MiroThinker-1.7 & H1: Towards Heavy-Duty Research Agents via Verification

Ce papier présente MiroThinker-1.7 et son extension H1, des agents de recherche open-source conçus pour exceller dans des tâches de raisonnement complexe et à long terme grâce à une formation agentic structurée et à l'intégration d'un mécanisme de vérification multi-niveaux garantissant la fiabilité des réponses.

L'essentiel

🕵️‍♂️ L'Histoire de MiroThinker : Le Détective qui ne se contente pas de courir

Imaginez que vous avez un problème très compliqué à résoudre : trouver une information précise sur internet, analyser des données financières ou comprendre un concept scientifique obscur.

Avant, les intelligences artificielles (IA) fonctionnaient un peu comme un coureur de fond épuisé. Plus on leur demandait de courir (de faire plus de recherches), plus elles s'essoufflaient, se perdaient dans les détails et finissaient par faire des erreurs. Elles pensaient que "plus de pas = meilleur résultat".

MiroThinker (et sa version ultime, MiroThinker-H1) change la donne. Ce n'est pas un coureur qui court plus vite, c'est un détective de génie qui sait exactement où regarder, quand s'arrêter pour réfléchir, et comment vérifier ses preuves avant de conclure.

Voici comment cela fonctionne, étape par étape :

1. Le Entraînement Spécial : Apprendre à ne pas paniquer

Pour créer MiroThinker, les chercheurs ne se sont pas contentés de lui donner plus de livres à lire. Ils lui ont donné un entraînement spécial de "détective".

• L'ancienne méthode : On laissait l'IA chercher au hasard.
• La méthode MiroThinker : On lui a appris à planifier avant d'agir. Imaginez un architecte qui dessine le plan d'une maison avant de poser la première brique. MiroThinker apprend à décomposer un gros problème en petites étapes logiques, à utiliser ses outils (comme un navigateur web ou un codeur) avec précision, et à résumer ce qu'il a trouvé avant de continuer.
• Le résultat : Chaque action qu'il fait est plus intelligente. Il ne fait pas 100 pas pour arriver à la même place qu'un autre qui en fait 20. Il fait 20 pas, mais ils sont tous utiles.

2. Le Système de Vérification : Le "Double Check"

C'est la grande innovation de la version H1 (Heavy-Duty / Haute Performance).

Imaginez que vous écrivez un roman.

• Le mode normal : Vous écrivez une page, puis une autre, jusqu'à la fin, en espérant que l'histoire tienne debout.
• Le mode MiroThinker-H1 : Il a deux inspecteurs invisibles qui travaillent avec lui :
  1. L'Inspecteur Local (Le Gardien de l'Étape) : À chaque fois que le détective fait une action (par exemple, "Je vais chercher ce document"), l'inspecteur local dit : "Attends, est-ce que c'est vraiment la bonne page ? Est-ce que tu as bien compris ?" Si ce n'est pas clair, il corrige immédiatement avant de continuer. Cela évite de partir dans une mauvaise direction.
  2. L'Inspecteur Global (Le Chef de Police) : À la fin, il regarde tout le dossier. Il dit : "Ok, tu as trouvé ces preuves. Est-ce qu'elles racontent vraiment l'histoire ? Est-ce qu'il manque un élément ?" Si la réponse n'est pas solide, il demande au détective de chercher encore un peu.

C'est comme si vous aviez un double système de freinage : un pour chaque roue (local) et un pour toute la voiture (global).

3. Les Résultats : Plus rapide, plus précis, moins fatigué

Grâce à cette méthode, MiroThinker-H1 a battu les meilleurs IA du marché (comme celles de Google, OpenAI ou Claude) sur des tests très difficiles :

• Recherche Web : Il trouve l'aiguille dans la botte de foin beaucoup mieux que les autres.
• Science et Finance : Il comprend les concepts complexes sans se tromper.
• Efficacité : C'est le plus impressionnant. Pour obtenir un résultat aussi bon, il utilise moins de temps de calcul et fait moins d'erreurs que ses concurrents. Il ne gaspille pas d'énergie à tourner en rond.

