MiroThinker:基于深度学习的深度研究与预测代理项目

MiroThinker：一款专为研究与预测任务优化的深度研究智能体。它在极具挑战性的 BrowseComp 基准测试中取得了 88.2 分的成绩。详见快速开始。

📋 目录

• 📰 新闻与更新
• 📝 简介
• ✨ 核心特性
• 📈 基准测试性能
• 🚀 快速开始
• 📊 基准测试评估
• 🔬 追踪收集
• ❓ 常见问题与故障排除
• 📄 许可证
• 🙏 致谢

📰 新闻与更新

• [2026-03-11] 🎉🎉🎉 推出 MiroThinker-1.7，包括 MiroThinker-1.7-mini 和 MiroThinker-1.7。MiroThinker-1.7-mini 在 BrowseComp-ZH 上达到 72.3 分，以仅 300 亿参数的规模刷新了开源模型的性能纪录。我们的专有智能体 MiroThinker-H1 在 BrowseComp 和 BrowseComp-ZH 上的表现领先于所有开源及商业模型。
• [2026-01-23] 🎉 MiroThinker 在线平台 迎来两项重要更新：(a) 核心研究报告生成：深度研究在线报告现已支持生成、预览与分享功能。(b) 扩展文档上传类型：新增支持多种文件格式上传，如 .pdf、.doc、.ppt、.xls、.jpg。欢迎体验！MiroThinker 将持续维护并迭代升级，致力于成为您用过的最佳研究智能体！
• [2026-01-05] 🎉🎉 我们发布了 MiroThinker-v1.5，这是一系列针对金融预测优化的开源深度研究智能体。MiroThinker-v1.5-30B 以更低成本超越了 Kimi-K2-Thinking 在 BrowseComp-ZH 上的表现，参数规模仅为其 1/30。MiroThinker-v1.5-235B 在 HLE-Text 上得分 39.2%，BrowseComp 上得分 69.8%，BrowseComp-ZH 上得分 71.5%，GAIA-Val-165 上得分 80.8%，刷新了搜索智能体的性能纪录。

📝 简介

MiroThinker-1.7

全新的MiroThinker系列在构建可靠的长链任务智能体方面实现了重大飞跃。通过增强的后训练流程精心打造，MiroThinker-1.7系列在开源模型中，于深度研究任务上取得了SOTA性能。

核心特性

• 🚀 MiroThinker-1.7支持256K上下文窗口、长周期推理及深度多步骤分析。
• 🔧 每个任务最多可处理300次工具交互，目前具备更精准的逐步推理与决策能力。
• 📦 提供30B和235B参数规模版本，并附带全面的工具套件与工作流，可灵活支持多样化的研究场景及计算预算。
• 我们的专有智能体MiroThinker-H1为长链可验证推理提供了令人鼓舞的证据——推理过程可逐步验证且全局可验证，提升了复杂智能体工作流的性能。

MiroThinker-1.7在广泛的基准测试中展现出强大的通用研究性能，在BrowseComp、BrowseComp-ZH、GAIA-Val-165和HLE-Text上分别达到74.0%、75.3%、82.7%和42.9%。MiroThinker-1.7在BrowseComp-ZH上取得了SOTA性能。

MiroThinker-v1.5

MiroThinker-v1.0

📦 点击展开 MiroThinker-v1.0 详情

不同于以往仅通过模型规模或上下文长度进行扩展的智能体，MiroThinker v1.0 在智能体层面引入了交互式扩展，系统地训练智能体处理更深层次、更频繁的智能体-环境交互，将其作为提升性能的第三维度。交互式扩展利用环境反馈和外部信息获取来纠正错误并优化行动轨迹。

✨ 核心特性

• 🚀 256K 上下文窗口：支持长周期推理和深度多步骤分析
• 🔧 600 次工具调用：每个任务最多可处理 600 次工具调用，较以往开源研究智能体有显著提升
• 📦 多尺度版本：提供 8B、30B 和 72B 参数规模，配套全面的工具集和工作流，可灵活支持多样化的研究场景和计算预算

