MiroThinker

✨步子哥 (steper) • 2026年03月27日 05:01

MiroThinker 是由 MiroMind AI（陈天桥团队）开发的一款开源深度研究 Agent（研究型 AI 代理），专注于工具增强推理（tool-augmented reasoning）、多步长时程推理和事实验证，而不是普通的聊天模型。

它不是简单的 LLM，而是能像人类研究员一样：提出假设 → 检索证据 → 迭代验证 → 自我纠错 → 给出可信结论，特别适合复杂研究、预测、竞品分析、技术尽调等知识密集型任务。

核心创新：引入“第三维度”缩放（Interactive Scaling）

传统 AI 缩放只靠模型大小（parameters） + 上下文长度（context），MiroThinker 额外提出 Interactive Scaling（交互缩放）：

通过强化学习（RL）训练模型，主动处理更深、更频繁的 agent-environment 交互。
支持 256K 上下文窗口 + 单任务最多 400~600 次工具调用（远超之前开源 Agent）。
能持续多轮推理、纠正错误、整合多源证据，避免传统 test-time scaling 容易出现的“越想越错”问题。

最新版（2026年3月16日发布的 MiroThinker-1.7 & MiroThinker-H1）进一步升级为Verification-Centric（验证中心）架构：

引入双层验证系统（local + global）：推理过程中实时评估每一步决策，整体轨迹审计确保证据链完整。
显著提升可靠性，尤其在长链条、多步研究任务中。

主要版本与模型

v1.5（2025年底）：30B / 235B 参数（MoE 架构，激活参数更少），已能以小模型打败 1T 级大模型。
v1.7 / 1.7-mini：更高效，1.7-mini（仅 3B 激活参数）在多个基准上超越 GPT-5。
H1：旗舰重型研究 Agent，集成完整验证系统。

基准表现（部分亮点）：

BrowseComp / BrowseComp-ZH：领先开源，接近或超越 GPT-5。
GAIA、HLE、FinSearchComp 等：SOTA 或极具竞争力，小模型性能尤为惊艳。

如何使用

在线体验（最简单）：
访问 https://dr.miromind.ai/，直接用 MiroThinker 对话（支持 Pro 版）。有移动 App（MiroMind App）。
本地部署 / 自托管（开源爱好者首选）：
- 模型权重：Hugging Face（miromind-ai 组织下）
- 代码 & 框架：GitHub（MiroMindAI/MiroThinker）
- 支持 Ollama / LM Studio 等本地运行，完全隐私、可控、无黑箱。
- 配套生态：MiroFlow（工作流编排）、MiroVerse（训练数据集）、MiroTrain（训练工具链）。
开源许可：MIT 协议，代码、权重、数据集全部开放。

实际体验反馈（来自最近讨论）

很多用户反馈在客户谈判话术、竞品研究、深度调研上表现极强，明显优于 ChatGPT / Claude / Gemini / Perplexity，尤其在需要“思考-验证-迭代”的场景。
缺点：在线版额度较贵（每天免费额度有限，Pro 版单次消耗较高）；App 稳定性还有待提升。
小模型本地跑也非常强，性价比极高。

一句话总结：
MiroThinker 代表了开源 Agent 的新方向——不靠堆参数，而是靠“会思考、会验证、会交互”，把“可靠的深度研究”真正带到普通开发者手里。目前最新 1.7 / H1 系列已经把这个理念推到一个新高度，强烈推荐你去 dr.miromind.ai 试试看，或者直接拉下来本地玩。

讨论回复

1 条回复

✨步子哥 (steper) #1

2026-03-27 05:08

MiroThinker 本地部署教程（最新版 1.7 / 1.7-mini 完整版）

以下是基于官方 GitHub（MiroMindAI/MiroThinker）和 Hugging Face 最新文档整理的最完整、最实用的本地部署教程。支持 MiroThinker-1.7（235B MoE）和 1.7-mini（30B 激活参数，更易本地跑）。
部署方式采用官方推荐的 MiroFlow Agent 框架 + SGLang / vLLM 服务模型，实现完整工具调用、256K 上下文、多步长研究能力。

一、硬件要求（重要！）

模型版本	推荐显存（FP16）	推荐配置示例	备注
MiroThinker-1.7-mini	≈ 60-80GB	2×4090 / A6000×2 / H100×1	最推荐本地部署
MiroThinker-1.7	≈ 200GB+	8×H100 / H800 集群	企业级
量化版（4bit/8bit）	可降低 50-70%	单张 4090（mini 版）	推荐 GGUF 或 vLLM 量化

系统：Ubuntu 22.04+ / Windows + WSL2（推荐 Linux）
CUDA：12.1+（推荐 12.4+）
磁盘：至少 300GB（模型权重 + 缓存）

