在人工智能领域，搜索智能体的发展一直是研究热点之一。MiroThinker v1.5作为MiroMind团队推出的开源搜索智能体模型，凭借其交互式扩展技术，打破了传统大模型依赖庞大参数的局限，在多个基准测试中表现出色，为研究和实际应用提供了高效、可靠的智能解决方案。
MiroThinker v1.5 是一个开源的搜索智能体模型，旨在通过工具增强推理和真实世界的信息检索，提升复杂研究任务的处理能力。该模型通过交互式扩展技术，将推理与外部环境深度耦合，支持长时序推理和多步分析，同时具备多语言支持和轻量级高性能的特点。
（一）高效搜索与推理
MiroThinker v1.5具备强大的搜索能力，能够处理复杂的搜索任务。它通过工具增强推理，快速找到并验证信息，最终提供准确答案。这种能力使其在信息检索和复杂问题解答中表现出色，尤其适合需要精准信息支持的场景。
（二）深度交互能力
该模型强调与外部环境的深度交互，通过频繁的数据获取和实时反馈，支持多步推理和长时序推理。这种交互能力使其能够处理动态变化的信息，更好地适应复杂多变的现实环境。
（三）多语言支持
MiroThinker v1.5支持多语言任务，在中文（BrowseComp-ZH）和英文（BrowseComp）基准测试中均表现出色。这一特性使其能够满足不同语言环境下的研究和应用需求，拓展了其应用场景。
（四）轻量级高性能
模型参数规模在30B到235B之间，故意控制参数规模以实现轻量级设计。这种设计不仅降低了推理成本，还提升了推理速度，使其在保持高性能的同时具备更高的性价比。
三、技术揭秘（一）交互式扩展（Interactive Scaling）
MiroThinker v1.5的核心技术是交互式扩展，通过“推理 - 验证 - 修正”的循环机制，引入外部信息作为校验锚点，有效解决传统模型的逻辑坍塌问题。这种技术强调模型与外部环境的深度交互，使模型在推理过程中能够不断获取新的信息，从而提升推理的准确性和可靠性。
（二）时序敏感训练
模型在严格的时间戳约束下进行训练，只能基于过去的信息进行推演，并用同样受约束的证据进行验证，杜绝了Future Leakage现象。通过动态演化数据合成体系，模拟真实世界的时序逻辑，提升模型在不确定条件下的决策能力。
（三）轻量级设计
MiroThinker v1.5故意控制模型参数规模，避免盲目追求超大参数，将算力更多地用于外部信息获取与交互。通过交互式推理机制，用小模型实现大模型的功能，提升智能密度，从而在保持高性能的同时，显著降低了推理成本。
（四）反幻觉机制
该模型对缺乏真实依据的推理路径零容忍，在训练中严格惩罚仅依赖统计相关性或模式记忆的输出。这种机制确保了推理的可靠性和真实性，避免了模型产生不切实际的幻觉输出，从而提高了模型在复杂任务中的表现。
四、应用场景（一）股票市场预测
MiroThinker v1.5能够通过分析市场动态、新闻事件和历史数据，精准预测股票走势。它利用深度交互能力和高效搜索功能，实时获取最新信息并进行多步推理，为投资者提供科学的决策支持，帮助他们更好地把握市场机会，降低投资风险。
（二）新产品研发
在新产品研发中，MiroThinker v1.5可以分析市场趋势、用户需求和竞争态势。它通过多语言支持和高效推理，快速定位相关研究进展，为研发团队提供创新思路和数据支持，助力企业开发出更具竞争力的新产品。
（三）医疗健康
MiroThinker v1.5能够分析医疗数据和公共卫生趋势，预测疾病爆发和传播路径。它利用深度交互能力获取实时医疗信息，为公共卫生决策提供科学依据，帮助医疗机构和政府部门提前做好应对措施，保障公众健康。
（四）学术研究辅助
对于学术研究，MiroThinker v1.5可以快速定位相关文献和研究进展，为研究人员提供方向建议和验证支持。它通过高效搜索和多语言支持，帮助研究人员节省时间，提高研究效率，加速学术成果的产出。
（五）市场趋势分析
MiroThinker v1.5能够分析消费者行为和市场动态，预测市场趋势和需求变化。它利用轻量级高性能和深度交互能力，实时获取市场数据并进行精准分析，为企业制定营销策略提供有力支持，帮助企业更好地适应市场变化。
五、快速使用（一）环境准备
在开始使用MiroThinker v1.5 之前，需要确保你的开发环境已经准备好。首先，你需要安装 Python 3.10 或更高版本，这是运行该模型的基本要求。此外，还需要安装 `uv` 包管理器，它用于管理项目依赖和简化安装过程。你还需要准备一些 API 密钥，例如 Serper API 密钥用于 Google 搜索，Jina API 密钥用于网页内容提取，以及 E2B API 密钥用于代码执行沙箱。
# Clone the repositorygit clone https://github.com/MiroMindAI/MiroThinkercd MiroThinker# Setup environmentcd apps/miroflow-Agentuv sync# Configure API keyscp .env.example .env# Edit .env with your API keys (SERPER_API_KEY, JINA_API_KEY, E2B_API_KEY, etc.)
（二）密钥配置
复制`.env.example` 文件为 `.env`之后，在 `.env` 文件中填入你的 API 密钥。这一步是确保模型能够正常运行的关键，因为这些 API 密钥是模型与外部工具交互的凭证。
# Required for MiroThinker v1.5 and v1.0 (minimal setup)SERPER_API_KEY=your_serper_keySERPER_BASE_URL="https://google.serper.dev"JINA_API_KEY=your_jina_keyJINA_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 convenientSUMMARY_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 evaluationsOPENAI_BASE_URL="https://api.openai.com/v1" # Optional, defaults to OpenAI's API
（三）启动模型服务
MiroThinker v1.5 提供了多种部署选项，其中推荐使用 SGLang 或 vLLM 框架来部署模型服务。以 SGLang 为例，你需要指定模型路径、使用的 GPU 数量以及服务端口。例如，如果你使用的是 MiroThinker v1.5-30B 模型，并且有 4 块 GPU，可以运行以下命令来启动服务：
python3 -m sglang.launch_server \--model-path miromind-ai/MiroThinker-v1.5-30B \--tp 4 \--dp 1 \--host 0.0.0.0 \--port 61002 \--trust-remote-code
这将启动一个服务，监听`0.0.0.0:61002` 端口。
（四）运行任务
完成上述步骤后，你就可以开始运行任务了。进入`apps/miroflow-agent` 目录，运行 `main.py` 脚本。例如，使用 MiroThinker v1.5 模型和默认问题（“What is the title of today's arxiv paper in computer science?”）进行测试：
uv run python main.py llm=qwen-3 agent=mirothinker_v1.5_keep5_max200 llm.base_url=http://localhost:61002/v1
你也可以通过修改`main.py` 文件中的 `task_description` 变量来指定自己的问题。运行后，模型将自动进行搜索、推理，并给出答案及来源。
结语MiroThinker v1.5以其创新的技术架构和强大的功能，为开源搜索智能体领域带来了新的突破。它不仅在性能上超越了传统大模型，还在轻量级设计和多语言支持方面表现出色，为开发者提供了灵活、高效的解决方案。未来，随着技术的不断进步和应用场景的拓展，MiroThinker有望在更多领域发挥重要作用。