智能体名称	基础智能体	最大上下文	最大工具调用次数	HF 链接
MiroThinker-v1.0-8B	Qwen3-8B	256K	600	🤗 link
MiroThinker-v1.0-30B	Qwen3-30B-A3B-Thinking-2507	256K	600	🤗 link
MiroThinker-v1.0-72B	Qwen2.5-72B-Instruct	256K	600	🤗 link

MiroThinker v1.0 在各类基准测试中展现出强大的通用研究性能，在 HLE-Text、BrowseComp、BrowseComp-ZH 和 GAIA-Text-103 上的得分分别为37.7%、47.1%、55.6% 和 81.9%。这些结果超越了以往的开源智能体，并缩小了与 GPT-5-high 等商业智能体之间的差距。

MiroThinker-v0.2

MiroThinker-v0.1

📦 点击展开 MiroThinker-v0.1 详情

开源智能体在 GAIA-Validation 基准测试中的性能表现。

我们已发布 MiroThinker v0.1 系列模型，包括参数规模为 8B、14B 和 32B 的 SFT 与 DPO 两种变体。值得关注的是，在用于评估高级智能体能力的严格评测套件 GAIA 基准 中，MiroThinker v0.1 取得了开源模型中的最先进性能，充分展现了其在长上下文、决策密集型及现实世界任务场景中的强大实力。

智能体名称	基础智能体	最大上下文	HF 链接
MiroThinker-8B-SFT-v0.1	Qwen3-8B	40K	🤗 链接
MiroThinker-8B-DPO-v0.1	Qwen3-8B	40K	🤗 链接
MiroThinker-14B-SFT-v0.1	Qwen3-14B	40K	🤗 链接
MiroThinker-14B-DPO-v0.1	Qwen3-14B	40K	🤗 链接
MiroThinker-32B-SFT-v0.1	Qwen3-32B	40K	🤗 链接
MiroThinker-32B-DPO-v0.1	Qwen3-32B	40K	🤗 链接

✨ 核心特性

🤖 MiroThinker 优化框架

• 🔓 全开源智能体框架：框架与智能体完全开源，确保透明度
• 🔗 工具集成：与外部工具及 API 无缝对接
• 📝 轨迹收集：全面记录并分析智能体交互过程，显示耗时及预计完成时间（以分钟为单位）。支持 SFT 和 DPO 训练
• 📊 基准评测：在多个基准数据集上进行广泛测试

📊 综合基准测试套件

📈 基准测试性能

MiroThinker-1.7

为防止潜在的信息泄露（例如从 HuggingFace 检索基准测试答案），我们在评估期间屏蔽了部分网站的访问权限。

MiroThinker-v1.5

📦 点击展开 MiroThinker-v1.5 详情

为防止潜在的信息泄露（例如从 HuggingFace 搜索基准测试答案），这些工具中已明确禁用对 HuggingFace 的访问。

我们进一步对所有轨迹的工具输出执行金丝雀字符串测试，并忽略任何被发现受到污染的轨迹，将其视为错误答案。

MiroThinker-v1.0

📦 点击展开 MiroThinker-v1.0 详情

MiroThinker-v0.2

📦 点击展开 MiroThinker-v0.2 详情

与 SOTA 研究智能体的对比

GAIA 基准测试

MiroThinker-v0.1

🚀 快速开始

为获得最佳使用体验，我们建议在启用工具支持的智能体框架和思考模式的情况下使用 MiroThinker。

前提条件

• 🐍 Python 3.10 及以上版本
• 📦 uv 包管理器（安装指南）
• 🔑 所需 API 密钥（详见下文配置部分）

安装

# Clone the repository
git clone https://github.com/MiroMindAI/MiroThinker
cd MiroThinker

# Setup environment
cd apps/miroflow-agent
uv sync

# Configure API keys
cp .env.example .env
# Edit .env with your API keys (SERPER_API_KEY, JINA_API_KEY, E2B_API_KEY, etc.)

