• [2025-11-13] 🎉 MiroThinker-v1.0 现已发布！我们引入了“交互式扩展”这一性能提升的第三维度，MiroThinker v1.0 支持 256K 的上下文窗口，并可在单个任务中执行多达 600 次工具调用。该版本提供 80 亿、300 亿和 720 亿参数三种规模，分别在 HLE-Text、BrowseComp、BrowseComp-ZH 和 GAIA-Text-103 上取得了 37.7%、47.1%、55.6% 和 81.9% 的成绩。更多详情请参阅 技术报告。
• [2025-09-11] MiroThinker-72B-Preview 在本周的 FutureX 基准测试中位列第 4。详情请见 FutureX。
• [2025-09-08] MiroThinker-v0.2 已正式发布，其在多个基准测试中均取得了开源领域的 SOTA 成绩，包括 HLE（17.8%）、HLE-Text-Only（19.1%）、BrowseComp-EN（17.2%）、BrowseComp-ZH（29.4%）、XBench-DeepSearch（56.0%）以及 Frames（74.8%）。
• [2025-09-07] 我们新增了多项基准测试，包括 BrowseComp-ZH、XBench-DeepSearch 以及 FutureX。未来我们还将继续增加更多基准测试项目。
• [2025-08-22] 我们推出了针对 MiroThinker 的精简部署方案，优化了资源使用并缩短了启动时间。立即体验互动演示：🚀 试用 Gradio 演示
• [2025-08-08] MiroThinker-v0.1 正式发布。

MiroThinker v1.5 是全球领先的开源搜索代理，通过 交互式扩展 推动工具增强型推理——训练代理以处理更深入、更频繁的代理与环境交互，将其作为性能提升的第三个维度，超越模型规模和上下文长度。

核心特性

• 🚀 MiroThinker v1.5 支持 256K 上下文窗口，实现长时序推理和深度多步分析。
• 🔧 每个任务最多可调用 400 次工具——相比之前的开源研究代理有显著提升。
• 📦 分别以 30B 和 235B 参数规模发布，并配备一套全面的工具和工作流，灵活支持多样化的研究场景和算力预算。

MiroThinker v1.5 在广泛的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-Val-165 上分别达到 39.2%、69.8%、71.5% 和 80.8%。这些结果超越了此前的开源代理，并刷新了 BrowseComp 的世界纪录。

与仅通过扩大模型规模或上下文长度进行扩展的早期代理不同，MiroThinker v1.0 在代理层面引入了 交互式扩展，系统性地训练代理以应对更深、更频繁的代理与环境交互，从而形成性能提升的第三维度。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路径。

✨ 核心特性

• 🚀 256K 上下文窗口：支持长时序推理和深度多步分析
• 🔧 600 次工具调用：每个任务最多可调用 600 次工具——相比之前的开源研究代理有显著提升
• 📦 多种规模：分别以 8B、30B 和 72B 参数规模发布，并配备全面的工具和工作流，灵活支持不同的研究场景和算力预算

MiroThinker v1.0 在一系列基准测试中表现出色，在 HLE-Text、BrowseComp、BrowseComp-ZH 和 GAIA-Text-103 上分别达到 37.7%、47.1%、55.6% 和 81.9%。这些成绩不仅超越了以往的开源代理，还进一步缩小了与商业级模型如 GPT-5-high 的差距。

在这个新版本中，我们引入了三项关键改进：

• 📚 来自英语和中文的 更丰富的训练数据，显著提升了基准测试表现和泛化能力
• 🎯 所有代理统一使用 单一偏好数据集进行 DPO 训练
• 📏 将 上下文长度从 40K 扩展到 64K，以更好地应对更具挑战性的多轮工具使用任务

与 v0.1 相比，MiroThinker v0.2 在各项基准测试中均取得了稳定提升。例如，在 GAIA-Text-103 上，得分从 57.3 → 64.1；在 BrowseComp-ZH 上，则从 17.0 → 29.4，充分体现了模型作为通用研究代理能力的显著进步。

