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

本文介绍了专为复杂长程推理任务设计的 MiroThinker-1.7 及其具备强验证能力的扩展版本 H1，通过引入结构化规划、工具交互及多层次验证机制，在开放网络研究、科学推理和金融分析等基准测试中实现了最先进的性能，并开源了相关模型以提升研究代理的效率与可靠性。

要点

这篇论文介绍了一个名为 MiroThinker 的超级智能助手团队，特别是他们的两个新成员：MiroThinker-1.7 和更强大的 MiroThinker-H1。

为了让你轻松理解，我们可以把做复杂的“深度研究”（比如写一份关于全球气候变化的深度报告，或者分析一家公司的财务风险）想象成在一个巨大的迷宫里寻找宝藏。

1. 以前的困境：盲目乱撞 vs. 聪明规划

以前的 AI 助手（就像刚进迷宫的新手）虽然很聪明，但面对复杂任务时，它们往往喜欢**“盲目乱撞”**。

• 问题：它们可能会走很多弯路，或者在一条死胡同里钻牛角尖，甚至因为走错了一步，后面就跟着错了一连串（就像在迷宫里走错了路口，后面所有的路都白走了）。
• 旧观念：人们曾以为，只要让 AI 多走几步、多问几次（增加交互次数），它就能找到答案。
• 新发现：MiroThinker 团队发现，“走得快”不如“走得对”。如果每一步都走错了，走一万步也是徒劳。

2. MiroThinker-1.7：训练有素的“探路者”

MiroThinker-1.7 就像是一个经过严格特训的探路者。

• 核心技能：它不再盲目乱跑，而是学会了**“三步走”**：
  1. 先画地图（规划）：在出发前，先想好大致的路线。
  2. 边走边看（推理）：每走一步，都仔细思考这一步对不对，需不需要调整。
  3. 定期总结（工具使用）：每收集一点信息，就整理一下，而不是把一堆杂乱无章的纸条塞进脑子里。
• 效果：它不需要走很多步就能找到宝藏，而且每一步都踩在点子上。这就好比它手里有一张精准的指南针，而不是靠运气蒙。

3. MiroThinker-H1：自带“纠错员”和“质检官”的超级特工

如果说 1.7 是探路者，那 MiroThinker-H1 就是带了两名超级保镖的精英特工。它引入了一个核心概念：“验证”（Verification）。

想象一下，你在做一道超级难的数学题：

• 本地验证（Local Verifier）—— 随身纠错员：
  • 当你算到第 3 步时，这个“纠错员”会立刻跳出来检查：“嘿，你刚才这一步好像有点不对劲，要不要换个思路？”
  • 作用：它能在错误刚发生时就立刻修正，防止你沿着错误的方向越走越远。这让 H1 在遇到难题时，能迅速掉头，而不是死磕。
• 全局验证（Global Verifier）—— 最终质检官：
  • 当你终于找到了宝藏（答案），这个“质检官”会站在高处审视整个旅程：“你找到的这个宝藏，真的是我们要找的吗？你走过的所有路，证据链完整吗？”
  • 作用：如果证据不足，它会拒绝提交答案，并命令特工重新去搜集证据，直到万无一失。

4. 为什么它们这么厉害？（实战成绩）

论文里展示了很多“考试”成绩（比如 BrowseComp、科学竞赛、金融分析等）：

• MiroThinker-H1 在这些考试中几乎拿遍了第一，甚至超过了像 GPT-5、Claude 4.6 这样世界顶级的商业模型。
• 特别是在科学推理和金融分析这种需要极高准确率的领域，H1 表现得像个老练的专家，而不是只会背书的机器。
• 更有趣的是，他们还有一个**“迷你版”（MiroThinker-1.7-mini），虽然个头小（参数少），但因为训练得特别好，也能打败很多大个子模型。这就像是一个身材瘦小但身怀绝技的武林高手**，比那些笨重的大块头更灵活、更精准。

5. 总结：从“堆时间”到“拼质量”

