这项由MiroMind团队开展的研究发表于2026年3月16日的arXiv预印本平台，论文编号为arXiv:2603.15726v1。有兴趣深入了解的读者可以通过这个编号查询完整论文内容。

说到人工智能，大多数人可能都有这样的体验：AI助手能够快速回答简单问题，但一旦遇到需要深入研究、多步骤推理的复杂任务时，往往会力不从心。就像一个聪明但缺乏经验的实习生，虽然知识渊博，却不知道如何系统性地解决真正困难的问题。MiroMind团队最新发布的MiroThinker-1.7和MiroThinker-H1研究成果，正是为了让AI真正具备像资深研究专家一样的思维能力。

回到问题的核心，当前大多数AI系统在面对复杂任务时，往往采用简单粗暴的"试错"策略——不断增加推理步骤的数量，希望通过更多的尝试来找到正确答案。这就好比一个迷路的人，不是先研究地图制定路线，而是盲目地在各个路口随意转弯，期望通过更多的步数最终到达目的地。显然，这种方法不仅低效，还可能越走越远。

MiroMind团队提出了一个全新的思路：与其让AI进行更多的盲目尝试，不如让它在每一步都更加可靠和有效。他们开发的MiroThinker-1.7通过一套创新的训练方法，显著提升了AI在每个推理步骤中的质量。而更进一步的MiroThinker-H1则引入了一套验证机制，就像给AI配备了一个内置的"质量检查员"，能够在推理过程中及时发现和纠正错误。

这项研究的突破性在于，它首次系统性地将验证机制直接整合到AI的推理过程中。传统的AI系统往往是"一路走到黑"，而MiroThinker-H1则具备了"边走边检查"的能力。这种设计让AI能够在复杂的研究任务中保持高度的准确性和可靠性，特别是在需要长时间、多步骤推理的场景下表现尤为突出。

一、让AI学会像专家一样规划和思考

要理解MiroThinker-1.7的创新之处，不妨类比一下专业厨师和业余爱好者的区别。业余爱好者做菜时往往是想到哪做到哪，遇到问题就临时应对，结果常常手忙脚乱。而专业厨师则会在开始之前就制定详细的烹饪计划，准备好所有食材和工具，并且在每个步骤都有明确的目标和标准。

MiroThinker-1.7的核心改进正是让AI具备了这种"专业厨师"般的思维能力。研究团队设计了一套全新的训练流程，分为四个阶段：中期训练、监督微调、偏好优化和强化学习。每个阶段都有其特定的作用，就像培养一个专业人才需要经过基础教育、专业训练、实践指导和实战演练等不同阶段。

在中期训练阶段，研究团队特别注重提升AI的"原子能力"——也就是在每个具体步骤中的基本技能。这包括规划能力、推理能力、工具使用能力和总结能力。可以把这个阶段想象成培养一个研究助手的基本功：如何制定研究计划、如何进行逻辑分析、如何使用各种研究工具、如何整理和总结信息。

为了让AI学会制定高质量的计划，研究团队构建了大量的规划训练数据。他们设计了一套"规划师-评判员"的过滤机制，就像有一位经验丰富的导师在旁边指导。当AI制定的计划存在明显问题时——比如直接复制问题、搜索策略过于局限、过早猜测答案或检索范围不足——这套机制会及时发现并要求重新制定。只有通过质量检查的高质量规划才会被用于训练，确保AI学到的都是正确的思维模式。

除了规划能力，研究团队还专门训练AI的推理和总结能力。他们从成功的多步骤研究轨迹中提取单个步骤，然后重新编写成更高质量的版本。这就像让学生观摩优秀论文的写作过程，不是简单地背诵整篇文章，而是深入理解每个段落的逻辑结构和表达技巧。通过这种方式，AI能够学会在各种不同的情境下做出恰当的推理决策。

特别值得注意的是，整个训练过程采用了统一的目标函数，确保AI在学习各种技能时保持一致性。同时，研究团队还混入了通用的指令跟随数据和知识密集型数据，防止AI在专业化训练过程中丢失其他重要能力。这种设计就像培养一个全面发展的专业人才，既要有深度专业技能，也要保持广泛的知识基础。

二、构建智能助手的"工具箱"