开源智能体在 GAIA-Validation 基准测试上的性能。

我们发布了 MiroThinker v0.1 系列模型，包括 SFT 和 DPO 两种版本，参数规模分别为 8B、14B 和 32B。值得注意的是，MiroThinker v0.1 在 GAIA 基准 上取得了开源模型中的 最先进性能。GAIA 是一个针对高级智能体能力的严格评估基准，能够充分展示模型在长上下文、决策密集型以及真实世界任务场景中的强大能力。

• GAIA Validation：通用人工智能助手的基准测试。（论文）
• GAIA-Text-103：GAIA Validation 中仅针对文本任务的子集。（论文）
• HLE：人类终极考试。（论文）
• HLE-Text-2158：HLE 中仅针对文本任务的子集。（论文）
• HLE-Text-500：HLE 中仅针对文本任务的子集，由 WebThinker 创建。（论文）
• BrowseComp-EN：网页浏览与理解任务。（论文）
• BrowseComp-ZH：BrowseComp 的中文版。（论文）
• WebWalkerQA：网页导航与问答任务。（论文）
• Frames：事实性、检索与推理综合测评集。（论文）
• XBench-DeepSearch：深度研究型智能体的基准测试。（官网）
• FutureX：用于预测未知未来的实时基准测试。（官网）
• SEAL-0：评估 LLM 在具有冲突证据的网络问题上的表现的基准测试。（论文）
• AIME2025：2025 年美国邀请数学竞赛。（官网）
• DeepSearchQA：谷歌的深度搜索问答基准测试。（论文）

为防止潜在的信息泄露（例如从 HuggingFace 搜索基准答案），这些工具已明确禁用了对 HuggingFace 的访问权限。

我们进一步对所有轨迹的工具输出进行了金丝雀字符串测试，并将任何被污染的轨迹视为错误答案而予以排除。

与 SOTA 研究型智能体的对比

GAIA 基准测试

GAIA 基准测试

1. 借鉴 WebThinker、WebAgents 和 CognitiveKernel 的做法，我们报告了 Best Pass@1，即三次运行中的最高分，这通常反映了更强的性能，尽管可能会有一定的波动。为了提供更稳定的指标，我们还报告了 Pass@1（Avg@8），它在牺牲一点分数的情况下提供了更高的稳定性。

2. 为与先前的开源工作保持一致，我们使用 WebAgents 的 LLM-as-a-Judge 模板来评估 GAIA-Text-103，并使用官方的 GAIA 评分脚本来报告 GAIA-Val-165 的结果。

3. 默认情况下，我们尽可能使用开源工具，除了代码工具 E2B 和 Google 搜索工具 Serper。我们在实现中使用了 Whisper、Qwen2.5-VL-72B-Instruct 和 Qwen3-235B-A22B-Thinking-2507。该框架可以轻松扩展到您选择的其他开源工具。

4. 将这些开源工具替换为商业替代品可以带来性能提升。商业工具主要用于多模态能力和某些复杂的推理子任务。而大多数任务，包括规划、浏览、细化、导航等，都由我们的代理来处理。

更多基准测试

1. MiroThinker 的性能测试使用了本仓库和开源工具；其他智能体的结果则来自其论文和官方网站。

2. 由于 MiroVerse-v0.1 主要包含英文数据，因此该智能体的中文能力较为有限。我们计划在下一版本中加入更多中文数据以提升其表现。

以下是一些可选工具，但在 MiroThinker v1.0-1.7 的评估中并未使用：

📖 本地部署：有关如何在本地部署开源工具（tool-vqa-os、tool-transcribe-os、tool-reasoning-os）的说明，请参阅 本地工具部署指南。

