作为一个每天需要处理海量信息的自媒体从业者，我最近有一种深深的疲惫感。

我们原本以为AI是解药，但现在LLM它们给我的感觉更像一个技艺高超的速记员，你问它任何问题，它都能秒回，文笔流畅，逻辑看似通顺。但当你去核实细节时，往往会发现它在一本正经地胡说八道，要么给的全是我愿称为“失焦”的流水账式的内容，你说错吧，倒是全是正确的废话，包括ChatGPT 和 Gemini的深度研究功能

在投资决策、深度写作、技术调研这些容错率极低的场景下，“大概率正确”=“不可用”。

我们需要的不只是一个会说话的AI，而是一个严谨的科学家。它应该是不自信的，是多疑的，是在开口回答之前，先去翻阅成百上千份资料，交叉验证后才敢下结论的。

最近，我在 GitHub上发现了一个名为 MiroThinker 的开源深度研究项目，这个项目最近发布了 1.5 版本，此前曾凭借成功预测 Polymarket 题目，连续登顶 Future X全球榜首，力压诸多国际顶尖机构和闭源商业模型，堪称2026年开年智能体领域的”黑马“模型，仅使用 300 亿（30B）个参数即可实现与万亿参数模型相当的性能。

它的思路让我眼前一亮：它不拼参数规模，而是把技能点全点在了去伪存真上，这点很打动我，我抱着试一试的态度去体验了一下，说实话还真有点东西，可以说完全超出了我的预期

废话不多说，看我的实测

地址在这：

https://dr.miromind.ai/

实测

打开MiroThinker界面长这样：



先小试牛刀，我抛出了一个争议且没有标准答案的问题。请看MiroThinker是如何一步步拆解的：

2026年人类会实现AGI吗？如果会，是那家公司会率先宣布实现AGI，为什么

直接放结论：



在这个case中，MiroThinker 并没有简单地罗列新闻，而是进行了多轮检索、交叉验证、定义对齐，最终给出了一个基于概率的判断，整个思考过程全部摊开给你看，你能清楚看到模型在做什么，层层递进，逻辑严密

