拓冰网站定制 
MiroThinker 深度研究智能体模型下载与版本选择完整指南【免费下载链接】MiroThinkerMiroThinker is a deep research agent optimized for complex research and prediction tasks. Our latest models, MiroThinker-1.7, achieves 74.0 and 75.3 on the BrowseComp and BrowseComp Zh, respectively.项目地址: https://gitcode.com/GitHub_Trending/mi/MiroThinkerMiroThinker 是开源深度研究智能体256K 长上下文、单任务最多 300 次工具调用BrowseComp 系列成绩在开源模型里领先。下面直接干正事定档位、拉模型、起服务、跑通第一个任务四步走完。 选型决策按显存档位对号入座结论先行大多数人直接选 30B 的 MiroThinker-1.7-mini性价比最高显存紧张退回 8B要满血成绩再上 235B。各版本都是 256K 上下文差别在参数规模和单任务工具调用额度。按你的硬件对号入座单卡 16GB 级起步只想先跑通流程 → v1.0-8B8B 是全家族最小档位量化后单卡就能跑。它适合验证环境和流程别拿它做正式研究任务。4 卡集群要性价比 → 1.7-mini30B默认推荐仓库的默认启动示例就是它BrowseComp-ZH 拿到开源 SOTA 的 72.3300 次工具调用额度SGLang 4 卡张量并行直接能起。没有特殊理由就选这个。8 卡起步要最强成绩 → 1.7235BBrowseComp 74.0、BrowseComp-ZH 75.3、GAIA-Val-165 82.7。资源够就选它资源不够就退到 30B——成绩差距远小于资源代价。v1.5 系列400 次工具调用上限和 v1.0 系列属于旧档除非要复现历史实验不必专门回退。一条命令拉下模型并起服务主路径只有一条从 HuggingFace 直接拉模型本地落盘后交给 SGLang 起服务。# 安装 HF 命令行工具已装可跳过 pip install -U huggingface_hub[cli] # 登录 HuggingFace 账号公共模型可跳过 huggingface-cli login # 拉下 30B 主力模型到本地目录 huggingface-cli download miromind-ai/MiroThinker-1.7-mini --local-dir ./MiroThinker-1.7-mini # 用 SGLang 起推理服务4 卡张量并行监听 61002 端口 python3 -m sglang.launch_server \ --model-path ./MiroThinker-1.7-mini \ --tp 4 \ --host 0.0.0.0 \ --port 61002 \ --trust-remote-code补充两条--model-path也可以直接填 HF 模型 ID服务启动时会自动下载并缓存代码仓库用git clone https://gitcode.com/GitHub_Trending/mi/MiroThinker获取。下载慢就配置 HF 镜像源中断后重跑同一条下载命令即可续传。跑通第一个研究任务服务起来后剩下就是装依赖、填 key、跑一条默认问题。# 初始化 Python 环境需 Python 3.10 与 uv cd apps/miroflow-agent uv sync # 复制配置模板填入 SERPER / JINA / E2B 三组 key cp .env.example .env # 指向本地服务跑默认测试问题 uv run python main.py llmqwen-3 agentmirothinker_1.7_keep5_max200 llm.base_urlhttp://localhost:61002/v1跑完后你会看到模型自己搜网页、执行代码最后给出带来源的答案——这就是一个完整的深度研究任务闭环。顺手挂进 LobeHub可选在 LobeHub 的「Create Custom AI Model」里填上 Model ID把 Maximum Context 拉到 200K 以上、勾上工具支持服务地址填http://localhost:61002/v1就能在网页里直接对话。⚠️ 排坑清单现象 → 原因 → 解法起服务直接 OOM→ 显存不够或--tp太小 → 调大并行卡数或退回 8B/30B低显存场景走apps/gradio-demo/里的量化部署方案main.py 报连接失败→ base_url 没带/v1后缀 → 改成http://localhost:61002/v1工具调用报错E2B / Serper / Jina→.env里 key 没填或额度用尽 → 对照.env.example逐项补齐确认账号有余额WSL 下uv sync内存错误→ WSL2 内存上限太低 → 改用UV_CONCURRENT_BUILDS1 uv sync限制并行构建评估脚本跑不起来→ 不在apps/miroflow-agent目录下或缺依赖 → 回到该目录重跑uv sync再看logs/里的具体报错更多 agent 配置与排错细节看 apps/miroflow-agent/README.md工具清单看 libs/miroflow-tools/README.md。【免费下载链接】MiroThinkerMiroThinker is a deep research agent optimized for complex research and prediction tasks. Our latest models, MiroThinker-1.7, achieves 74.0 and 75.3 on the BrowseComp and BrowseComp Zh, respectively.项目地址: https://gitcode.com/GitHub_Trending/mi/MiroThinker创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MiroThinker 深度研究智能体模型下载与版本选择完整指南
