先贴我们的网址，是在：https://dr.miromind.ai/

确实模型很好用的，Deep Research出的结果可行度和完整性都很好。我现在每天搜索信息，问问题，90%都是在MiroThinker上了，Google和ChatGPT都用得很少。大家用用就知道了，现在我们pro版本都还免费，抓紧薅羊毛。

之前因为各种原因，MiroMind都很低调很神秘，现在可以稍微说几句：

1）MiroMind怎么来的：

陈天桥总之前在脑科学领域花了十多亿美金，六、七年的时间，建了一个很好的脑科学的研究组织，叫TCCI。由此，他其实一直对AGI很感兴趣。22年底ChatGPT出来，他认为AGI的时代开启了，不过当时以为建个好的AGI研发组织超出了自己的财力范围，所以没做。25年初DeepSeek出来，跟梁文锋一聊，发现完全在自己财力范围内，就想做了。问梁总谁适合来做这个AGI研发组织的leader，梁总推荐了选我或者选我以前的一个实习生和下属，陈总说那我肯定要老师，所以就陈总牵头，我联合一起发起了MiroMind。

2）MiroMind的使命和愿景：

跟陈总第一次聊，陈总问我为什么DeepSeek会成功。我的观点是，梁文锋一个人集齐了“有钱+有理想+懂技术”三个要素，三个要素在一个人身上，沟通和管理成本极低。我说我“有理想+懂技术，不过没钱”。陈总很兴奋的表示完全赞同，说“我有钱，有AGI的理想，不过不懂技术，咱凑一起刚好齐了”。

所以MiroMind是要打造一个国际化的顶尖AGI研发组织，在很多管理理念上会学习DeepSeek。我有至少两个之前的学生/实习生在DeepSeek工作，我印象最深的是，每次微信上跟他们约时间通话下，15分钟之内通常都会说老师可以了，聊起来也是元气满满，并且他们对身边的同事都是比较信赖的。这跟我和其他很多公司工作的朋友通话的状态形成鲜明对比，好多别的地方是下午发个消息，晚上10点充满疲惫的回电。

我们的基本理念是要招聘最优秀最自驱的年轻人，为大家打造一个开放、机会公平、职级扁平、信息尽量透明的一个AGI研发组织。我们相信优秀的年轻人加上优秀的组织文化，加上充足的资源，好事情自然会发生。在MiroMind，我们拥抱开源、技术理想主义和长期主义。

当然这么做的底气不是来源于没钱的代老师，而是陈总：）

3）我们为什么从Research Agent开始切入，以及接下来会做啥：

站在25年初的时间点，LLM Pre-training的技术曲线已经走到了scaling law的log曲线里很平坦的区域了，别的大模型公司也都在这条技术曲线上迭代了两年多，MiroMind没有优势。所以我们选择从刚兴起的Agent Modeling这条新兴的技术曲线往前走，跟别的大模型公司在同一条起跑线上或者至少没有迟太多。回过头来看，这个选择应该是非常正确的。Agent的赛道上还有很多有意思的技术问题待解决，也能enable很多高价值的应用场景。

接下来，我们会继续在Agent领域持续深耕，同时回头去补些缺的成熟的技术曲线上的能力。

最后，打个广告，MiroMind在全球持续招聘优秀人才，欢迎发邮件到[email protected]

这个东西非常好，不是跑分货。

Miro Thinker用来源中低配模型，跑通了DeepResearch。

它并不主要取决于模型的大小，而是取决于后训练的方式，Agent-Specific Post-training。

Miro Thinker 主要特点是 极佳的搜索直觉，在第一次搜索时，往往就能找到最佳的几个网站。

考虑到它的基础模型，模内的常识不足，训练数据过早，光靠基础模型的直觉是拉不动的。

这显然需要对模型进行大刀阔斧的后训练。

他有一个Scaling Law，叫做交互式Scaling。这是它的杀手锏。不同于单纯堆算力或上下文长度，它通过增加与环境（如搜索引擎、工具）的交互频率来提升性能。最多可以达到400~600次的工具调用。