所有可用工具的完整文档请参阅 MiroFlow 工具 README。

你可以创建自己的 YAML 配置文件，自由组合 MCP 服务器。具体步骤如下：

1. 在 apps/miroflow-agent/conf/agent/ 目录下创建一个新的 YAML 文件：

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

main_agent:
  tools:
    - tool-python                    # 执行环境
    - search_and_scrape_webpage      # Google 搜索
    - jina_scrape_llm_summary        # 使用 LLM 进行网页抓取与摘要
    - tool-vqa                       # 视觉处理（可选）
    - tool-transcribe                # 音频处理（可选）
    - tool-reasoning                 # 推理引擎（可选）
    - tool-reading                   # 文档阅读（可选）
  max_turns: 300  # 最大轮次

sub_agents:
  agent-browsing:  # 可选子代理
    tools:
      - tool-google-search
      - tool-vqa
      - tool-reading
      - tool-python
    max_turns: 50

keep_tool_result: -1  # 上下文保留预算：-1 表示保留所有工具结果，或指定 K 值以仅保留最近的 K 条工具响应

💡 上下文保留策略：keep_tool_result 参数实现了一种基于时效性的上下文保留策略。在标准的 ReAct 框架中，所有工具输出都会保留在消息历史中，这可能导致上下文利用效率低下。根据经验观察，智能体的后续行为主要依赖于近期的观测结果，而非较早的信息。此策略仅保留最近的 K 条工具响应（K 即 keep_tool_result 的值），同时完整保留思维与行动序列。

优点：

• ✅ 保留推理与行动轨迹
• ✅ 使智能体专注于最相关的上下文信息
• ✅ 腾出更多上下文空间，支持更长时间的推理和更深入的工具使用路径
• ✅ 不会导致性能下降，同时为交互扩展提供更多上下文空间

使用方法：设置 keep_tool_result: -1 以保留所有工具结果，或指定一个正整数 K（例如 keep_tool_result: 5）以仅保留最近的 K 条工具响应。

2. 运行评估时使用自定义配置：

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

3. 根据所使用的工具配置 .env 环境变量。

   所有可用的环境变量均列于 apps/miroflow-agent/.env.example 中。将其复制到 .env 文件，并根据所选配置进行相应设置：

   cd apps/miroflow-agent
   cp .env.example .env
   # 编辑 .env 文件，填入实际的 API 密钥
   

   对于 MiroThinker v1.5（mirothinker_v1.5_keep5_max200.yaml、mirothinker_v1.5_keep5_max400.yaml 或 mirothinker_v1.5.yaml）以及 v1.0（mirothinker_v1.0_keep5.yaml 或 mirothinker_v1.0.yaml），请参阅上文的[适用于 MiroThinker v1.5 和 v1.0 的最小配置]部分，获取完整的配置示例。

   对于其他配置，请参考上文的[预配置智能体设置]表格，以了解所需的环境变量。

# 用于 LLM-as-a-Judge 的 API（用于基准测试，基准评估时必需）
OPENAI_API_KEY=your_openai_key
OPENAI_BASE_URL="https://api.openai.com/v1"  # 可选，默认为 OpenAI 的 API

# 用于开源音频转录工具的 API（用于基准测试，可选）
WHISPER_MODEL_NAME="openai/whisper-large-v3-turbo"
WHISPER_API_KEY=your_whisper_key
WHISPER_BASE_URL="https://your_whisper_base_url/v1"

# 用于开源 VQA 工具的 API（用于基准测试，可选）
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"

# 用于开源推理工具的 API（用于基准测试，可选）
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"

# 用于 Claude Sonnet 3.7 作为商用工具的 API（可选）
ANTHROPIC_API_KEY=your_anthropic_key

# 用于搜狗搜索的 API（可选）
TENCENTCLOUD_SECRET_ID=your_tencent_cloud_secret_id
TENCENTCLOUD_SECRET_KEY=your_tencent_cloud_secret_key

# 用于摘要 LLM 的 API（可使用小型模型，如 Qwen3-14B 或 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  # 例如 "Qwen/Qwen3-14B" 或 "gpt-5-nano"
SUMMARY_LLM_API_KEY=your_summary_llm_api_key

