从合成企业数据评测到 Microsoft Copilot 的真实 AI 信心
Microsoft 构建了行业评测数据生成平台，利用 O*NET 等公开数据构建全尺度合成企业环境，在不触碰客户敏感数据的前提下评测 Microsoft Copilot。该平台目前涵盖制药、资本市场及 IT 软件行业的动态工作流，通过自动化查询生成与质量框架为 Copilot 建立首个标准化评测基线。
#Microsoft
#Microsoft
今日 0 条Microsoft ResearchAI 评分4444 Microsoft ResearchAI 评分3333 Microsoft Research Focus 第 97 期
微软研究院发布 Focus 第 97 期，公布了 ForkPilot、CABRA 等多项前沿 AI 智能体研究成果。自改进框架 ForkPilot 在 6 项 benchmark 评测中匹敌现有最佳方法，并降低最高达 59% 的处理计算需求。研究还通过 CABRA 发现理解代码是编码智能体的核心瓶颈，TeleTune 支持从日志学习技能，蛋白质模型 BioEmu2 则开启公开预览。
科学网AI 评分7171 微软在《科学》发表AI诊断工具DxO研究，复杂病例测试表现超全科医生
微软研究人员在《科学》发表论文推出诊断协调工具 DxO，在 SDBench 测试中诊断复杂病例与急诊病例的准确率分别达到 83.2% 和 80.3%，高于全科医生的 36.1% 和 46.8%。DxO 通过模拟多位临床专家协作进行诊断，且在安排检查前会询问更多背景问题。研究团队强调该基准衡量的是理想化信息条件下的诊断推理，并不代表其优于现实临床实践或专科医疗团队。
TechCrunch · AIAI 评分7171 微软在《Science》公布多智能体医疗诊断系统 MAI-DxO，复杂病例模拟准确率达 83%
微软在《Science》发表研究推出多智能体诊断系统 MAI-DxO，在模拟复杂病例诊断中取得 83% 的准确率，超过独立查阅资料全科医生的 36%。该系统通过协调多个 AI Agent 模拟医生会诊流程，在搭配 GPT-5.5 等前沿模型时表现最好，且对能力稍弱模型的提升更为显著。微软同时宣布正与梅奥诊所合作训练医疗基础模型，并在医院急诊等真实环境中开展临床实测。
Microsoft Research精选AI 评分8282 微软研究院等通过人类引导 AI 协作证明 31 年未解的 KLS 猜想
微软研究院研究员 Xinzhi Zhang 与合作者结合人类引导的 AI 智能体协作，成功证明了高维几何与概率论领域历时 31 年的核心公开难题 KLS 猜想。
推荐理由：该成果展现了人类专家引导与多智能体并行搜索结合在重大数学猜想证明中的效用，为科学发现提供了协作参考。
The Verge · AIAI 评分6767 微软开源机器学习工具 PBC 提升中长期天气预报精度
微软等机构在 Nature 发表研究并开源机器学习工具 PBC（Probabilistic Bias Correction），用于提前 2 至 6 周的天气预报偏差校正。该方法通过算法识别并修正模型在应对气候变暖等情境下的系统性误差，无需重训完整模型且仅需在 CPU 上运行。测试显示其改善了 ECMWF 物理模型 98% 的降水与 92% 的气温预测目标，目前正与肯尼亚气象部门合作进行落地测试。
The DecoderAI 评分7070 微软研究提出 Fork-and-Flush 方法：清空对话历史可帮助 AI Agent 找到更优方案
微软研究院研究发现，长时间运行的自主研究智能体会因累积的对话历史限制搜索空间，陷入同质化的“思维陷阱”而导致性能停滞。研究团队提出 Fork-and-Flush 方法，在保留代码和工作区文件的同时清空分支的对话上下文，在相同算力预算下将 13 项长期任务的归一化平均得分从 0.47 提升至 0.78（相对提升 66%）。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：通过模拟学生学习优化 AI 导师系统