像智谱或豆包的 Deep Research，受限于 Token 成本和推理效率，会在搜索 5-10 次后强制进入“归纳阶段”。Miro Thinker 的 Scaling Law 认为：推理的质量与与环境交互的次数成正比。

很明显，这个Scaling Law非常有效，把互联网地皮一层一层地掀起来。

最重要的，我觉得就是保持一种直觉——模型应该考虑“我的结论是否已经充分且扎实的”，分得清楚概念之间的细微区别，比如标准版和Pro版操作有可能是不一样的，搜索到了Pro版，不代表标准版也能使用同样的操作。。无论你Scaling多少次，你没有这个直觉，很多操作都是废的。

Miro Thinker懂得在概念的细微差别里反复横跳，它那种“我的结论是否已经扎实”的自我怀疑感，是它不像个智障的关键。

我测试了冷门游戏（KOEI系游戏）数据搜索，企业与产品（咖啡公司）的调查，某个事件（宝马Alpina）的舆情报告，冷门硬件的hard reset操作指南，OpenAI最新硬件，OpenAI的投资与算力合同。

这些做的都很好。不过它有点不长记性，比方说有些知乎的内容，它需要登录才能搜索，他第一次不行，放弃了。然后第二次还是会去搜索。它还会去搜索哔哩哔哩的视频下面的简介。那种视频下面基本上都没有什么有用的东西。它可能不知道，B站简介里除了UP主的充电求关注，剩下的全是“见置顶评论”。

不能解读图片和视频，是它比较大的硬伤，如果材料是图片和视频形式的，那么对它来说就是无效信息。

如果Deep Research这个产品类型主要跟交互的Scaling有关，那么，用大模型去拉搜索结果，这个方式就有可能是错的，而是要用小模型低成本去拉高交互Scaling的量。

经过了漫长的数小时的测试……说说我的看法。

典型的 Agentic Workflow 。

首先，我用的是开启pro的模式。

根据实测的后台日志来看，MiroMind走的很像是Agent + MCP工具流模式。经过了任务拆解/工具调用/闭环迭代/最终合成的一个过程，最后甚至调用了 Python (Sandbox) 来计算产能增长百分比。

30B的模型在这里充当的只是一个操作员。“30B > 1T”的本质，是用推理时的算力（让它反复思考、搜索10多次）去换取模型训练时的参数。

这种模式的优缺点极其两极分化。

很慢但相对比较可靠，我捏着鼻子耐心看了一下完整的推理日志，几乎是在进行暴力穷举。

搜索次数：为了回答这一个问题，它前前后后进行了我数得出来的至少12次以上的独立搜索。

精炼过程：每一次搜索后，都伴随着一次“Reading & Reasoning”（阅读与推理）。它不是只看Snippet，而是真进去读了财报（比如MP Materials的10-K文件）。

时间成本：确实慢。你看着它像个强迫症一样，查完A公司查B公司，查完官网查研报。

结果质量：相当高！！！最后输出的带引用的报告，逻辑严密程度远超那些“秒回”的1T模型。

这意味着这是一个慢思考模式:小脑子（30B）+ 强工具（MCP）+ 慢思考（推理时计算）。

附上我问的问题供大家参考吧：

就不添加过多图片了，这是全部的截图的截图，总之，我个人的粗浅看法就是：

如果你是做闲聊、写诗，这种模型是一坨，因为太慢、太较真。 但如果你是做金融研报、竞品分析、法律尽调， 这种“反复搜索、精炼、再搜索”的方法，才是企业级应用真正需要的。

我问的第一个问题是“美国抓走了委内瑞拉总统，这对世界局势有什么影响？”

结果AI思考过程中反复强调这是FAKE NEWS！！！

但让人意外的是，AI在总结输出阶段似乎自己接受了这个设定，并未做出FAKE NEWS的反馈，并认真给出了分析结果。

对于这一点我觉得还挺有意思的，思考逻辑自己有一套想法，但是输出的结果最终还是按照用户的想法输出。