GAIA 榜首，BrowseComp 第一：MiroThinker-H1 如何用核查机制打败 GPT-5 ?

如果你最近关注 Deep Research Agent 领域，MiroThinker-1.7 & H1 这篇技术报告值得认真读一遍。它不是在已有 LLM 外面套一个检索模块，而是从训练阶段就把"Agent 能力"作为一等公民对待——包括如何规划、如何调用工具、如何在长轨迹中保持推理连贯性。在此基础上，H1 版本进一步引入了一个鲜少被系统探索的机制：把验证（verification）直接嵌入推理过程，而不是事后打分。结果在 BrowseComp 上拿到 88.2，GAIA 达到 88.5，超过 GPT-5 整整 12 个百分点。

交互轮次越多，不等于越有效

当前大多数 Deep Research Agent 的优化路径是：增加搜索轮次、增加上下文长度、增加并行工具调用。这条路有天花板：当每一步的质量不可靠时，更长的轨迹只会累积更多噪声，而不是接近答案。

论文的实验数据非常直接。将 MiroThinker-1.5-30B 与同参数量的 1.7-mini 对比，后者在五个 agentic benchmark 上平均少用 43% 的交互轮次，但性能提升 16.7%。在 HLE（Humanity's Last Exam）这类长程任务上差距更明显：轮次减少 61.6%，性能反而高 17.4%。这组数字指向一个清晰的判断：提升每一步的可靠性，比延长轨迹长度更有价值。正是这个判断，决定了 MiroThinker-1.7 训练管线的设计逻辑。

四阶段训练管线：原子能力先于端到端策略

MiroThinker-1.7 基于 Qwen3 MoE 开源检查点，经过四个阶段训练：Agent 中训练（Mid-training）→ 监督微调（SFT）→ 偏好优化（DPO）→ 强化学习（GRPO）。

第一阶段是最值得关注的设计。通常做法是直接用完整轨迹做 SFT，但这会把每一步的噪声一起学进去。MiroThinker 的做法是先单独强化原子能力：冷启动规划（给定 query，直接生成结构化计划和第一次工具调用）、步骤推理（从轨迹中截取某一步 ，在完整前缀上下文 下重写该步输出）、答案聚合（在局部观测下汇总证据）。

训练目标是标准的下一 token 预测：

这种"单步重写"而非"全轨迹监督"的方式，使模型在噪声较高的真实轨迹上也能学到干净的局部行为，不会被一条烂轨迹整体污染。

第三阶段 DPO 的偏好判断只看答案正确性，没有对规划长度、步数模板做任何约束——论文明确指出，加结构性约束会引入系统性偏差，降低跨任务泛化能力。第四阶段用 GRPO 在线 RL 做探索，奖励函数 兼顾正确性与格式合规。为防止策略熵过早崩塌，引入动态 KL 惩罚系数 ，专门对负样本中的低概率 token 施加额外正则，优化目标为：

其中优势 是组内相对奖励，避免绝对奖励尺度对训练的影响。

"验证比生成更容易"——H1 的核心思想

MiroThinker-H1 是在 1.7 基础上增加了两个验证器。这个设计背后有一个长期被低估的认知：验证的难度通常低于生成。给定一条推理链和最终答案，判断它对不对，比直接生成正确答案要容易得多。H1 将这个不对称性系统化地利用起来。

Local Verifier 作用在每一步。标准 ReAct 范式下，模型倾向于沿最高概率路径走，在难题上容易陷入"惯性思维"——反复确认自己已有的偏见，而不是真正探索。Local Verifier 在每步结束后介入，评估当前推理步骤的质量，必要时触发重试。实验用 BrowseComp 中 295 道 MiroThinker-1.7 经常失败的难题做测试：加入 Local Verifier 后，Pass@1 从 32.1 跳到 58.5（+26.4），同时交互步数从 1185.2 骤降至 210.8——不到原来的五分之一。这个步数减少并非设计目标，而是验证机制让每步更有效后的自然结果，我认为这恰恰是一个强信号。

Global Verifier 作用在整条推理链结束后。它审计证据链的完整性：如果支撑答案的证据不够充分，则要求 Agent 补充推理，而不是直接接受一个"凑合"的答案。从结果看，BrowseComp +14.2，SEAL-0 +8.3，FrontierScience-Olympiad +7.5，HLE +4.8，覆盖搜索密集型和复杂推理型任务，说明这个机制有不错的泛化性。

数字背后：真正的亮点与值得审视的地方

MiroThinker-H1 在多个主流榜单拿到第一：BrowseComp 88.2（超过 Gemini-3.1-Pro 的 85.9 和 Claude-4.6-Opus 的 84.0），BrowseComp-ZH 84.4，GAIA 88.5（超过 GPT-5 的 76.4 达 12.1 个百分点）。专业领域上，FrontierSci-Olympiad 79.0 超过 GPT-5.2-high（77.1）和 Gemini-3-Pro（76.1）。

有几点值得客观审视。

第一，基准测评中竞品结果均来自各家技术报告或 model card，未在统一环境下复现，横向对比存在一定不确定性；论文也在表格注释中如实说明了这一点。

第二，H1 本质上是推理时计算扩展（test-time compute scaling）：图 7 显示 BrowseComp 准确率随 token 预算近似对数线性增长，从 16× 的 85.9 到 64× 的 88.2，代价是 4 倍计算量。在生产环境中这个成本如何控制，论文没有详细讨论。

第三，长报告评估（Table 3）上 MiroThinker-H1 整体得分 78.0，低于 ChatGPT-5.4 Deep Research 的 81.0，说明在报告生成这一维度上仍有差距。

对从业者的参考价值：哪些设计思路可以复用

MiroThinker-1.7 和 1.7-mini 的模型权重已开源（Qwen3 MoE 基座），GitHub 仓库同步公开。对于正在构建 Agent 系统的从业者，我认为以下几点有直接参考价值：

其一，上下文管理策略。滑动窗口 保留最近 5 步观测，但完整保留全部 thought-action 轨迹，并对每步工具输出做截断 。这是一个工程上可操作的平衡点，在长轨迹任务上值得借鉴。

其二，训练时原子能力与端到端策略分离。先用单步重写数据强化规划和推理的局部质量，再用完整轨迹做 SFT 和 RL，比直接端到端训练噪声更低。这个思路对资源有限、数据质量参差不齐的团队尤其实用。

其三，验证器作为推理时插件。Local Verifier 和 Global Verifier 并不需要重新训练基础模型，而是在推理框架层面引入。这意味着它们在原则上可以独立于模型迭代，适合作为已有 Agent 系统的增量改进。