📝 环境变量：所需 API 密钥请参见工具配置部分。

工具配置

MiroThinker-1.7 的最小配置

最小 .env 配置示例：

# Required for MiroThinker v1.5 and v1.0 (minimal setup)
SERPER_API_KEY=your_serper_key
SERPER_BASE_URL="https://google.serper.dev"
JINA_API_KEY=your_jina_key
JINA_BASE_URL="https://r.jina.ai"
E2B_API_KEY=your_e2b_key

# Required for jina_scrape_llm_summary
# Note: Summary LLM can be a small model (e.g., Qwen3-14B or GPT-5-Nano)
# The choice has minimal impact on performance, use what's most convenient
SUMMARY_LLM_BASE_URL="https://your_summary_llm_base_url/v1/chat/completions"
SUMMARY_LLM_MODEL_NAME=your_llm_model_name  # e.g., "Qwen/Qwen3-14B" or "gpt-5-nano"
SUMMARY_LLM_API_KEY=your_llm_api_key  # Optional, depends on LLM provider

# Required for benchmark evaluation (LLM-as-a-Judge)
OPENAI_API_KEY=your_openai_key  # Required for running benchmark evaluations
OPENAI_BASE_URL="https://api.openai.com/v1"  # Optional, defaults to OpenAI's API

💡 为何如此精简：这 3 个 MCP 服务器涵盖了研究任务所需的核心能力：网络搜索、内容提取和代码执行。其他所有服务器均为可选增强功能。

🤖 摘要 LLM：SUMMARY_LLM 可以是像 Qwen3-14B 或 GPT-5-Nano 这样的小型模型。该选择对整体性能影响极小，使用最适合您设置的模型即可。

📊 用于基准测试评估：如果您计划运行基准测试评估，还需要 OPENAI_API_KEY（以及可选的 OPENAI_BASE_URL），以便在评估脚本中使用 LLM 作为评判器（LLM-as-a-Judge）功能。

🖼️ 用于 GAIA 多模态任务：GAIA-Val-165 包含涉及图像/音频/视频文件的任务。由于 MiroThinker 是纯文本 LLM，因此使用 GPT-4o 将这些文件预处理为文本描述。相同的 OPENAI_API_KEY 既用于此预处理，也用于 LLM 作为评判器。

📖 更多详情：有关所有可用工具的完整文档，请参见 MiroFlow 工具 README。

预配置代理设置

apps/miroflow-agent/conf/agent/ 目录包含多个预配置的代理设置。每个配置使用不同的工具，并要求在您的 .env 文件中设置相应的环境变量。

💡 推荐：对于 MiroThinker-1.7，使用 mirothinker_1.7_keep5_max200（带有上下文管理，推荐用于大多数任务）或 mirothinker_v1.7_keep5_max300（仅用于 BrowseComp 和 BrowseComp-ZH）。

💡 注意：所有环境变量均列于 apps/miroflow-agent/.env.example 中。将其复制到 .env 并填写您计划使用的工具的值。

创建自定义工具配置

# conf/agent/my_custom_config.yaml
defaults:
  - default
  - _self_

main_agent:
  tools:
    - tool-python                    # Execution environment
    - search_and_scrape_webpage      # Google search
    - jina_scrape_llm_summary        # Web scraping with LLM
    - tool-vqa                       # Vision processing (optional)
    - tool-transcribe                # Audio processing (optional)
    - tool-reasoning                 # Reasoning engine (optional)
    - tool-reading                   # Document reading (optional)
  max_turns: 300  # Maximum number of turns

sub_agents:
  agent-browsing:  # Optional sub-agent
    tools:
      - tool-google-search
      - tool-vqa
      - tool-reading
      - tool-python
    max_turns: 50

keep_tool_result: -1  # Context retention budget: -1 keeps all tool results, or specify K to keep only the K most recent tool responses

cd apps/miroflow-agent
uv run main.py llm=qwen-3 agent=my_custom_config llm.base_url=https://your_base_url/v1

