在全球人工智能技术快速发展的背景下，单纯扩大模型规模正遭遇边际效益递减；传统依赖参数堆叠的“大力出奇迹”路线——不仅带来高昂的算力成本——也难以从根本上缓解模型在复杂场景中的“幻觉”问题。MiroMind团队从认知科学视角重新审视智能本质，提出“发现式智能”的理念。不同于偏被动记忆的“做题家模式”，该路径强调模型应更像科学家，通过“提出假设—查证—修正”的闭环主动探索未知。最新发布的MiroThinker 1.5将此理念落地：在30B参数规模下实现235B版本90%以上的性能表现，并在BrowseComp-ZH等基准测试中超过部分万亿参数模型。技术突破的关键在于团队提出的“交互式扩展”（Interactive Scaling）理论。该理论跳出传统Scaling Law主要依赖参数扩张的框架，将智能提升的重点扩展到模型与外部环境的动态交互能力。实现层面，模型具备自主调用外部数据源、进行多轮验证与推理校验的能力，使其在生物学等专业问题上能够通过持续证据收集逼近可靠答案，而不是依赖概率生成看似合理的回应。 这一创新也带来直接的成本与效率优势。实测数据显示，MiroThinker 1.5单次推理成本约0.07美元，约为同类产品的1/20；响应速度提升40%，在金融预测、医疗诊断等对实时性要求更高的场景中更具竞争力。团队负责人表示，该技术已应用于Polymarket预测市场，并连续三个月在FutureX全球榜单保持领先。 行业专家认为，这一进展可能推动人工智能研发范式转向：当参数规模竞赛逼近物理与成本边界，提升模型的认知与求证方式或将成为新的突破口。据悉，MiroMind已与多家科研机构开展合作，计划将发现式智能应用于气候变化模拟、新药研发等重要课题。
走向更高水平智能，未必只能靠堆叠规模，更关键在于建立面向真实世界不确定性的处理机制。以证据为约束、以查证为常态、以纠错为能力的研究式推理路径，有望推动搜索智能体从“会回答”走向“会求证”。在效率与可信同样重要的时代，经得起检验的创新，最终将体现为可复现的能力提升与可持续的社会价值。