微软研究院推出研究系统 StudentSim 与基准 StudentSimEval，利用公开去标识化学习记录训练个性化 AI 学生模拟器，用于在接入真实学生前评估和优化 AI 导师。系统采用两阶段训练来平衡独立行为保真度与教学指导响应性，在国际象棋、英语写作和数学三个领域均优于 GPT-5.4 等基线，并在国际象棋强化学习实验中让 AI 导师准确率达到 90.5%。目前论文与评测代码均已公开发布。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 推出 AI 代码审查开源评测基准 ReviewBench
GitHub 发布面向 AI 代码审查智能体的开源离线基准 ReviewBench，基于 1.039 亿真实拉取请求分布抽样构建了覆盖 19 种语言的 219 个公开拉取请求测试集。
推荐理由：ReviewBench 基于真实拉取请求分布构建，提供了与线上生产表现一致的离线评测信号，有助于客观比较代码审查智能体的实际表现。
arXiv cs.AIAI 评分4949 迈向面向数据系统的 AI 软件工厂
研究团队提出了面向数据系统的 AI SW Factory，旨在加速软件开发生命周期中的定位、编码、评审和运维全流程。系统通过元数据微调模型权重并更新 World Model 实现自我改进，聚焦演化编码任务。在 Microsoft 数十个代码仓库的规模化部署中，其工程效率相比智能体编码提升 3x，token 效率最高提升达 22x。
Microsoft ResearchAI 评分4141 微软研究院：预测电网面临的空间天气风险
微软研究院开发出一套端到端机器学习流水线，能提前 30 至 60 分钟为美国本土 66,935 座变电站预测空间天气引发的电网风险。该系统结合太阳风观测、AE 与 Dst 地磁指数及当地地质特征，在评估期内成功检测到近 80% 的主要空间天气事件。研发过程中由 50 个 AI agent 协助探索特征与模型配置，且全部基于公开科学数据构建。
Microsoft ResearchAI 评分5656 微软研究院推出生物学 AI 研究系统 Quine
微软研究院推出面向生物学研究的 AI 系统 Quine，由生物多模态世界模型与连接文献、工具及实验团队的交互框架组成，用于在计算端预测干预效果并指导实验设计。在与 Broad Institute 合作的胰腺癌研究中，该系统在一个周末内完成了驱动肿瘤细胞状态转变的候选化合物筛选，并在湿实验中得到验证。该技术目前属于实验性质，官方已开放 Quine Fellows 计划供科研人员申请使用。
Microsoft ResearchAI 评分5656 微软研究院提出物理 AI 机器人推理卸载架构与评测体系
微软研究院发布针对物理 AI 与机器人推理的系统性研究，指出将模型推理从机载 GPU 卸载到边缘或云端可大幅提升任务成功率并延长续航。实测显示机载算力不足会导致建图规划变慢达 383%、VLA 动作模型准确率减半，而 Jetson Thor 等高功耗板载单元会加速消耗高达 160% 的电量。
Microsoft ResearchAI 评分4545 MindTopo 揭示视觉语言模型的空间推理能力
微软研究院推出全新评测基准 MindTopo，用于评估视觉语言模型在连通性、包围、顺序、分离和绳结五个维度的拓扑空间推理与规划能力。评测结果显示，受测闭源与开源模型在静态推理上的表现普遍显著优于交互规划，且两者均远低于人类水平。模型失误主要出现在行动规划阶段，难以在多步动作序列中持续追踪拓扑结构演变或遵守物理约束。
Microsoft ResearchAI 评分5050 微软研究院推出 CARE-X：迈向临床实用的放射学视觉语言模型
微软研究院推出胸部 X 光视觉语言模型 CARE-X，将自由文本生成与结构化预测相结合以支持多类临床解读任务。该模型利用强化学习 DAPO 奖励临床正确性，提供生成与结合辅助头的双重推理模式，并在印度 Narayana Health 的真实临床数据上完成验证。