[논문리뷰] MiroThinker: Pushing the Performance Boundaries of Open-Source Research Agents via Model, Context, and Interactive Scaling

링크: 논문 PDF로 바로 열기

저자: cyyang822, weizhiwang, Eric-LRL-130, mx1024, YuntaoChen

핵심 연구 목표

논문은 오픈소스 연구 에이전트의 성능 한계를 모델 크기, 컨텍스트 길이, 상호작용 스케일링(interaction scaling) 이라는 세 가지 주요 차원을 통해 확장하는 것을 목표로 합니다. 이는 에이전트가 환경과 더 깊고 빈번하게 상호작용하도록 훈련시켜, 오류를 수정하고 추론 경로를 개선하여 복잡한 실세계 연구 문제를 해결하는 능력을 향상시키는 데 중점을 둡니다.

핵심 방법론

MiroThinker v1.0은 ReAct 패러다임 을 기반으로 하며, 256K 컨텍스트 윈도우 내에서 최대 600회의 도구 호출 을 수행할 수 있습니다. 효율적인 컨텍스트 관리를 위해 최신 기반 컨텍스트 유지(Recency-Based Context Retention) 및 결과 잘림(Result Truncation) 전략을 사용하여 컨텍스트 효율성을 높였습니다. 훈련은 지도 미세 조정(SFT) , 선호도 최적화(DPO) , 강화 학습(RL) 의 3단계 파이프라인으로 진행되며, RL은 에이전트가 환경과 직접 상호작용하며 창의적인 해결책을 탐색하도록 돕습니다.

주요 결과

MiroThinker v1.0-72B는 GAIA 벤치마크에서 81.9% , HLE에서 37.7% , BrowseComp에서 47.1% , BrowseComp-ZH에서 55.6% 의 정확도를 달성하며 이전 오픈소스 에이전트들을 능가하고 GPT-5-high와 같은 상용 시스템에 근접한 성능을 보였습니다. 특히, 상호작용 깊이(interaction depth)가 모델 크기 및 컨텍스트 길이와 유사한 스케일링 행동을 보이며 연구 성능이 예측 가능하게 향상됨을 입증했습니다.

AI 실무자를 위한 시사점

MiroThinker는 오픈소스 연구 에이전트 로서, 모델, 컨텍스트, 그리고 상호작용 스케일링 이라는 새로운 성능 향상 차원을 제시합니다. AI 실무자들은 이 모델을 활용하여 복잡한 실세계 연구 워크플로우를 자동화하고, 도구 증강 추론(tool-augmented reasoning) 및 정보 탐색 능력을 강화할 수 있습니다. 특히, 256K의 긴 컨텍스트 와 수백 회의 도구 호출 을 지원하여 장기적인 추론이 필요한 작업에 유용하며, 공개된 모델 가중치와 도구 모음은 커뮤니티 기반 혁신에 기여할 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.