当所有人都在拼参数，他们选择让AI学会“思考”
当行业还在为千亿、万亿参数的模型狂欢时，MiroMind团队却问了一个更尖锐的问题：如果一个AI能背下整座图书馆，但它永远分不清真假信息，那它真的“聪明”吗？
答案是否定的。真正的智能，不是记住多少，而是知道什么时候该停下、去查证、去修正。
30B参数，干掉30倍大的模型
MiroThinker-v1.5-30B，一个只有300亿参数的模型，在多个权威搜索代理基准测试中，性能与千亿甚至万亿级模型持平，甚至超越。
在中文场景最具挑战性的BrowseComp-ZH测试中，它击败了参数量是其30倍的Kimi-K2-Thinking——推理成本却只有后者的1/20。这不是小幅度优化，而是一次结构性突破。
更惊人的是，它的235B版本在多个国际公开评测中稳居全球第一梯队，成为少数能在真实搜索任务中稳定调用外部工具、动态修正答案的模型之一。
它不是“答题机器”，是“科研助手”
传统大模型像一个背了十年课本的考生：题目一出，立刻翻记忆，选最“可能”的答案。哪怕没学过，也能编出一套逻辑严密的假话——这就是我们常说的“幻觉”。
MiroThinker 1.5不一样。它被训练成一个真正的“科学家”：
- 面对未知问题，它不急着回答，而是先提出假设；
- 然后主动联网查询最新资料，不是靠记忆，而是调用实时信息源；
- 发现矛盾？立刻反向验证，寻找反例；
- 证据不足？暂停判断，等待更多数据；
- 直到多个独立信源交叉印证，才给出最终结论。
这不再是“生成文本”，而是模拟人类科学推理的完整闭环。
为什么它能“小而强”？因为训练方式彻底变了
传统模型训练，是“上帝视角”：你直接告诉它正确答案，它只需要学会复述。
MiroMind的团队做了三件颠覆性的事：
- 惩罚“捷径思维”：哪怕答案看起来很合理，只要没经过外部验证，直接扣分。
- 奖励“拆解+查询”：模型每分解一个复杂问题为可验证子任务，并成功调用外部数据，就获得高奖励。
- 引入“时序敏感训练沙盒”：这是最硬核的创新。模型在训练时，只能访问“问题发生时间点之前”的信息。比如问“2024年7月特斯拉股价是多少？”，它不能看到2024年8月的财报——必须像真实用户一样，在信息不完整、有延迟、有噪音的条件下做判断。
这意味着，MiroThinker学到的不是“标准答案”，而是如何在真实世界中做决策。
这不是AI的进化，是认知方式的革命
过去十年，AI的进步靠的是“更大、更多、更快”——更大的模型、更多的数据、更快的算力。
MiroThinker 1.5证明：这条路已经触顶。真正的下一个拐点，是让AI从“记忆者”变成“探究者”。
它不追求“无所不知”，而是追求“知之为知之，不知而能查”。
在信息爆炸、假新闻泛滥的时代，我们更需要的不是能说会道的AI，而是能帮你辨别真伪、拒绝臆测、坚持证据的智能伙伴。
现在，你可以亲自验证
无需注册，无需等待——直接体验MiroThinker 1.5的“科学家模式”：
输入一个你曾被AI“骗过”的问题——比如“2025年iPhone 17有哪些新功能？”或“最近有哪位诺贝尔奖得主发表了争议性言论？”——看看它会不会直接编答案，还是停下来，查证，再回答。
这，才是AI该有的样子。