MiroThinker 是一个开源的搜索代理模型，旨在通过工具增强推理和现实世界信息搜索的能力，实现与 OpenAI Deep Research 和 Gemini Deep Research 之间的深度研究体验相匹配。

🚀 MiroThinker 概述

MiroThinker 是 MiroMind 的旗舰研究代理模型，旨在提升工具辅助推理和信息搜寻的能力，使复杂的现实研究工作流能够应对各种挑战。其核心功能包括：

• MiroThinker：开放源代码的搜索模型，原生支持工具辅助推理，在多个基准测试中取得领先性能。
• MiroFlow：开放源代码的研究代理框架，提供可复现的尖端性能。
• MiroVerse：支持研究代理训练的优质开放源数据集，包含 147,000 个样本。
• MiroTrain / MiroRL：支撑研究代理模型稳健高效训练的基础设施。

✨ 主要特点

1. MiroThinker v1.5

MiroThinker v1.5 是全球领先的开源搜索代理，支持 256K 上下文窗口、长期推理和深入的多步骤分析。它的特点包括：

• 处理每个任务最多400 次工具调用，相较于之前的代理实现了显著提升。
• 提供30B 和 235B参数规模的多种可扩展选项，适应不同的研究环境和计算预算。

MiroThinker v1.5 在多个基准上实现了强劲的研究表现，如 HLE-Text 达到 39.2%，BrowseComp 达到 69.8%，并在 GAIA-Val-165 中达到了 80.8%。这些结果超越了之前的开放源代理，并设立了新的世界领先水平。

2. MiroThinker v1.0

与之前仅依赖模型规模或上下文长度进行扩展的模型不同，MiroThinker v1.0 引入了交互式扩展，系统性地训练模型处理更深和更频繁的代理-环境交互。

其特点包括：

• 600 次工具调用，极大地拓展了可处理的信息量。
• 以8B、30B 和 72B参数规模发布，提供全面的工具和工作流套件，灵活支持多样的研究设置与计算预算。

MiroThinker v1.0 在 HLE-Text 和 BrowseComp 上的性能也显示出显著提高，分别达到 37.7% 和 55.6%。

3. 训练数据与基础设施

MiroVerse 提供丰富的训练数据集，支持高清晰度的研究代理训练。利用 MiroTrain 和 MiroRL，用户可以轻松构建稳定的训练环境，确保研究代理模型效率最大化。

📈 基准测试表现

MiroThinker 在各项基准测试中的表现令人瞩目，特别是在复杂任务中的准确性和深度推理能力上，展示了其在现实应用场景中的强大适应性。

🚀 快速开始

环境要求

• Python 3.10+
• uv 包管理器（安装指南）
• 需要的 API 密钥（请参阅配置部分）

安装步骤

# 克隆仓库gitclone https://github.com/MiroMindAI/MiroThinkercdMiroThinker# 设置环境cdapps/miroflow-agent uvsync# 配置 API 密钥cp.env.example .env# 编辑 .env 文件以添加您的 API 密钥（如 SERPER_API_KEY, JINA_API_KEY 等）

工具配置

MiroThinker 的工具配置涉及多个 API 集成，以支持搜索、信息抽取和代码执行等功能。

示例配置

# 最小配置示例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

运行第一个任务

设置完环境后，运行main.py来测试默认问题：“今天计算机科学领域的 arxiv 论文标题是什么？”

cdapps/miroflow-agent# 使用 MiroThinker 模型uv run python main.pyllm=qwen-3agent=mirothinker_v1.5_keep5_max200 llm.base_url=http://localhost:61002/v1

对比同类项目

MiroThinker 作为一个开源项目，其具有与其他研究代理模型的竞争优势。例如，WebThinker和WebAgents也专注于提供高效的信息检索和处理能力。MiroThinker 的优势在于对交互式扩展的支持，它能在模型规模和上下文长度外，通过实时反馈进一步提升性能，满足更为复杂的任务要求。

如需了解更多关于类似项目的信息，可以访问他们的 GitHub 页面。