# API for LLM-as-a-Judge (for benchmark testing, required for benchmark evaluation)
OPENAI_API_KEY=your_openai_key
OPENAI_BASE_URL="https://api.openai.com/v1"  # Optional, defaults to OpenAI's API

# API for Open-Source Audio Transcription Tool (for benchmark testing, optional)
WHISPER_MODEL_NAME="openai/whisper-large-v3-turbo"
WHISPER_API_KEY=your_whisper_key
WHISPER_BASE_URL="https://your_whisper_base_url/v1"

# API for Open-Source VQA Tool (for benchmark testing, optional)
VISION_MODEL_NAME="Qwen/Qwen2.5-VL-72B-Instruct"
VISION_API_KEY=your_vision_key
VISION_BASE_URL="https://your_vision_base_url/v1/chat/completions"

# API for Open-Source Reasoning Tool (for benchmark testing, optional)
REASONING_MODEL_NAME="Qwen/Qwen3-235B-A22B-Thinking-2507"
REASONING_API_KEY=your_reasoning_key
REASONING_BASE_URL="https://your_reasoning_base_url/v1/chat/completions"

# API for Claude Sonnet 3.7 as Commercial Tools (optional)
ANTHROPIC_API_KEY=your_anthropic_key

# API for Sogou Search (optional)
TENCENTCLOUD_SECRET_ID=your_tencent_cloud_secret_id
TENCENTCLOUD_SECRET_KEY=your_tencent_cloud_secret_key

# API for Summary LLM (can use small models like Qwen3-14B or GPT-5-Nano)
SUMMARY_LLM_BASE_URL="https://your_summary_llm_base_url/v1/chat/completions"
SUMMARY_LLM_MODEL_NAME=your_summary_llm_model_name  # e.g., "Qwen/Qwen3-14B" or "gpt-5-nano"
SUMMARY_LLM_API_KEY=your_summary_llm_api_key

部署 MiroThinker 智能体

选项 1（推荐）：使用 SGLang 或 vLLM 部署

使用 SGLang 在 61002 端口部署 MiroThinker 模型：

NUM_GPUS=4
PORT=61002

# Downloading agent from HF 
AGENT_PATH=miromind-ai/MiroThinker-1.7-mini


python3 -m sglang.launch_server \
    --model-path $AGENT_PATH \
    --tp $NUM_GPUS \
    --dp 1 \
    --host 0.0.0.0 \
    --port $PORT \
    --trust-remote-code

📍 服务器 URL：这将在 http://0.0.0.0:$PORT 启动服务器。请将此用作您的服务器基础 URL（例如，http://0.0.0.0:61002/v1）。

选项 2：量化轻量级方案

我们还提供了使用 CPU 优化和 GPU 加速量化技术部署 MiroThinker 智能体的全面指南，以及使用 llama.cpp、Ollama、SGLang 和其他推理框架进行部署的详细分析与操作指引。

📖 完整指南：有关详细部署说明，请参见 部署文档。

运行您的第一个任务

完成环境设置并启动服务器后，运行 main.py 以使用默认问题进行测试：“今天计算机科学领域的 arxiv 论文标题是什么？”

cd apps/miroflow-agent

# Using MiroThinker agents (requires your own server)
uv run python main.py llm=qwen-3 agent=mirothinker_1.7_keep5_max200 llm.base_url=http://localhost:61002/v1

# Or using Claude (requires ANTHROPIC_API_KEY in .env)
uv run python main.py llm=claude-3-7 agent=single_agent_keep5

# Or using GPT-5 (requires OPENAI_API_KEY in .env)
uv run python main.py llm=gpt-5 agent=single_agent_keep5

若要自定义您的问题，请编辑 main.py 的第 32 行：

task_description = "Your custom question here"

