在人工智能领域，参数规模曾一度被当作性能的绝对王者，可一个最新的开源项目正在改写这一共识。MiroThinker1.5这款仅30亿参数的研究型智能体，借助高效的“交互式扩展”机制，展现出接近万亿参数级模型的实力，同时把推理开销压缩到原本的1/20。这不仅意味着AI正从“堆算力”的路线转向“智能密度”的方法论里程碑，也为开源社区注入了强劲动能。下面是AIbase对这一热点的深入解读。
突破性性能：小参数也能大显身手
MiroThinker1.5以“轻量”30亿参数，跑出了超越部分1万亿参数级基准（如Kimi-K2-Thinking）的成绩。在中文浏览能力评测（BrowseComp）中，它表现亮眼，击败多款更大体量的模型。其关键在于“交互式扩展”(Interactive Scaling)理念：模型关注“代理密度”(Agentic Density)而非单纯叠参数。通过实时查证、迭代修订、假设验证，它形成强力的代理式搜索与推理能力。单次查询推理成本约0.07美元，仅为传统1T级模型的约1/20，显著降低了应用门槛，推动从“静态推理”迈向“原生智能”。
核心技术亮点：多轮推理与自我修正
其核心是结合内存管理的多轮推理框架。模型会保留最近5轮对话的核心上下文，同时清理无关历史，做到信息完整与资源友好并重。这样的架构让模型具备“自主探究式学习”（self-directed inquiry）能力：单个任务可进行最多400次工具交互，构建递归、分层的推理链条。MiroThinker1.5能自动搜索信息、多步思考并自我校正，兼具长时记忆与上下文理解、工具调用执行，以及研究级的信息整合与评估，从而在复杂任务中稳定输出；同时，还能有效规避传统模型常见的“后见之明泄露”(hindsight leakage)问题。
实际应用测试：从历史脉络到深度报告
在实测中，MiroThinker1.5展现出强大的综合能力。比如针对任务“梳理人类历史上的每次知识革命（文字、印刷、电力、互联网等），分析AI革命的独特性与可能风险，并研判其对文明演化的深远影响”，模型会发起数十轮推理与检索，多次反复核验与补充搜索，覆盖中外多源资料，最终生成结构完整的研究报告。可见它在理解问题、分解步骤、调度工具、整合证据等方面协同有效。用户反馈也指出：在涉及敏感议题挖掘或实时信息抓取时，它的表现尤为突出，远胜传统搜索引擎的“临时学习”模式。
行业启示：开源正在重塑AI竞争格局
MiroThinker1.5被视为AI领域的“DeepSeek时刻”：它挑战了传统缩放定律（Scaling Law），从参数堆叠转向方法驱动的系统性调查。以开源形式发布（GitHub与Hugging Face可获取），不仅压缩训练与推理成本，也为中小团队与研究者提供了可落地的高效工具。业内人士指出，当行业为提升1%准确率不惜重金时，这种“交互式增长”路径将成为通往代理时代（Agentic Era）的关键通道。未来竞争的焦点，将从“规模”转向“智能密度”，这有望打破旧秩序，催生更高效的逻辑与能力构建。
AIbase认为，MiroThinker1.5的出现，意味着AI正由“巨兽时代”迈入“智慧时代”。它既给开源生态带来新的可能，也提醒从业者：真正的突破在于方法，而不只是规模。AIbase将持续跟进这一方向的最新进展，欢迎保持关注。
项目地址：https://github.com/MiroMindAI/MiroThinker
用户38505528 5个月前0
粘贴不了啊用户12648782 6个月前0
用法杂不对呢？yfarer 6个月前0
草稿id无法下载，是什么问题？