一个优秀的研究者不仅需要扎实的理论基础，还必须熟练掌握各种研究工具。MiroThinker-1.7为AI配备了一套完整的"工具箱"，让它能够像人类研究者一样与外部世界进行有效互动。

这套工具系统分为三个主要类别，每一类都针对研究过程中的特定需求。信息检索工具就像AI的"图书馆卡"，让它能够在互联网这个巨大的知识库中精准地找到所需信息。具体来说，谷歌搜索工具允许AI提交结构化查询并获得排序结果，而网页抓取工具则能够从特定网址提取详细内容。为了应对网络环境的复杂性，系统还采用了多层级的备用机制，即使某个数据源不可用，也能通过其他渠道获取信息。

更重要的是，系统还配备了一个轻量级的语言模型作为"内容编辑器"，能够将冗长的网页内容精炼成任务相关的核心信息。这就像有一个专业的研究助手帮你阅读大量文献，然后提炼出最重要的观点和数据。这种设计既提高了信息质量，又避免了AI的注意力被无关信息分散。

代码执行工具则为AI提供了一个安全的"实验室环境"。通过E2B Linux沙盒，AI可以安全地运行各种命令和Python脚本，进行数值计算和数据处理。这就像给研究者提供了一个专门的实验室，可以进行各种测试和分析，而不用担心影响其他工作。沙盒环境的隔离特性确保了系统的安全性和稳定性。

文件传输工具则充当了AI与外部世界的"桥梁"。它不仅能够在沙盒环境和本地系统之间传输文件，还能直接从互联网下载所需的数据集或文档。这种设计让AI能够灵活地处理各种格式的研究材料，从文本文档到数据集，再到图表和图片。

为了确保长时间研究任务的可行性，系统还实现了智能的上下文管理机制。这个机制采用了"滑动窗口"的策略，保留最近5个步骤的完整观察结果，同时保持所有推理和行动的完整记录。这就像一个研究者在做笔记时，会详细记录自己的思考过程和决策，但对于具体的数据和细节则只保留最新最相关的部分。

当某个研究轨迹超出了预设的最大步数限制时，系统会启动"清洁重启"机制。这并不是简单的失败，而是像研究者在发现当前方向有问题时，重新审视问题并制定新的研究策略。这种设计确保AI能够在复杂任务中保持灵活性和适应性。

三、打造高质量的训练"食谱"

要让AI真正学会复杂推理，仅仅有好的架构是不够的，还需要高质量的训练数据。MiroMind团队设计了一套双管道的问答构建框架，就像准备一顿丰富的大餐需要多种不同的烹饪方法和食材。

第一条管道被称为"基于语料库的管道"，主要负责大规模、高效率的数据生产。这个过程就像经营一家大型面包工厂，注重产量和覆盖面的广度。研究团队从高度互联的知识源（如维基百科、OpenAlex）构建文档语料库，保持超链接的拓扑结构。对于每个种子文档，系统会通过内部超链接采样连接的子图，提取跨文档的事实陈述，然后使用强大的语言模型合成多跳问答对。

这种方法的优势在于能够快速生成大量具有不同问题形式和推理模式的训练样本。通过提示驱动的多样化和混淆技术，系统能够生成各种类型的问题，从简单的事实查询到复杂的逻辑推理。然而，这种方法在难度控制方面存在一定局限性，无法精确控制推理深度或系统性地控制信息泄露。

第二条管道被称为"网络增强多跳管道"（WebHop），专门负责生产精准校准的高难度样本。如果说第一条管道像面包工厂，那么这条管道就像高端餐厅的主厨工作台，每道菜都经过精心设计和严格品控。

WebHop管道通过三个核心机制确保问题质量。首先是结构化多跳图构建，系统会构建以答案实体为根节点的有向推理树，其中每条边都代表一个可验证的语义关系。树的深度控制推理跳数，事实提取限制在父子边上，防止绕过预定推理路径的捷径解答。

其次是基于网络的语义扩展，为了拓宽语料库之外的知识分布，系统通过实时网络搜索扩展推理图。根节点实体来自现有知识库以确保答案可验证，子节点则通过检索和选择语义相关的网页进行扩展，同时排除百科全书类源以引入真正新颖的知识。

最后是分层可解性验证，确保每个问题既可解又有足够难度。对于每个父子关系，系统验证了解子实体是否足以将父实体候选集缩小到较小范围。对于根实体，系统采用更严格的标准：必须仅从一跳邻居就能唯一识别，这通过提示语言模型从匿名事实表推断隐藏根来验证。