该智能体将进行网络搜索，必要时执行代码，并提供带有来源的答案。

📖 更多详情：有关可用配置和故障排除，请参见 apps/miroflow-agent/README.md。

📊 基准测试评估

面向希望复现我们的基准测试结果或在标准基准上进行评估的研究人员。

下载基准测试数据

cd MiroThinker  # Back to project root
wget https://huggingface.co/datasets/miromind-ai/MiroFlow-Benchmarks/resolve/main/data_20251115_password_protected.zip
unzip data_20251115_password_protected.zip
# Password: pf4*
rm data_20251115_password_protected.zip

运行基准测试评估

注意： 对于 MiroThinker-1.7，请使用 mirothinker_1.7_keep5_max200（带上下文管理）、mirothinker_1.7_keep5_max300（带上下文管理）。

可用参数：

您可以在运行脚本前通过设置以下环境变量来自定义评估：

使用示例：

# Navigate to the miroflow-agent directory first
cd apps/miroflow-agent

# Basic usage with v1.5 (recommended)
NUM_RUNS=8 LLM_MODEL="MiroThinker-1.7-mini" BASE_URL="https://your-api.com/v1" bash scripts/run_evaluate_multiple_runs_gaia-validation-text-103.sh

# Or with v1.0
# NUM_RUNS=8 LLM_MODEL="MiroThinker-v1.0-30B" BASE_URL="https://your-api.com/v1" bash scripts/run_evaluate_multiple_runs_gaia-validation-text-103.sh

# Customize number of runs and agent configuration (v1.5 with context management)
LLM_MODEL="MiroThinker-1.7-mini" \
BASE_URL="https://your-api.com/v1" \
NUM_RUNS=8 \
AGENT_SET="mirothinker_1.7_keep5_max200" \
bash scripts/run_evaluate_multiple_runs_gaia-validation-text-103.sh

# Navigate to the miroflow-agent directory first
cd apps/miroflow-agent

# HLE
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_hle.sh

# HLE-Text-2158
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_hle-text-2158.sh

# HLE-Text-500
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_hle-text-500.sh

# GAIA-Text-103
NUM_RUNS=8 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_gaia-validation-text-103.sh

# GAIA-Validation (GAIA-Val-165)
NUM_RUNS=8 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_gaia-validation.sh

# BrowseComp-EN (⚠️ use max300)
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max300" bash scripts/run_evaluate_multiple_runs_browsecomp.sh

# BrowseComp-ZH (⚠️ use max300)
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max300" bash scripts/run_evaluate_multiple_runs_browsecomp_zh.sh

# WebWalkerQA
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_webwalkerqa.sh

# XBench-DeepSearch
NUM_RUNS=8 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_xbench_deepsearch.sh

# FRAMES
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_frames.sh

# SEAL-0
NUM_RUNS=8 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_seal-0.sh

# FutureX
NUM_RUNS=8 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_futurex.sh

# AIME2025
NUM_RUNS=32 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_aime2025.sh

# DeepSearchQA
NUM_RUNS=3 LLM_MODEL="xxx" BASE_URL="xxx" AGENT_SET="mirothinker_1.7_keep5_max200" bash scripts/run_evaluate_multiple_runs_deepsearchqa.sh