4. Pourquoi c'est important pour nous ?

Aujourd'hui, beaucoup d'IA sont comme des parleurs brillants : elles parlent bien, mais elles peuvent inventer des faits (hallucinations) ou se perdre dans des tâches longues.

MiroThinker est comme un collègue de travail ultra-fiable.

• Si vous lui demandez de faire une étude de marché, il ne vous donnera pas un texte généré à la va-vite.
• Il ira chercher les vraies données, vérifiera chaque chiffre, et vous dira : "Voici ce que j'ai trouvé, voici mes sources, et voici pourquoi je suis sûr de ce résultat."

En résumé

MiroThinker nous apprend une leçon précieuse : La qualité bat la quantité.
Au lieu de faire des IA qui "pensent" plus longtemps (et qui font plus d'erreurs), les chercheurs ont créé une IA qui pense mieux à chaque étape et qui vérifie ses preuves en permanence. C'est le passage d'un simple "chatbot" à un véritable assistant de recherche autonome et fiable.

Et le meilleur ? Les chercheurs ont rendu une version de ce cerveau disponible gratuitement pour tout le monde, permettant à chacun de créer ses propres détectives numériques ! 🕵️‍♀️🚀

Résumé technique

1. Problématique

Les modèles de langage (LLM) actuels excellent dans la génération de texte fluide, mais peinent à résoudre des problèmes réels complexes (recherche scientifique, analyse financière, recherche ouverte) qui nécessitent des chaînes de raisonnement longues et itératives.

• Limitation des approches actuelles : L'augmentation simple de la longueur des trajectoires de raisonnement (plus d'étapes d'interaction) ne garantit pas une meilleure performance. Au contraire, si les étapes intermédiaires sont imprécises ou mal ancrées, des trajectoires plus longues accumulent du bruit, propagent les erreurs et dégradent la qualité de la solution finale.
• Hypothèse centrale : L'amélioration du raisonnement à long terme ne dépend pas de la quantité d'interactions, mais de la qualité de chaque interaction (capacités atomiques fortes) et de la présence de mécanismes de vérification pour affiner le raisonnement en cours de route.

2. Méthodologie

L'équipe propose une approche en deux volets : l'amélioration des capacités de base via un pipeline d'entraînement intégré et l'introduction d'un mode de raisonnement "lourd" (Heavy-Duty) basé sur la vérification.

A. Pipeline d'Entraînement Intégré (MiroThinker-1.7)

Basé sur des modèles Qwen3 MoE, le modèle subit quatre étapes d'entraînement :

1. Mid-training Agentique : Une phase cruciale visant à renforcer les capacités atomiques (planification, raisonnement, utilisation d'outils, résumé). Elle utilise une supervision à grande échelle incluant la planification à froid, le raisonnement conditionné au contexte et la synthèse de réponses partielles.
2. Affinement Supervisé (SFT) : Apprentissage par imitation de trajectoires d'experts structurées (pensée-action-observation), nettoyées des erreurs et des boucles inutiles.
3. Optimisation des Préférences (DPO) : Alignement des décisions du modèle sur les objectifs de la tâche en utilisant des paires de préférences basées sur la justesse de la réponse finale, sans contraintes structurelles rigides (pour éviter les biais).
4. Apprentissage par Renforcement (RL) : Utilisation de l'algorithme GRPO (Group Relative Policy Optimization) dans des environnements réels. Un mécanisme de contrôle d'entropie est ajouté pour empêcher l'effondrement prématuré de l'exploration, permettant au modèle de découvrir de nouvelles solutions par essais et erreurs.

B. Mode de Raisonnement "Heavy-Duty" (MiroThinker-H1)

Cette version intègre une vérification explicite à deux niveaux pour auditer le processus de raisonnement :

• Vérificateur Local (Local Verifier) : Évalue et affine chaque étape intermédiaire (décisions de planification, appels d'outils, mises à jour d'hypothèses) pendant l'inférence. Cela permet de corriger les erreurs tôt et d'explorer des alternatives plutôt que de suivre aveuglément le chemin le plus probable.
• Vérificateur Global (Global Verifier) : Audite l'ensemble de la trajectoire de raisonnement. Il compare les chemins de solution candidats pour s'assurer que la réponse finale est soutenue par une chaîne de preuves cohérente et complète. Si les preuves sont insuffisantes, le système demande au modèle de rééchantillonner ou de compléter sa recherche.