这篇论文的核心思想可以总结为一句话：
做复杂的事情，靠的不是“死磕”和“堆时间”，而是“每一步都要走对”和“随时自我检查”。

• 以前的 AI：像是一个勤奋但有点迷糊的学生，为了做对题，疯狂刷题，但经常因为粗心做错。
• MiroThinker：像是一个聪明的侦探，它懂得规划路线，每走一步都自我反省，每到一个关键节点都有人帮它把关。

一句话概括：MiroThinker 让 AI 从“盲目努力”变成了“聪明地努力”，不仅能自己查资料、写报告，还能像人类专家一样，在犯错时及时回头，确保最终给出的答案是经过千锤百炼的真理。

技术摘要

MiroThinker-1.7 & H1 技术报告详细总结

1. 研究背景与问题定义 (Problem)

随着大语言模型（LLM）在文本生成和问答方面的进步，其在处理科学分析、金融推理和开放式研究等复杂现实世界任务时仍面临巨大挑战。这些任务通常涉及长链条推理、迭代式信息收集以及对中间结论的验证。

现有的智能体（Agent）系统虽然展示了多步推理能力，但单纯增加推理轨迹的长度（Scaling interaction length）并不能可靠地提升性能。如果中间步骤不准确或缺乏事实依据，更长的交互轨迹反而会导致噪声累积、错误传播，最终降低解决方案的质量。

核心问题：如何在不盲目增加交互步数的情况下，提升长视野（Long-horizon）推理的有效性和可靠性？即如何实现“有效交互的扩展”（Effective Interaction Scaling），而非仅仅是“轨迹长度的扩展”。

2. 方法论 (Methodology)

MiroThinker 团队提出了 MiroThinker-1.7 及其旗舰版本 MiroThinker-H1，通过以下核心方法论解决上述问题：

2.1 核心设计理念

• 有效交互扩展：强调提升每一步交互的质量（原子能力），而非单纯增加步数。
• 以验证为中心（Verification-Centric）：将验证机制深度集成到推理过程中，包括局部（Local）和全局（Global）两个层面。

2.2 训练流水线 (Training Pipeline)

基于 Qwen3 MoE 架构，MiroThinker-1.7 采用四阶段训练流程：

1. 智能体中期训练 (Agentic Mid-training)：
   • 目标：强化原子智能体能力（规划、推理、工具使用、答案总结）。
   • 数据：大规模监督数据，涵盖冷启动规划、上下文条件推理和中间总结。
   • 效果：使模型在每一步交互中都能做出更可靠、更 grounded 的决策。
2. 监督微调 (SFT)：
   • 学习结构化的智能体交互行为，模仿专家轨迹（Thought-Action-Observation 三元组）。
   • 通过严格的数据清洗去除噪声和错误模式。
3. 偏好优化 (Preference Optimization, DPO)：
   • 基于答案正确性（Correctness-Based）而非预设的结构约束来构建偏好数据。
   • 引入偏好蒸馏 (Preference Distillation) 策略，利用更强模型的信号指导小模型（如 1.7-mini）。
4. 强化学习 (Reinforcement Learning, GRPO)：
   • 在真实环境中通过试错自主优化行为。
   • 采用 Group Relative Policy Optimization (GRPO) 算法。
   • 引入熵控制机制，防止策略过早坍缩，维持探索能力。

2.3 高质量问答构建 (QA Construction)

设计了双流水线合成框架：

• 基于语料库的流水线 (Corpus-based)：利用知识图谱生成大规模、多样化的基础推理数据。
• Web 增强多跳流水线 (WebHop)：结合实时网络搜索，构建具有层级难度控制和可验证性的多跳推理树，确保问题既难解又非平凡。

2.4 推理架构与工具

• 双循环结构：包含外层“回合循环”（处理轨迹重启）和内层“步骤循环”（推理、工具调用、观察）。
• 上下文管理：采用滑动窗口（Sliding-Window）过滤机制，保留完整的思维链但仅保留最近的观察结果，以平衡上下文预算和推理深度。
• 工具集：集成信息检索（Google Search, 网页抓取）、代码执行（E2B 沙箱）和文件传输工具。