3. 监控评估进度

# Navigate to the miroflow-agent directory first
cd apps/miroflow-agent

# For HLE
python benchmarks/check_progress/check_progress_hle.py /path/to/evaluation/logs

# For HLE-Text-2158
python benchmarks/check_progress/check_progress_hle-text-2158.py /path/to/evaluation/logs

# For HLE-Text-500
python benchmarks/check_progress/check_progress_hle-text-500.py /path/to/evaluation/logs

# For BrowseComp-EN
python benchmarks/check_progress/check_progress_browsecomp.py /path/to/evaluation/logs

# For BrowseComp-ZH
python benchmarks/check_progress/check_progress_browsecomp_zh.py /path/to/evaluation/logs

# For GAIA-Validation
python benchmarks/check_progress/check_progress_gaia-validation.py /path/to/evaluation/logs

# For GAIA-Text-103
python benchmarks/check_progress/check_progress_gaia-validation-text-103.py /path/to/evaluation/logs

# For WebWalkerQA
python benchmarks/check_progress/check_progress_webwalkerqa.py /path/to/evaluation/logs

# For Frames
python benchmarks/check_progress/check_progress_frames.py /path/to/evaluation/logs

# For XBench-DeepSearch
python benchmarks/check_progress/check_progress_xbench_deepsearch.py /path/to/evaluation/logs

# For SEAL-0
python benchmarks/check_progress/check_progress_seal-0.py /path/to/evaluation/logs

# For AIME2025
python benchmarks/check_progress/check_progress_aime2025.py /path/to/evaluation/logs

# For DeepSearchQA
python benchmarks/check_progress/check_progress_deepsearchqa.py /path/to/evaluation/logs

🔬 轨迹收集

cd apps/collect-trace

# Collect Traces for SFT
bash scripts/collect_trace_claude37.sh
bash scripts/collect_trace_gpt5.sh

# Collect Traces for DPO
bash scripts/collect_trace_qwen3.sh

❓ 常见问题与故障排除

常见问题

cd apps/miroflow-agent
python benchmarks/check_progress/check_progress_<benchmark_name>.py /path/to/logs

获取帮助

• 📖 文档：查看 MiroFlow Tools README 了解工具详情
• 💬 Discord：加入我们的 Discord 社区
• 🐛 问题反馈：在 GitHub Issues 上报告漏洞
• 📧 联系我们：访问 官方网站 获取更多信息

📄 许可证

本项目采用 Apache 2.0 许可证授权 - 详情参见 LICENSE 文件。

🙏 致谢

我们向以下各方致以诚挚的感谢：

• 🏆 基准测试贡献者 提供的全面评估数据集
• 🌍 开源社区 提供的工具和库，使本项目得以实现
• 👥 所有贡献者 为改进 MiroThinker 所付出的努力

加入我们的社区，共同打造 AI 智能体的未来！

参考文献

如果您的研究中使用了本项目，请考虑引用：

MiroThinker（模型与方法）

@article{miromind2026mirothinker,
  title={MiroThinker-1.7 & H1: Towards Heavy-Duty Research Agents via Verification},
  author={MiroMind Team and Bai, S. and Bing, L. and Lei, L. and Li, R. and Li, X. and Lin, X. and Min, E. and Su, L. and Wang, B. and Wang, L. and Wang, L. and Wang, S. and Wang, X. and Zhang, Y. and Zhang, Z. and others},
  journal={arXiv preprint arXiv:2603.15726},
  year={2026}
}

@article{miromind2025mirothinker,
  title={MiroThinker: Pushing the Performance Boundaries of Open-Source Research Agents via Model, Context, and Interactive Scaling},
  author={MiroMind Team and Bai, Song and Bing, Lidong and Chen, Carson and Chen, Guanzheng and Chen, Yuntao and Chen, Zhe and Chen, Ziyi and Dong, Xuan and others},
  journal={arXiv preprint arXiv:2511.11793},
  year={2025}
}

MiroFlow（框架）

@article{miromind2026miroflow,
  title={MiroFlow: Towards High-Performance and Robust Open-Source Agent Framework for General Deep Research Tasks},
  author={Su, Shiqian and Xing, Sen and Dong, Xuan and Zhong, Muyan and Wang, Bin and Zhu, Xizhou and Chen, Yuntao and Wang, Wenhai and Deng, Yue and Zhu, Pengxiang and others},
  journal={arXiv preprint arXiv:2602.22808},
  year={2026}
}