MiroThinker 深度研究智能体模型下载与版本选择完整指南【免费下载链接】MiroThinkerMiroThinker is a deep research agent optimized for complex research and prediction tasks. Our latest models, MiroThinker-1.7, achieves 74.0 and 75.3 on the BrowseComp and BrowseComp Zh, respectively.项目地址: https://gitcode.com/GitHub_Trending/mi/MiroThinkerMiroThinker 是开源深度研究智能体256K 长上下文、单任务最多 300 次工具调用BrowseComp 系列成绩在开源模型里领先。下面直接干正事定档位、拉模型、起服务、跑通第一个任务四步走完。 选型决策按显存档位对号入座结论先行大多数人直接选 30B 的 MiroThinker-1.7-mini性价比最高显存紧张退回 8B要满血成绩再上 235B。各版本都是 256K 上下文差别在参数规模和单任务工具调用额度。按你的硬件对号入座单卡 16GB 级起步只想先跑通流程 → v1.0-8B8B 是全家族最小档位量化后单卡就能跑。它适合验证环境和流程别拿它做正式研究任务。4 卡集群要性价比 → 1.7-mini30B默认推荐仓库的默认启动示例就是它BrowseComp-ZH 拿到开源 SOTA 的 72.3300 次工具调用额度SGLang 4 卡张量并行直接能起。没有特殊理由就选这个。8 卡起步要最强成绩 → 1.7235BBrowseComp 74.0、BrowseComp-ZH 75.3、GAIA-Val-165 82.7。资源够就选它资源不够就退到 30B——成绩差距远小于资源代价。v1.5 系列400 次工具调用上限和 v1.0 系列属于旧档除非要复现历史实验不必专门回退。一条命令拉下模型并起服务主路径只有一条从 HuggingFace 直接拉模型本地落盘后交给 SGLang 起服务。# 安装 HF 命令行工具已装可跳过 pip install -U huggingface_hub[cli] # 登录 HuggingFace 账号公共模型可跳过 huggingface-cli login # 拉下 30B 主力模型到本地目录 huggingface-cli download miromind-ai/MiroThinker-1.7-mini --local-dir ./MiroThinker-1.7-mini # 用 SGLang 起推理服务4 卡张量并行监听 61002 端口 python3 -m sglang.launch_server \ --model-path ./MiroThinker-1.7-mini \ --tp 4 \ --host 0.0.0.0 \ --port 61002 \ --trust-remote-code补充两条--model-path也可以直接填 HF 模型 ID服务启动时会自动下载并缓存代码仓库用git clone https://gitcode.com/GitHub_Trending/mi/MiroThinker获取。下载慢就配置 HF 镜像源中断后重跑同一条下载命令即可续传。跑通第一个研究任务服务起来后剩下就是装依赖、填 key、跑一条默认问题。# 初始化 Python 环境需 Python 3.10 与 uv cd apps/miroflow-agent uv sync # 复制配置模板填入 SERPER / JINA / E2B 三组 key cp .env.example .env # 指向本地服务跑默认测试问题 uv run python main.py llmqwen-3 agentmirothinker_1.7_keep5_max200 llm.base_urlhttp://localhost:61002/v1跑完后你会看到模型自己搜网页、执行代码最后给出带来源的答案——这就是一个完整的深度研究任务闭环。顺手挂进 LobeHub可选在 LobeHub 的「Create Custom AI Model」里填上 Model ID把 Maximum Context 拉到 200K 以上、勾上工具支持服务地址填http://localhost:61002/v1就能在网页里直接对话。⚠️ 排坑清单现象 → 原因 → 解法起服务直接 OOM→ 显存不够或--tp太小 → 调大并行卡数或退回 8B/30B低显存场景走apps/gradio-demo/里的量化部署方案main.py 报连接失败→ base_url 没带/v1后缀 → 改成http://localhost:61002/v1工具调用报错E2B / Serper / Jina→.env里 key 没填或额度用尽 → 对照.env.example逐项补齐确认账号有余额WSL 下uv sync内存错误→ WSL2 内存上限太低 → 改用UV_CONCURRENT_BUILDS1 uv sync限制并行构建评估脚本跑不起来→ 不在apps/miroflow-agent目录下或缺依赖 → 回到该目录重跑uv sync再看logs/里的具体报错更多 agent 配置与排错细节看 apps/miroflow-agent/README.md工具清单看 libs/miroflow-tools/README.md。【免费下载链接】MiroThinkerMiroThinker is a deep research agent optimized for complex research and prediction tasks. Our latest models, MiroThinker-1.7, achieves 74.0 and 75.3 on the BrowseComp and BrowseComp Zh, respectively.项目地址: https://gitcode.com/GitHub_Trending/mi/MiroThinker创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考