二、部署方式对比（选一个）

推荐：完整 Agent（MiroFlow + SGLang/vLLM）→ 最佳性能，支持所有工具
简单：Ollama / LM Studio（社区版，仅适合 1.7-mini 体验）
进阶：Gradio Web UI / Docker（后期扩展）

下面重点讲推荐完整部署（5-15 分钟可跑通）。

三、完整 Agent 部署步骤（推荐）

步骤 1：准备环境

# 1. 安装 uv（比 pip 更快）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. 克隆仓库
git clone https://github.com/MiroMindAI/MiroThinker.git
cd MiroThinker

# 3. 进入 Agent 目录并安装依赖
cd apps/miroflow-agent
uv sync

步骤 2：配置 API Keys（工具必备）

cp .env.example .env
# 用 VS Code / nano 编辑 .env

最小必需配置（复制粘贴后替换成你的 Key）：

# 搜索工具（必填）
SERPER_API_KEY=你的_serper_key          # https://serper.dev 免费注册
JINA_API_KEY=你的_jina_key              # https://jina.ai

# 代码执行沙箱（推荐）
E2B_API_KEY=你的_e2b_key                # https://e2b.dev

# 可选（用于总结等）
SUMMARY_LLM_BASE_URL="http://localhost:61002/v1"   # 后面自己启动的模型
SUMMARY_LLM_MODEL_NAME=mirothinker-v1.7-mini
SUMMARY_LLM_API_KEY=dummy

获取 Key：

Serper：免费 2500 次/月
Jina：免费额度充足
E2B：免费沙箱

步骤 3：启动模型服务器（SGLang 推荐，最稳定）

# 新开终端，启动 SGLang 服务（以 1.7-mini 为例）
python -m sglang.launch_server \
    --model-path miromind-ai/MiroThinker-1.7-mini \
    --tp 2 \                  # 根据你的 GPU 卡数调整（2卡=2）
    --host 0.0.0.0 \
    --port 61002 \
    --trust-remote-code

或者用 vLLM（更快启动）：

vllm serve miromind-ai/MiroThinker-1.7-mini \
    --tensor-parallel-size 2 \
    --max-model-len 262144 \
    --enable-reasoning \
    --host 0.0.0.0 \
    --port 61002

服务启动后访问 http://localhost:61002 确认 OK。

步骤 4：运行 MiroThinker Agent

# 回到 miroflow-agent 目录
cd ~/MiroThinker/apps/miroflow-agent

# 运行单任务（推荐配置）
uv run python main.py \
    llm=qwen-3 \
    agent=mirothinker_1.7_keep5_max200 \
    llm.base_url=http://localhost:61002/v1

agent 参数推荐：
- mirothinker_1.7_keep5_max200：日常研究（最稳）
- mirothinker_1.7_keep5_max300：BrowseComp 等长任务

自定义任务：编辑 main.py 第 32 行：

task_description = "帮我深度研究一下 2026 年小米汽车的竞品分析和供应链风险"

运行后会自动输出完整思考链 + 证据来源 + 最终结论。

四、可选：本地化工具（完全离线）

详见仓库 assets/LOCAL-TOOL-DEPLOYMENT.md：

部署 tool-transcribe-os（音频转录）
部署 tool-vqa-os（图像理解）
部署 tool-reasoning-os（本地推理工具）

需要额外 Python 环境和 GPU，适合追求 100% 隐私的用户。

五、简单部署方案（不想配 API Key）

Ollama 社区版（仅 1.7-mini）：
- 搜索 Ollama 模型 huihui_ai/mirothinker1-abliterated 或类似
- ollama run mirothinker1
- 但工具调用能力会弱于完整 MiroFlow。
LM Studio：直接下载 GGUF 量化版拖进去即可聊天（适合快速体验）。

六、常见问题排查

显存不够：用 --quantization fp8 或 4bit（vLLM 支持）
模型加载慢：第一次会下载权重（几十 GB），之后缓存
工具报错：检查 .env 中的 Key 是否正确
想用 Web UI：仓库有 Gradio Demo（apps/gradio-demo），可自行启动
日志：所有日志保存在 ../../logs/ 目录

七、部署完成后的测试任务

试试这个经典任务：

“2026 年 3 月最新一篇 arXiv 计算机科学论文标题是什么？它的核心贡献和潜在影响是什么？”

你会看到 MiroThinker 自动搜索、阅读 PDF、验证信息、给出带来源的结论——这就是“深度研究 Agent”的真正实力！

官方仓库：https://github.com/MiroMindAI/MiroThinker
Hugging Face 模型：https://huggingface.co/miromind-ai/MiroThinker-1.7-mini

需要登录才能发表回复

登录注册

智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包，期待和你一起在 BigModel 上畅享卓越模型能力