为了进一步提高问题质量，系统还实现了自适应叶节点混淆机制。最可能通过表面关联泄露答案的叶实体会被功能性描述替代，扩大可信指涉对象的集合。每个描述都经过自动验证：如果语言模型能直接从描述识别原始实体，则拒绝并重新生成。

除了生成时的控制外，研究团队还应用了事后的难度自适应过滤。使用不同能力的搜索代理来测试问题难度，能被较弱代理解决的问题分配给早期训练阶段，而那些连强代理都难以解决的问题则保留给后期的强化学习阶段。这种设计产生了一个难度分级的语料库，支持课程式训练。

四、四个阶段的系统性训练策略

有了高质量的训练数据，接下来就是如何有效地训练AI模型。MiroMind团队设计了一个四阶段的训练流程，就像培养一个专业研究员需要经过不同层次的教育和实践。

第一阶段是代理中期训练，主要目的是强化AI的基础代理能力。这个阶段就像大学的基础课程，需要打好扎实的理论基础。训练重点包括规划、推理、工具使用和答案总结等核心技能。为了实现这个目标，研究团队扩展了大规模的代理监督语料库，涵盖单轮规划、推理和总结数据。

在规划能力提升方面，系统构建了大规模单轮规划语料库，模型需要学会仅根据用户查询就产生结构化计划和首次工具调用。底层数据来自多样化的问答源，包括合成多跳问答和开放域任务数据，并在各个领域进行了刻意多样化以促进泛化。通过分类感知的规划师-评判员过滤管道确保质量，语言模型评判员首先将每个问题分类到标准类别，然后应用特定类别的标准来拒绝常见失败模式。

在推理和总结能力塑造方面，系统训练模型处理从多轮代理轨迹构建的交错推理和总结数据。与端到端监督整个轨迹不同，系统隔离步骤k处的单个轮次，并将其重写为更高质量的目标，以完整的前置上下文为条件。根据选定轮次的角色，重写针对逐步推理或中间总结。为了提高泛化能力，系统随机应用上下文总结策略，让模型学会在变化的上下文条件下灵活推理和总结。

第二阶段是代理监督微调，主要目的是让AI学会结构化的代理交互行为。这个阶段就像专业实习，需要在真实环境中应用所学知识。系统策划了大规模监督微调数据集，每个样本包含任务指令和专家轨迹。专家轨迹表示为思考-行动-观察三元组序列。

为了确保训练数据的质量，研究团队发现原始轨迹即使由强大语言模型生成，也常常包含大量噪音。因此他们应用了全面的基于规则的过滤和数据清理流程，去除重复内容、格式错误的工具调用和不良行为模式。每个轨迹都被格式化为用户和助手之间的多轮对话，用户提供初始任务指令和每步的工具观察，助手生成对应的推理思考和工具调用。

第三阶段是代理偏好优化，通过直接偏好优化进一步改善模型的决策能力。这个阶段就像有经验的导师进行个性化指导，帮助纠正错误的思维习惯。系统构建了成对偏好数据集，每个任务指令配对一个偏好轨迹和一个非偏好轨迹。

偏好判定主要基于正确性，不施加结构化约束。一些先前工作依赖手工启发式或强制固定代理模式来定义偏好，但研究团队观察到这种约束可能引入系统性偏差并限制跨不同任务和领域的泛化。因此他们不施加任何刚性结构要求，仅使用答案正确性作为排序信号。

为了确保轨迹质量，系统应用了严格过滤：选择轨迹必须包含连贯推理、明确规划过程和正确最终答案；拒绝轨迹也必须产生有效最终答案。训练目标结合了直接偏好优化损失和在偏好样本上的辅助监督微调损失，以改善训练稳定性并保持行为一致性。

第四阶段是代理强化学习，让模型在真实环境中通过试错来自主改进行为。这个阶段就像独立开展研究项目，需要在复杂的现实环境中做出决策并承担后果。系统采用群组相对策略优化（GRPO），以纯在线方式运行。

为了支持大规模代理强化学习，研究团队构建了分布式基础设施，涵盖多源网络检索、页面级内容提取和总结。配合这些环境，他们部署了专门的基于语言模型的答案验证模块，在严格延迟约束下判定嘈杂代理响应是否匹配参考解决方案。

