Microsoft Research 发布 Magnetar 通用零知识虚拟机
Microsoft Research 发布通用零知识虚拟机 Magnetar，能为 Rust、Go、C 编写的程序生成执行正确性证明，在 15 个基准测试上平均比同类最快的系统快 10 至 39 倍。
#Microsoft
#Microsoft
今日 0 条Microsoft ResearchAI 评分5959
The Verge · AIAI 评分5151 微软发布机器学习工具 PBC，可在 CPU 上改进中长期天气预报
微软在 Nature 发表论文并开源概率偏差修正工具 PBC，可在 CPU 上运行，用于修正现有天气预报模型的系统偏差。研究显示 PBC 在 ECMWF 物理模型 98% 的降水目标和 92% 的温度目标上提升了准确率，并使其 AI 预报系统准确率翻倍；论文由微软、MIT、ECMWF 等机构合作完成。
Microsoft ResearchAI 评分4242 Microsoft Research StudentSim：通过个性化学生模拟改进 AI 辅导
Microsoft Research 提出 StudentSim 研究系统，通过公开去标识化学习者记录训练个性化 AI 学生模拟器，用于在真实学员测试前评估和改进 AI 辅导模型。配套 StudentSimEval 基准覆盖国际象棋、二语英语写作与数学，沿行为保真度和指导响应度两个维度评估，在三个领域均优于现有基线。
The DecoderAI 评分5151 微软研究：清除聊天记录有助 AI 智能体找到更优解
微软研究院论文指出，长时间运行的 AI 研究代理会因对话上下文累积而陷入'思路盆地'，即使增加算力也难以突破。论文提出的 Fork-and-Flush 方法通过分叉为并行分支并清空各分支聊天记录来恢复搜索多样性，在 13 个长时任务上以同等算力取得 0.78 的归一化平均分，比单次运行的 0.47 提升 66%，在 12 个任务上取得最高均分。
GitHub Blog · AI & ML精选AI 评分6363 GitHub 开源 AI 代码审查评测基准 ReviewBench
GitHub 发布开源 AI 代码审查评测基准 ReviewBench，基于 103.9M 真实 pull request 抽取 219 条跨 19 种语言的样本，资深工程师独立复核与 ground truth 一致率达 96.6%。
推荐理由：ReviewBench 把 GitHub 上真实 pull request 的分布固化为可复现评测，附带资深工程师校验的 ground truth 与自提交 leaderboard。
Hugging Face Blog精选AI 评分6363 微软 ThinkingBox 基准：Agent 自称完成，数据库却不认同
微软联合 Hugging Face 发布 ThinkingBox 基准：用后端数据库终态与副作用评估 AI Agent，覆盖 507 个状态化业务流程、每任务重复 20 次。
推荐理由：原文对比 18 个模型在 507 个状态化工作流上的 pass@1 与 20 次重复一致性，并给出每次可靠任务的成本排序。
Microsoft ResearchAI 评分4343 Microsoft Research 预测电网空间天气风险
Microsoft Research 开发了一套机器学习流水线，可为美国本土 66,935 座变电站提前 30-60 分钟给出空间天气风险估计。该系统结合日风观测、AE 与 Dst 指数预测及地质电导率，在 2020-2026 评估期内检测到近 80% 的重大空间天气事件，Dst 预测在 62.2% 的高活动小时上优于 Burton 方程。
Microsoft ResearchAI 评分5151 微软研究显示机器人推理卸载可提升表现与续航，并在 Physical AI Toolchain 加入该能力
微软研究院发布对物理 AI 机器人推理的系统性测试，指出推理只跑在机载 GPU 会限制机器人表现、续航与扩展性，卸载到边缘或云端 GPU 可提升任务成功率并支持更大的模型。
Microsoft ResearchAI 评分5252 Microsoft Research 发布逆合成模型 RetroChimera 并开源权重
Microsoft Research 在 Nature 发表逆合成预测模型 RetroChimera，并开源其实现与权重（MIT 许可），该模型也可通过 Microsoft Foundry 访问。
Microsoft ResearchAI 评分4949 MindTopo 揭示 VLM 空间推理能力：静态识别强于交互规划
Microsoft Research 提出 MindTopo 基准，用于评测多模态大模型（VLM）的拓扑推理能力，覆盖连通、分离、顺序、包围与绳结五类任务。测试发现，模型在静态识别上明显强于交互规划，两者均远低于人类水平，失败多出现在规划而非感知阶段。图像生成只在单帧可见关系时有用，视频推演跨多步仍常改变拓扑或违反任务动力学。
Microsoft ResearchAI 评分5353 微软研究院推出 CARE-X 放射学 VLM，融合辅助监督与工具增强测量
微软研究院推出研究模型 CARE-X，一个覆盖胸部 X 光多种解读任务的放射学 VLM，可同时生成自由文本报告并输出带置信度的结构化预测。它基于 SigLIP2-so400M 视觉编码器和 Phi-4-mini-instruct（3.8B），通过分类、定位与语言建模的联合训练及 DAPO 强化学习优化临床正确性，在 ReXVQA 上达到 94% 整体准确率。
Microsoft Research精选AI 评分8383 微软开源 Orchard 智能体框架，Orchard-SWE 在 SWE-bench Verified 达 69.7%
微软研究院开源 Orchard 智能体框架，其核心 Orchard Env 是基于 Kubernetes 的可复用环境服务，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练与评估智能体。
推荐理由：原文给出可复用的开源环境服务与三个训练配方，读者可据此了解小模型在真实任务上的表现水平。
Microsoft Research精选AI 评分7272 微软研究院发布 Echoverse，为计算机使用智能体构建可演化深度训练环境
微软研究院发布 Echoverse，为计算机使用智能体搭建 12 个训练世界，包括 10 个深度领域世界与 2 个能力世界。在全部 12 个世界上训练的 9B 模型得分从 36.5% 提升到 67.1%，与 GPT-5.4 的 80.7% 相差 14 个百分点。
推荐理由：论文给出了高保真合成世界与数据库级验证器的搭建方法，并公开四个环境的代码与任务，可供智能体训练复用。
Microsoft Research精选AI 评分6161 微软提出 EvoLib：把经验转化为持续演化的知识
微软研究团队提出 EvoLib 框架，让大语言模型在推理时从自身经验中学习，无需真值标签或外部反馈。它把过去的尝试提炼为可复用的技能与反思洞察，通过整合和动态权重机制持续精炼，且不更新模型权重，可用于通过 API 部署的黑盒模型。在数学推理、带效率约束的代码编写和长程环境决策三类任务上，EvoLib 优于基于检索的记忆方法，并在大部分算力区间以更高效的 token 使用把测试时算力转化为性能提升。
推荐理由：EvoLib 将测试时的原始经验提炼为可复用技能与洞察，无需更新模型权重，读者可据此理解其持续学习机制。