⚠️ 对于 MiroThinker-1.7 的重要提示：要复现我们报告的结果，必须设置正确的 AGENT_SET：

• BrowseComp 和 BrowseComp-ZH：使用 AGENT_SET="mirothinker_1.7_keep5_max300"
• 其他所有基准测试：使用 AGENT_SET="mirothinker_1.7_keep5_max200"

# 首先导航到 miroflow-agent 目录
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（⚠️ 使用 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（⚠️ 使用 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

# 首先导航到 miroflow-agent 目录
cd apps/miroflow-agent

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

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

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

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

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

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

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

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

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

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

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

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

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

cd apps/collect-trace

# 收集 SFT 的跟踪日志
bash scripts/collect_trace_claude37.sh
bash scripts/collect_trace_gpt5.sh

# 收集 DPO 的跟踪日志
bash scripts/collect_trace_qwen3.sh

问：我应该使用哪个版本？

答： 我们推荐使用 MiroThinker-1.7 ⭐，并采用最小配置：

• v1.7 ⭐：最新版本，拥有256K上下文长度，性能处于世界领先水平。请使用带上下文管理的配置：
  • mirothinker_1.7_keep5_max200（最多200轮对话，推荐用于大多数任务）
  • mirothinker_1.7_keep5_max300（最多300轮对话，仅用于BrowseComp和BrowseComp-ZH）

问：如何获取API密钥？

答： 最小化设置需要以下密钥：

• SERPER_API_KEY：从 Serper.dev 获取（Google搜索API）
• JINA_API_KEY：从 Jina.ai 获取（网页抓取）
• E2B_API_KEY：从 E2B.dev 获取（代码执行沙箱）
• SUMMARY_LLM_API_KEY：您的LLM API凭证（用于内容摘要）。可以使用小型模型，如Qwen3-14B或GPT-5-Nano——选择对性能影响较小。
• OPENAI_API_KEY：从 OpenAI 获取（用于基准评估，作为LLM评判者）
• OPENAI_BASE_URL：可选，默认为 https://api.openai.com/v1。可更改为使用兼容OpenAI的API。

问：代理服务器连接错误

答： 常见问题：

• 检查基础URL格式：应以 /v1 结尾（例如 https://your-api.com/v1）
• 验证API密钥：确保在环境变量或脚本中正确设置了 API_KEY
• 检查服务器状态：确保您的服务器正在运行且可访问
• 网络问题：确认防火墙/网络设置允许连接

问：评估脚本无法运行

答： 故障排除步骤：

1. 检查工作目录：确保您位于 apps/miroflow-agent 目录下
2. 验证环境：运行 uv sync 以确保依赖项已安装
3. 检查 .env 文件：确保所有必需的环境变量均已设置
4. 查看日志：检查 logs/ 目录中的详细错误信息
5. 验证数据路径：确保基准测试数据已下载并位于正确位置

问：内存不足错误

答： 解决方案：

• 减少上下文长度：将 MAX_CONTEXT_LENGTH 设置为较小值（例如，128K时设为131072）
• 使用较少轮次的上下文管理：
  • 对于v1.5：使用 mirothinker_1.7_keep5_max200 或 mirothinker_1.7_keep5_max300（带上下文管理）
• 减少并发任务数：将 MAX_CONCURRENT 设置为较小数值（例如5）
• 使用较小规模的代理：
  • 对于v1.5：尝试30B而非235B
  • 对于v1.0：尝试8B或30B而非72B

问：工具执行错误

答： 常见修复方法：

• E2B错误：验证 E2B_API_KEY 是否有效，且账户是否有余额
• Serper错误：检查 SERPER_API_KEY 和速率限制
• Jina错误：验证 JINA_API_KEY 和 JINA_BASE_URL 是否正确
• LLM摘要错误：检查 SUMMARY_LLM_* 变量及代理可用性

问：如何监控长时间运行的评估？

答： 使用进度监控脚本：

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

这些脚本会显示完成状态、已用时间以及预计剩余时间。