2.5 MiroThinker-H1：重型推理模式 (Heavy-Duty Reasoning)

在 1.7 的基础上，H1 引入了验证中心推理模式：

• 局部验证器 (Local Verifier)：在推理过程中实时评估中间步骤（如规划决策、工具调用），允许模型在早期纠正错误，避免沿错误路径深入。
• 全局验证器 (Global Verifier)：审计完整的推理轨迹，比较候选解决方案路径，确保最终答案由最连贯、证据最充分的链条支持。利用“验证比生成更容易”的不对称性，在计算预算可控的情况下选择最佳答案。

3. 关键贡献 (Key Contributions)

1. 提出了“有效交互扩展”的新范式：证明了通过提升单步推理质量（规划、工具使用、验证）比单纯增加交互步数更能解决复杂任务。
2. 构建了完整的智能体训练流水线：从中期训练到强化学习，系统性地提升了模型在规划、推理和工具使用上的原子能力。
3. 首创了验证中心的推理模式 (H1)：将局部和全局验证机制深度集成到推理循环中，显著提高了长视野任务的可靠性和准确性。
4. 开源了高性能模型：发布了 MiroThinker-1.7、MiroThinker-1.7-mini（3B 激活参数）以及 MiroThinker-H1，提供了具有竞争力的开源研究智能体能力。
5. 构建了高质量的数据合成框架：通过 WebHop 和语料库流水线，解决了训练数据中推理深度控制和事实性验证的难题。

4. 实验结果 (Results)

MiroThinker 系列在多个基准测试中取得了State-of-the-Art (SOTA) 或极具竞争力的成绩：

• 通用智能体基准：
  • BrowseComp: H1 达到 88.2，超越 GPT-5.4 (82.7) 和 Gemini-3.1-Pro (85.9)。
  • BrowseComp-ZH: H1 达到 84.4，超越 Seed-2.0-Pro (82.4)。
  • GAIA: H1 达到 88.5，超越 GPT-5 (76.4) 达 12.1 个百分点。
  • SEAL-0: H1 达到 61.3，刷新所有评估模型的最佳记录。
• 专业领域基准：
  • FrontierScience-Olympiad (科学推理): H1 达到 79.0，超越 GPT-5.2-high (77.1)。
  • FinSearchComp (金融分析): H1 达到 73.9，表现最佳。
  • MedBrowseComp (医疗): H1 达到 56.5，表现最佳。
• 长报告生成：
  • 在 DeepResearchEval 评估中，H1 在报告质量（76.8）和事实性（79.1）上均达到 SOTA，优于 ChatGPT-5.4 Deep Research。
• 效率与扩展性：
  • MiroThinker-1.7-mini (3B 参数) 在多个基准上超越 GPT-5 和 DeepSeek-V3.2，证明了小模型的高效性。
  • 交互效率：相比 MiroThinker-1.5，1.7-mini 在性能提升 16.7% 的同时，交互轮数减少了 43.0%，验证了“有效交互”假说。
  • 计算扩展：H1 在 BrowseComp 上表现出对计算量的对数线性扩展能力，计算量增加 64 倍，准确率从 85.9% 提升至 88.2%。

5. 意义与影响 (Significance)

• 推动 AI 智能体发展：MiroThinker 证明了通过结构化训练和验证机制，可以显著提升 LLM 在复杂、长视野任务中的可靠性，为构建真正的自主研究助手提供了新路径。
• 开源生态贡献：发布的 MiroThinker-1.7 和 1.7-mini 模型为学术界和工业界提供了强大的基座，使得在资源受限的情况下也能构建高性能的研究智能体。
• 方法论创新：提出的“以验证为中心”的推理模式和“有效交互扩展”理念，为解决当前智能体在长链条任务中容易“迷失”或“幻觉”的问题提供了通用的解决方案。
• 跨领域适用性：在科学、金融、医疗等专业领域的优异表现，表明该框架具有极强的泛化能力，有望在垂直行业落地应用。

总结：MiroThinker-1.7 & H1 通过强化单步原子能力和引入多层级验证机制，成功解决了长视野推理中的可靠性难题，在多项基准测试中超越了包括 GPT-5、Claude-4.6 在内的顶尖商业模型，代表了当前开源研究智能体的最高水平。