在MiroThinker 1.0引入的流式展开加速基础上，系统进一步引入了优先调度策略，推进长尾展开以便尽早完成并纳入训练，防止困难样本被长期排除而扭曲训练分布。为了维持策略熵并防止过早熵坍塌，系统引入了目标熵控制机制，对负展开中的低对数概率令牌应用辅助KL惩罚。

五、引入验证机制的重量级推理模式

在MiroThinker-1.7的基础上，研究团队进一步开发了MiroThinker-H1，这是一个真正的重量级推理系统。如果说MiroThinker-1.7像一个经验丰富的研究助手，那么MiroThinker-H1就像一个配备了专业审核团队的高级研究所。

这个系统的核心创新在于引入了验证中心的推理模式，包括本地验证器和全局验证器两个独立的审核机制。这种设计第一次系统性地将显式验证整合到长时间推理过程中，就像为AI的思维过程配备了多层质量检查机制。

本地验证器的作用类似于一个贴身的质量监督员。在标准的推理模式下，AI通常会选择概率最高的路径，这往往会让它陷入习惯性的思维模式。本地验证器通过提示AI更彻底地探索和选择性地从环境中收集反馈来对抗这种倾向。这鼓励AI进行更全面的解决方案空间搜索，而不是让探索退化为重复确认模型自身偏好的过程。

具体来说，当AI在每个推理步骤中做出决策时，本地验证器会质疑这个决策是否足够可靠，是否考虑了其他可能性。这就像有一个经验丰富的导师在旁边不断提醒："你确定这样做是对的吗？有没有考虑过其他方法？"通过这种方式，AI被迫跳出舒适区，考虑更多可能的解决方案。

全局验证器则承担着更高层次的质量控制职能。它利用了一个长期被忽视的事实：验证往往比生成更容易。通过这种生成-验证不对称性，全局验证器组织收集到的完整证据链。如果证据不充分，系统会要求AI重新采样或完善其推理链，而不是提供过早的答案。

在可控的计算预算下，系统最终选择由最完整和可靠证据支持的答案。这就像一个高水平的学术委员会在评审研究成果，不仅要看结论是否正确，还要检查整个推理过程是否严谨、证据是否充分。只有通过了这种严格审查的答案才会被最终采纳。

这种双重验证机制的设计理念是，与其让AI进行更多的盲目尝试，不如让它在每一步都更加审慎和可靠。本地验证器确保每个中间步骤的质量，而全局验证器则保证整体推理链的连贯性和完整性。两者相结合，形成了一个强大的质量保证体系。

特别值得注意的是，这种验证机制并不是简单的错误检测，而是一种主动的改进机制。当发现问题时，系统不是简单地报错，而是引导AI重新思考和改进。这种设计让AI能够从错误中学习，逐步提升自己的推理能力。

六、在实际任务中的出色表现

理论再好，最终还要看实际效果。MiroMind团队在多个具有挑战性的基准测试中验证了他们的系统性能，结果令人印象深刻。这些测试涵盖了从开放网络研究到科学推理，再到金融分析等多个领域，就像让AI参加了一场全科的综合考试。

在网络浏览和信息检索任务方面，MiroThinker-H1在BrowseComp基准测试中获得了88.2分，在BrowseComp-ZH中获得了84.4分。这些成绩不仅超越了强大的开源模型，甚至超过了一些知名的商业AI系统，如Gemini-3.1-Pro和Claude-4.6-Opus。这相当于在一场国际竞赛中击败了许多经验丰富的选手。

在更加综合的推理任务中，MiroThinker-H1在GAIA基准测试中取得了88.5分的成绩，相比之前的最佳模型OpenAI-GPT-5的76.4分，提升了整整12.1个百分点。这种提升幅度在AI领域是相当显著的，就像在考试中从良好水平跃升到优秀水平。

在专业领域的表现同样出色。在科学推理方面，MiroThinker-H1在FrontierScience-Olympiad测试中获得79.0分，超越了GPT-5.2-high的77.1分和Gemini-3-Pro的76.1分。在金融分析领域的FinSearchComp测试中，系统达到了73.9分的高分。在医学领域的MedBrowseComp测试中也取得了56.5分的优异成绩。