C. Architecture et Outils

Le système fonctionne selon une boucle d'interaction ReAct améliorée :

• Gestion du contexte : Utilisation d'une fenêtre glissante pour les observations (garder les 5 dernières) tout en conservant la trace complète des pensées et actions, permettant des trajectoires très longues sans dépasser la limite de tokens.
• Interface d'outils : Accès à la recherche web (Google), au scraping de contenu (via Jina), à l'exécution de code (sandbox E2B Linux) et au transfert de fichiers.
• Construction de données : Un pipeline de génération de questions QA (Corpus-based et WebHop) crée des données d'entraînement complexes, multi-sauts et vérifiées, avec des mécanismes d'obfuscation pour éviter les raccourcis.

3. Contributions Clés

1. MiroThinker-1.7 : Un agent de recherche profond qui démontre que l'amélioration des capacités atomiques (via le mid-training) permet une mise à l'échelle efficace des interactions, réduisant le nombre de tours nécessaires pour résoudre des tâches complexes.
2. MiroThinker-H1 : Le premier système à intégrer systématiquement une vérification locale et globale dans le processus de raisonnement long, transformant l'agent en un système "Heavy-Duty" capable de corriger ses propres erreurs en temps réel.
3. Modèles Open Source : Publication de MiroThinker-1.7 et MiroThinker-1.7-mini (3B paramètres activés), offrant des capacités compétitives avec une efficacité accrue.
4. Preuve de concept sur l'échelle d'interaction : Démonstration que réduire le nombre d'étapes tout en augmentant leur qualité est plus efficace que d'augmenter simplement la longueur de la trajectoire.

4. Résultats

Les modèles ont été évalués sur une large gamme de benchmarks couvrant la recherche web, le raisonnement scientifique et l'analyse financière.

• Performance Globale (SOTA) :
  • BrowseComp : MiroThinker-H1 atteint 88.2, surpassant les meilleurs agents commerciaux (Gemini-3.1-Pro à 85.9, Claude-4.6 à 84.0).
  • BrowseComp-ZH : 84.4, battant Seed-2.0-Pro (82.4).
  • GAIA : 88.5, établissant un nouveau record (12,1 points de plus que GPT-5).
  • SEAL-0 : 61.3, le meilleur résultat parmi tous les modèles évalués.
• Domaines Spécialisés :
  • FrontierScience-Olympiad : 79.0 (devant GPT-5.2-high à 77.1).
  • FinSearchComp : 73.9 (meilleur score).
  • MedBrowseComp : 56.5.
• Efficacité et Échelle :
  • MiroThinker-1.7-mini (3B paramètres) surpasse des modèles massifs comme GPT-5 et DeepSeek-V3.2 sur plusieurs benchmarks, prouvant l'efficacité de l'entraînement agentique.
  • Comparé à la version précédente (1.5), la version 1.7-mini obtient 16,7 % de meilleures performances avec 43 % de tours d'interaction en moins.
• Vérification : L'ajout du vérificateur local sur un sous-ensemble difficile de BrowseComp a réduit le nombre d'étapes de 1185 à 210 (environ 1/6) tout en augmentant le taux de réussite de +26,4 points.

5. Signification et Impact

Ce travail marque un tournant dans le développement des agents IA :

• Changement de paradigme : Il déplace le focus de la simple extension des trajectoires de raisonnement vers l'amélioration de la fiabilité de chaque étape et l'intégration de la vérification.
• Robustesse : L'approche "Heavy-Duty" avec vérification à deux niveaux rend les agents beaucoup plus fiables pour des tâches critiques où les erreurs de raisonnement sont coûteuses.
• Accessibilité : La disponibilité de modèles open-source performants (1.7 et 1.7-mini) démocratise l'accès à des capacités de recherche profonde de niveau SOTA, permettant à la communauté de construire sur ces fondations sans dépendre uniquement de modèles propriétaires fermés.

En résumé, MiroThinker-H1 établit un nouvel état de l'art pour les agents de recherche autonome, prouvant que la combinaison d'un entraînement agentique rigoureux et d'une vérification systématique est la clé pour résoudre des problèmes complexes du monde réel.