Scaling Law的焦虑差距可以由「交互深度」解决，MiroMind用Qwen3-72B在GAIA中超越GPT5

在过去五年，AI领域一直被一条“铁律”所支配，Scaling Law（扩展定律）。它如同计算领域的摩尔定律一般，简单、粗暴、却魔力无穷：投入更多的数据、更多的参数、更多的算力，模型的性能就会线性且可预测地增长。无数的团队，无论是开源巨头还是商业实验室，都将希望孤注一掷地押在了这条唯一的救命稻草上。

今天的开发者和研究者们普遍感到一种深刻的焦虑：Scaling Law是否已接近其经济与物理的尽头？ 我们正面临计算资源的瓶颈，以及越来越微弱的边际效益。如果我们只期待这条定律能带领我们抵达AGI的彼岸，那么我们可能正在走向一个昂贵且平庸的死胡同。

突破这一魔咒，成为了通往下一代通用智能的关键命题。

MiroMind团队的重磅论文 MiroThinker v1.0，正是对这一命题的一次大胆且成功的回答。它并未选择在参数或上下文的军备竞赛中继续内卷，而是另辟蹊径，提出了一个被长期忽视的、决定智能上限的 “第三维度”交互深度（Interaction Depth）。

MiroThinker证明：智能的进化，需要的不再是更巨大的静态脑容量，而是更高效、更深层的“动觉”和“行动力”。在衡量通用AI助手的黄金标准GAIA基准测试中，MiroThinker的72B版本取得了81.9% 的得分，超越了此前的开源霸主，甚至逼近并略高于顶尖商业模型的对标成绩（例如GPT-5-high约76.4%）。

交互式扩展：从“静默思考”到“行动主义”

为了理解MiroThinker的核心突破，我们需要先回顾一下当前LLM的局限性。

传统的大模型测试（Test-time Scaling）往往是在真空中进行的。模型接收一个问题，然后在内部进行推理（CoT），最后输出答案。这就像一个被关在密室里的学生，只能靠死记硬背的知识来答题。一旦遇到知识盲区，或者推理链条中途断裂，它就无计可施，只能开始“胡编乱造”。

MiroThinker引入了 “交互式扩展”（Interactive Scaling） 的概念。

想象一下，如果允许那个密室里的学生上网查资料、运行代码验证自己的猜想、甚至在发现思路错误时推倒重来，他的解题能力会发生什么变化？

研究团队通过强化学习，让MiroThinker-v1.0能够在在一个任务中执行高达600次的工具调用，这种极长的推理轨迹，允许模型：

• 自我纠错（Self-Correction）：在工具返回的错误信息（例如代码报错或搜索结果冲突）的情况下，模型能够主动修正其思维链（Thought）。
• 多路径探索（Multi-path Exploration）：当一条搜索路径陷入僵局时，模型会果断放弃并探索新的、完全不同的解决路径。
• 证据验证（Evidence Verification）：在得出最终结论前，它会多次使用工具对关键事实进行交叉验证。

通过实验数据证实，交互深度和频率的增加，与智能体性能的提升之间存在清晰的、可预测的关联，这被称之为“交互式扩展律”。这不仅是一个工程实现，更是一种新的理论发现，它为突破参数规模的限制带来了一种新的可能。

如何在256K窗口里装下“整个世界”？

看到这里，资深的AI工程师可能会提出一个尖锐的问题：上下文窗口（Context Window）怎么办？

一个600轮的复杂交互，伴随着网页抓取的长文本、Python代码的报错信息、海量的搜索结果，会瞬间撑爆任何现有的上下文窗口（即使是256K也不够用）。如果简单的截断历史，模型就会“失忆”；如果保留全部，成本和显存都无法承受。

MiroThinker给出了一个极其优雅的工程解法：基于新近度的上下文保留（Recency-Based Context Retention）。

研究团队发现了一个有趣的认知规律：决策依赖于逻辑流，而非陈旧的观察结果。

当人类在解决问题时，我们能清晰地记得“我五分钟前尝试过这个方法，但是失败了”（这是Thought和Action），但我们通常记不清“那个失败的方法具体报错的几百行日志是什么”（这是Observation）。我们只需要知道它失败了，以及它为什么失败。

MiroThinker模仿了这种人类的记忆机制：

MiroVerse：用“混淆”逼出真正的智能

如果说架构是骨架，那么数据就是灵魂。MiroThinker之所以能超越同类，很大程度上归功于其构建的庞大合成数据集MiroVerse。

在构建训练数据时，团队面临一个经典难题：如何防止模型“作弊”？

在传统的QA数据集中，答案往往直接包含在文档中。模型只需要学会“关键词匹配”就能得分，这训练的是检索能力，而非推理能力。为了逼出模型的“深度思考”，MiroMind团队设计了一套名为 “约束混淆”（Constraint Obfuscation） 的绝妙机制。

