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。