我们来拆解一下

1：结构化拆解



MiroThinker它像一个严谨的分析师，先把问题拆解成了三个具体的求证方向：

    1. 学术界和预测市场怎么看？（宏观概率） 2. OpenAI、xAI、Google的具体路线图是什么？（微观证据） 3. 现在的技术基准分是多少？（客观现状）

2：饱和式广度检索



注意看它的搜索路径，它不是只搜了一次

为了回答这一个问题，它自主进行了近10轮的深度检索

它不仅看了通用的新闻，还去翻阅了斯坦福的专家报告、Metaculus预测市场数据、甚至是由于OpenAI内部泄露的研究员路线图

这种“不把底朝天不罢休”的检索深度，确保了它掌握的信息比大多数人类研究员还要全面

3：对抗性交叉验证







这是最显功力的地方——去伪存真

它检索到了马斯克说“2026年实现”，但它没有轻信，而是立刻找来“现有技术自动化率仅2.5%”和“长期记忆得分为0”的硬数据进行对冲

它通过对比由于商业利益驱动的公关话术和冷冰冰的技术指标，最终判断：

2026实现概率低于（20-30%）。 它没有顺着热点炒作，而是帮你回归理性

4：基于证据链的精准推演



看这个结论，太犀利了

它没有止步于可能与不可能，而是给出了极具洞察的推演：如果2026年真的有人宣布AGI，大概率是马斯克的xAI

为什么？因为它分析了各家的行事风格和行业最新现状——OpenAI更谨慎（目标定在2028），而xAI有最激进的资本投入和马斯克的个人风格

这不再是简单的搜索总结，这是有逻辑、有观点的深度研报

以上过程回放：

https://dr.miromind.ai/share/9c9efccf-77ff-4dbc-91c7-bac1695f904c

刚才只是小试牛刀，现在我给它抛出了两个充满噪声的真实难题

场景一：在满天飞的消息中，寻找确定性（财经/决策场景）

注意以下仅为技术展示，不构成投资金建议

这个场景是金融领域最复杂的“预测+决策”问题。如果问普通AI，它大概率会给我生成一段万金油式的“股市有风险，投资需谨慎”，再加上几句正确的废话



这是一个最让AI头疼的问题：既要有宏观视野，又要落实到具体操作，还不能说假话

看看 MiroThinker 是怎么交卷的：

1：拒绝模棱两可，直接锁定核心矛盾





MiroThinker 直接抓住了当前A股的核心矛盾：央行适度宽松的定调 vs 两融余额创历史新高的杠杆风险

它在回答前就明确了：现在不是底部捡便宜，而是高位强势期，策略必须变。

2：像情报官一样挖掘“真金白银”的动向



嘴上说的不算，真金白银才是诚实的。MiroThinker 不仅看新闻，还去扒了龙虎榜和ETF资金流向它发现虽然大盘在涨，但资金在疯狂加杠杆（两融创新高），同时外资在扫货半导体和有色

3：政策穿透力





A股是政策市。MiroThinker 展现了强大的政策穿透力。它敏锐地捕捉到了工信部《有色金属行业稳增长工作方案》和国家航天局的行动计划

它告诉你：为什么这两个板块能涨？因为国家在后面推。这种逻辑归因，比单纯看K线靠谱得多

4：给出可执行的“仓位配方”



给了一套风控模型

这哪里是AI，这简直是一个老练的基金经理在手把手教你配置资产

5：严谨的风险提示（不是免责声明）



它没有一味唱多。它明确警告：半导体市盈率百分位95%+，容错率极低。这种冷静的泼冷水，在牛市氛围中价值千金。它是在保护你的本金。

它没给我财富密码，但它帮我穿透了噪声。它像一个冷静的分析师，帮我把情绪剥离，只看证据

回放：

https://dr.miromind.ai/share/78e5d0a0-2053-4557-b841-4b0d5b06b530

场景二：内容查证场景，对抗“标题党”的终极测试

实测case：“我是一个每天习惯喝 3 罐无糖可乐的上班族。我看新闻说世卫组织（WHO）把阿斯巴甜列为了‘致癌物’，搞得我很焦虑

请帮我查证：

    1. WHO 原始报告中关于‘致癌剂量’的具体定义是什么？ 2. FDA 或 JECFA（食品添加剂专家委员会）对此持什么态度？ 3. 基于我的饮用量（每天3罐），我真的面临显著的致癌风险吗？请用数据说话，不要给我模棱两可的建议。”

这个例子展示了MiroThinker强大的信息查证、概念辨析和数据计算能力



第一步：概念辨析——不仅是搜新闻，更是读懂新闻



面对“阿斯巴甜致癌”的全网恐慌，MiroThinker 没有跟风营销号

它第一步就做出了关键的概念切割：

IARC（国际癌症研究机构）：只负责贴标签（有没有可能致癌），不负责谈剂量。它列为 2B 类只代表“证据有限”，连泡菜和手机辐射都在这个类别里

JECFA（食品添加剂专家委员会）：才是负责定“安全标准”的。

这一步“定义校准”，直接把 90% 的无效焦虑过滤掉了

第二步：数据计算——拒绝模糊建议，直接上算术题





普通的 AI 可能会说：“建议您适量饮用”。什么叫适量？MiroThinker 拒绝废话，直接运行python程序：

计算结果一目了然：你每天摄入 600mg，而安全上限是 2800mg。

它用数据告诉你：你目前只用掉了 21% 的“安全额度”

第三步：权威信源——FDA 的“硬刚”态度



为了让你彻底放心，它还引入了“第三方证人”

它查到了 FDA（美国食品药品监督管理局）的官方声明，FDA 不仅维持了更宽松的标准（50mg/kg），甚至直接公开反对IARC 的分类结论

第四步：终极结论——给焦虑画上句号



最后，它给出了一个不含糊的结论：

基于现有最权威的证据，你每天 3 罐的习惯，在癌症风险上不属于‘显著危险’。”

看到这里，我手里的无糖可乐瞬间更香了

回放：

https://dr.miromind.ai/share/e45955fa-5c5e-462a-a93f-9b493cd606ae

在这个案例中，MiroThinker 展现的不是聊天能力，而是调查记者+数据分析师的能力。它不生产情绪，它只负责用严谨的逻辑和数据，把真相还给你

我把同样的问题抛给了ChatGPT 深度研究，用时半小时，给我的报告我简直读不下去

我把ChatGPT结论贴出来，大家看看，还是像流水账一样的东西，前面一段很官方的叙述，感觉不到是在替你解决问题，解决困惑，严重缺乏MiroThinker那种逻辑严密层层递进的分析最后得出严谨的结论的感觉