让我们看一个例子：

• 原始事实：“埃隆·马斯克在2002年成立了SpaceX。”
• 混淆后约束：“这家航天公司由一位PayPal前高管在21世纪初成立。”

在训练数据中，具体的时间（2002年）、地点（加州）、实体名称（马斯克）被系统性地替换成了间接的、需要推理的描述（temporal/spatial generalizations, referential indirection）。

这意味着，模型无法通过搜索“SpaceX成立时间”直接得到答案。它必须：

1. 搜索PayPal前高管名单。
2. 筛选出谁涉足了航天领域。
3. 确认成立时间是否在21世纪初。
4. 综合多方信息得出结论。

这种MultiDocQA Synthesis（多文档问答合成） 流程，强迫模型走出舒适区，通过跨文档的多跳推理（Multi-hop Reasoning） 来寻找答案。这就像是把模型送进了一个充满了谜题的迷宫，只有学会真正的逻辑推理，才能找到出口。

强化学习的魔法：GRPO与“偏执”的求证者

拥有了架构和数据，MiroThinker的最后一块拼图是训练方法。这也是它能实现“交互式扩展”的动力源泉。

MiroThinker的训练分为三个阶段：SFT（监督微调）、DPO（偏好优化）和RL（强化学习）。其中，Agentic Reinforcement Learning（智能体强化学习） 是最关键的一步。

在SFT阶段，模型只是在“模仿”人类专家的操作。但在RL阶段，团队使用了 GRPO（Group Relative Policy Optimization） 算法，让模型在沙箱环境中自由探索。

这里的核心在于奖励函数的设计（Reward Design）。

这个公式看似简单，却蕴含深意。

这种自由度带来了惊人的行为涌现。 实验数据显示，经过RL训练后的模型（30B版本），其交互轨迹发生了质变。

SFT模型往往倾向于尽早回答问题（这也是大模型的通病，急于求成）。而RL模型则表现得像一个“偏执”的科学家：它会花费大量的步骤去自我验证（Self-Verification），在得出结论前反复检查证据，甚至在发现搜索结果不理想时主动调整关键词重试。

正是这种通过RL涌现出来的“多想一步、多查一次”的特质，构成了交互式扩展的本质。

实验结果：开源模型的逆袭

那么，这一套复杂的组合拳（交互扩展 + 新近度记忆 + 混淆数据 + GRPO），最终效果如何？

在多个权威基准测试中，MiroThinker交出了一份完美的成绩单：

1. GAIA (Text-Only)：这是衡量通用AI助手能力的金标准。MiroThinker-72B拿下了 81.9% 的高分，不仅碾压了之前的开源霸主MiniMax-M2 (75.7%)，甚至超过了 GPT-5-high (76.4%)。
2. Humanity's Last Exam (HLE)：这是一个旨在测试AI极限的超高难度题库。MiroThinker取得了 37.7% 的成绩，比Tongyi-DeepResearch高出4.8个百分点。
3. 多语言能力：在BrowseComp-ZH（中文浏览基准）上，它达到了 55.6%，大幅领先GLM-4.6。

这些数据证明通过精细设计的交互机制和训练策略，72B参数的模型完全可以由“巧”取胜，在实际任务中通过深度推理弥补参数量的差距。

局限性与真实的反思

1. 工具使用的低效性 研究者坦诚地指出，RL虽然提升了效果，但也导致模型变得“啰嗦”，有时会为了交互而交互。如何在提升交互深度的同时保持工具调用的效率（Efficiency），将是下一个优化热点。

2. 语言混合问题 (Language Mixing) 在处理中文问题时，模型的内部推理（Thought）有时会夹杂英文，导致最终输出的中文质量受到影响（Chinglish 现象）。

3. 沙箱操作笨拙 模型虽然能写代码，但有时会忘记初始化沙箱，或者试图用Python代码去硬读取网页，而不是调用更高效的专用爬虫工具。

写在最后

如果我们把AI的发展比作攀登珠峰，那么“模型规模”是北坡，“上下文长度”是南坡。这两条路虽然宽阔，但越往上走，空气越稀薄，边际效益越低。

MiroThinker向我们展示了第三条路，交互（Interaction）。通过RL鼓励模型“多交互、多验证”，可以在不增加模型参数的情况下显著提升复杂任务的推理能力。欢迎你来群里一起聊。

文章来自于“AI修猫Prompt”，作者 “AI修猫Prompt”。