更令人惊讶的是，即使是较小版本的MiroThinker-1.7-mini，仅使用30亿个激活参数，就能在多个基准测试中超越一些大型商业模型。这就像一个初出茅庐的年轻选手在与资深专业选手的比赛中取得了胜利，展现了系统设计的高效性。

特别值得关注的是有效交互扩展的实验结果。研究团队比较了MiroThinker-1.5和MiroThinker-1.7-mini在相同参数预算下的表现，发现后者不仅性能提升了16.7%，而且所需的交互轮数减少了43.0%。这证明了他们的核心理念：提高每一步的质量比简单增加步数更有效。

在长报告生成评估中，MiroThinker系列同样表现优异。在50个深度研究查询的自动化评估中，MiroThinker-H1在报告质量和事实准确性方面都达到了业界领先水平，甚至在某些方面超越了ChatGPT-5.4等顶级系统。

这些实验结果不仅验证了系统的技术优势，更重要的是证明了研究团队提出的设计理念的正确性。通过提升每个推理步骤的质量并引入验证机制，AI系统确实能够在复杂任务中表现出类似人类专家的可靠性和效率。

七、对未来AI发展的深远影响

MiroMind团队的这项研究成果不仅仅是技术层面的突破，更重要的是为整个AI领域的发展指明了新的方向。他们提出的"有效交互扩展"理念可能会从根本上改变我们对AI能力提升的认知。

传统的AI发展思路往往遵循"更大就是更好"的逻辑——更多的参数、更多的数据、更多的计算资源。而这项研究证明，智能的真正提升不在于规模的简单扩大，而在于质量的精细优化。这就像建造摩天大楼，关键不是堆砌更多的砖块，而是要有更好的建筑设计和更牢固的地基。

验证中心推理模式的引入更是开创性的。这种设计让AI首次具备了类似人类的自我反思和纠错能力。在现实世界中，优秀的研究者和决策者之所以可靠，正是因为他们在得出结论之前会反复检查自己的推理过程，寻找可能的错误和遗漏。MiroThinker-H1将这种能力赋予了AI系统，这可能是迈向真正可信AI的重要一步。

从实际应用的角度来看，这项技术的意义同样深远。在科学研究、金融分析、医学诊断等需要高度准确性的专业领域，MiroThinker系列展现的能力让AI有望成为人类专家的真正助手，而不仅仅是信息检索工具。这种转变可能会显著提高这些领域的工作效率和准确性。

对于普通用户而言，这项技术的普及可能意味着我们将拥有更智能、更可靠的AI助手。无论是帮助学生完成复杂的研究项目，还是协助商业人士进行深度市场分析，AI都将能够提供更高质量的支持。

当然，这项技术的发展也带来了新的思考。当AI具备了如此强大的推理和验证能力后，我们需要重新审视人工智能的边界和应用范围。如何确保这种强大的能力被正确使用，如何在享受技术便利的同时保持人类的主导地位，这些都是需要深入思考的问题。

说到底，MiroMind团队的这项研究为我们展示了AI发展的一种全新可能性。他们证明了通过精心设计的训练方法和创新的架构，AI可以真正具备类似人类专家的思维品质。这不仅是技术上的突破，更是对AI未来发展方向的重要指引。在这个AI技术日新月异的时代，这样的研究成果让我们对人工智能的未来充满期待，同时也提醒我们要以更加审慎和负责任的态度来发展和应用这些强大的技术。

Q&A

Q1：MiroThinker-1.7和MiroThinker-H1有什么区别？

A：MiroThinker-1.7主要通过改进训练方法提升AI每个推理步骤的质量，而MiroThinker-H1在此基础上增加了验证机制，包括本地验证器和全局验证器，能够在推理过程中实时检查和纠正错误，就像给AI配备了质量检查员。

Q2：为什么说提高步骤质量比增加步骤数量更重要？

A：就像迷路时制定正确路线比盲目多走路更有效一样，AI在复杂推理中如果每一步都不够可靠，增加更多步骤只会累积错误。MiroThinker证明通过提升每步质量，不仅性能提升16.7%，所需步骤还减少43%。

Q3：MiroThinker技术什么时候能普及到日常应用中？

A：目前MiroThinker-1.7和1.7-mini已开源，开发者可以使用。至于消费级应用普及，还需要进一步的工程优化和成本控制，但这项技术已经为AI助手的智能化升级奠定了重要基础。