MiroMind是由陳天橋與清華大學學者代季峰聯合創立的人工智慧模型公司，專注於發現式智慧型研究，提出以增強模型外部互動能力為核心的Interactive Scaling（互動式擴展）研發範式。該公司主張通過構建模型與外部環境的深度耦合提升智慧型水平，而非單純擴大內部參數規模。
2026年1月6日，MiroMind發布30B參數規模的搜尋智慧型體模型MiroThinker 1.5。該模型採用推理-驗證-修正循環機制，在BrowseComp-ZH評測集中性能接近部分萬億參數模型，單次調用成本低至0.07美元，推理速度較同類模型更快。其核心技術包含Evidence-Seeking、Iterative Verification和Anti-Hallucination行為模式，使用時序敏感訓練沙盒及可控數據合成引擎以防止Future Leakage。該模型通過Training-time Interactive Scaling技術，在嚴格時間可見性約束下進行推演與修正。
基本介紹
- 外文名：MiroMind
- 所屬行業：人工智慧模型
簡介,發展歷程,技術特點,行業影響,
簡介
該公司由陳天橋和代季峰創立，陳天橋認為發現式智慧型是通用人工智慧的一種路徑，並提出了構建發現式智慧型所需的多項關鍵能力，其中包括在未知條件下重建對世界的理解，這也是該公司的主要研究方向之一。該公司的研究聚焦於發現式智慧型，並提出了Interactive Scaling（互動式擴展）範式，這一範式旨在將智慧型的發展從模型參數擴展至與外部環境的互動過程。
2026年1月6日，MiroMind發布30B參數規模的搜尋智慧型體模型MiroThinker 1.5。
發展歷程
2026年1月6日，MiroMind團隊發布旗艦搜尋智慧型體模型MiroThinker 1.5。
該模型參數規模為30B，其性能表現與部分萬億參數模型相近。在關鍵評測集BrowseComp-ZH中，該模型性能接近部分萬億參數模型。
技術特點
MiroMind的核心技術基於“發現式智慧型”理念。其旗艦模型MiroThinker 1.5採用了Interactive Scaling技術，構建了“推理-驗證-修正”的循環機制。具體而言，MiroThinker 1.5引入了互動式推理閉環，構建“提出假設—查詢外部數據—發現衝突—修正假設”的研究循環。該模型採用證據驅動的訓練機制，強化模型搜尋證據的行為，懲罰缺乏來源支持的高置信度輸出。訓練機制強化了Evidence-Seeking（主動求證）、Iterative Verification（多輪校驗與自我修正）和Anti-Hallucination（對捷徑的系統性過濾）等行為模式。
該技術使用時序敏感訓練沙盒和可控數據合成引擎，以防止Future Leakage，並在信息不完備條件下進行推演。該模型通過時間敏感型訓練沙箱，嚴格限制模型只能訪問特定時間戳之前的信息。該模型參數為30B，在部分基準測試中表現與某些大規模模型相近。
行業影響
部分參數規模較小的模型的出現，在行業內引發了一定關注。有觀點認為，AI領域的競爭焦點可能從參數規模轉向模型的實際處理能力。隨著模型參數規模的下降與推理成本的降低，小型化模型在特定場景下的套用受到關注。
當模型的參數規模減小、部署成本降低而性能滿足需求時，其集成到各類移動終端和邊緣設備中的可行性會增加，這可能有助於降低AI在硬體端部署的算力門檻。
部分經過較長時間研發的AI硬體，在底層模型技術發展的背景下，其功能與互動設計有進一步發展的空間。
有分析將大模型與小模型的關係，類比為集中供電與分散式儲能設備的關係。
未來，AI技術的套用可能通過集成於手機、穿戴設備等硬體，觸達更廣泛的用戶群體。
當AI能夠在終端設備以較低成本運行時，其對社會生活的實際影響可能更為直接和顯著。