以上就是我的测试

MiroThinker 1.5的背后的技术

MiroThinker 1.5 的出现，揭示了一个被行业忽视的真相：大模型的未来，或许不在于把脑子练得更“重”，而在于把手练得更“勤”

底层哲学的质变：从“做题家”到“科学家”

传统大模型（做题家模式）：

目前的 Scaling Law（缩放定律）本质上是在培养“做题家”。它们试图把全人类的知识（包括错误和噪声）通过死记硬背塞进万亿参数里

弊端：一旦遇到生物学、前沿科技等训练集里没有的未知问题，它们就会基于概率分布“编”一个看似合理的答案——这就是幻觉的根源。

MiroThinker（科学家模式）：

MiroThinker 1.5 放弃了全知全能的幻想，转而拥抱“发现式智能”

核心：它被训练成一个严谨的科学家。遇到难题，它的第一反应不是瞎猜，而是执行一个慢思考的研究闭环：提出假设 → 向外部世界查证 → 发现矛盾 → 修正假设 → 再查证 → 直到证据收敛。

结论：智能的增长不再依赖内部参数的无限膨胀，而是依赖外部交互（Interactive Scaling）的深度与广度。

核心黑科技：Training-time Interactive Scaling（训练时交互扩展）

许多“搜索AI”只是在模型外面挂了一个搜索插件，而 MiroThinker 1.5 将交互内化为了模型的本能

在 v1.5 的训练阶段，团队引入了一套残酷的奖惩机制，彻底改变了模型的行为逻辑：

Evidence-Seeking（主动求证本能）：

模型不再被奖励“直接给出答案”，而是被奖励“把问题拆解并找到证据”。如果模型给出了一个高置信度的结论却缺乏信源支撑，它在训练中会受到系统性的惩罚。

Iterative Verification（自我否定与修正）：

它打破了传统思维链（CoT）的线性逻辑。传统模型一旦第一步推错了，后面就会步步错（逻辑坍塌）。而 MiroThinker 被训练成允许“反复横跳”——在交互中发现证据冲突时，必须显式地否定自己之前的假设，并修正路径。

Anti-Hallucination（反幻觉机制）：

系统性过滤“捷径”。如果模型试图通过记忆或统计概率来猜答案（偷懒），而不是去查证，会被标记为低质量推理。

结果：MiroThinker 1.5 不需要把整个互联网背在脑子里（所以参数只有 30B-235B），它学会了在需要的时候，快速、精准地向外部世界“借力”。

破解“上帝视角”：时序敏感训练沙盒 (Time-Sensitive Training Sandbox)

为什么很多 AI 预测未来不仅不准，还经常“穿越”？因为它们在训练时开了“上帝视角”——它们在学历史数据时，已经看过了“未来的答案”。

MiroThinker 构建了一个严格受控的时序沙盒

拒绝剧透：训练时，模型被强制戴上了“时间枷锁”。当它回答一个 2023 年的问题时，系统严禁它访问 2024 年的信息

动态真理：每一道题的“正确答案”不再是静态的，而是随着时间戳动态演化的。

因果律约束：这迫使模型必须在信息不完备、充满噪声的真实环境下，像人类一样去推演未来，而不是简单地复述历史。

MiroThinker 1.5 证明了“高智效比”才是 AI 的未来。它不追求拥有一个最重的脑子（万亿参数），而是培养了一双最勤快的手（高频交互）

这也是他为什么它能用极低的推理成本（{随机新闻正文}.07），跑出比肩巨型模型的实战效果

就我的体验来说，MiroThinker 1.5它的思考的过程和给出的结论都非常像人类，你能真实的感受它是给人看的，它或许不能直接给我财富密码，但它给了我一种在复杂世界里保持理性、抓住重点的方法论，且它的效率比人类高出非常多，目前无论是GPT-5，Gemini，Claude ，还是DeepSeek的智能目前都表现出为一种锯齿状智能，MiroThinker 1.5本身的定位是拥抱发现式智能，也许这是解决问题的可行的路径

体验网站：

https://dr.miromind.ai/

Github代码地址：

https://github.com/MiroMindAI/MiroThinker

MiroFlow开源框架：

https://github.com/MiroMindAI/MiroFlow

Hugging Face模型下载：

https://huggingface.co/miromind-ai/MiroThinker-v1.5-235B