审计塞进推理流水线

普通智能体通常是在前面埋头检索、拼凑答案，一旦中间哪一步找错了方向，后面就全线崩塌。MiroThinker-H1 换了个思路，搞了一套双层验证系统。

首先是局部验证器（Local Verifier），它会在推理运行时实时审计每一个动作，包括规划拆解、工具调用和假设更新，在错误刚露出苗头时就把它掐死。根据官方数据，在 BrowseComp 的困难子集测试中，局部验证器让平均交互步数骤降了大约 82%，同时准确率还逆势提升了 26.4 个百分点，直接砍掉了传统智能体那种无脑试错的毛病。

其次是全局验证器（Global Verifier）。当一整套推理链条跑完后，它会利用「验证往往比生成更容易」的特点，回过头对整条证据链和候选解答路径进行终审。只要证据不闭环或者不够扎实，系统就会拒绝给出草率答案，强行要求智能体重新采样或延长思考，直到整条逻辑链被严密支撑。

这套能力的背后是一整套四阶段训练方案。从早期的原子化智能体中期训练，到基于思维行动观察三元组的有监督微调（SFT），再到仅以答案正确性为排名信号的直接偏好优化（DPO）。在最后的强化学习阶段，团队基于 GRPO 引入了针对低概率词元的靶向熵控制，并配合优先级调度机制，确保长尾困难任务在早期就能被充分学习。

2350 亿参数巨兽与基准表现

体量方面，MiroThinker-1.7 是一款十足的重型模型。它拥有 2350 亿（235B）参数，支持 256K 上下文窗口。完整版模型体积大约 470GB，本地部署需要多张顶级高端 GPU 才能跑得动。考虑到普通玩家和中小团队的门槛，官方同时放出了一个体积约为 61GB 的 mini 版。

跑分数据同样显眼。在考验多步网络研究的 BrowseComp 基准中，MiroThinker-H1 拿下了 88.2 分，超过了 Gemini-3.1-Pro（85.9）、Claude-4.6-Opus（84.0）以及 GPT-5.4（82.7）。在中文测试集 BrowseComp-ZH 上，它以 84.4 分领先 Seed-2.0-Pro 和 GPT-5。而在偏学术硬核的 FrontierScience-Olympiad 上，H1 跑出了 79.0 分，力压 GPT-5.2 的 77.1 分与 Gemini-3-Pro 的 76.1 分。

不过需要提醒的是，业内在对比测试时往往会有些小心思。比如在不同基准测试中拉出来陪跑的对比模型版本并不完全统一，部分对照组版本稍显滞后，这些分数可以证明它跻身顶尖阵营，但不必神化。

为什么重要

我们认为，MiroThinker 这套方案最聪明的地方，在于它精准踩痛了大模型做深度研究时的致命短板：长程推理中的误差滚雪球效应。

过去的 Agent 要么靠暴力的模型尺寸硬扛，要么靠在提示词里反复要求「请一步步思考」，但缺少系统级的过程纠偏。MiroMind 把验证拆成局部实时纠错与全局终审，证明了通过有效交互扩展提升每一步质量，收益远高于单纯拉长计算步数。对于从事金融分析、学术调研和战略情报整理的研究人员来说，这种具备证据审计能力的工具，输出结论的可信度大幅提高。

对行业而言，它再次拉高了开源智能体在顶尖闭源模型面前的话语权。过去深度网络搜索和严密科学推理几乎是巨头商业 API 的护城河，现在一个全尺寸 235B 开源模型能在多项测试中正面对抗闭源第一梯队，会倒逼行业重新审视推理期架构设计。

不过问题依然存在。完整版 470GB 的显存开销意味着极高的私有化部署成本，大多数个人开发者只能指望 61GB 的 mini 版或者云端服务。而且预测金价这类案例虽抓人眼球，实际生产环境面对未知变量时，双层验证到底会带来多大的延迟损耗，仍然需要在真实业务中持续检验。