微软研究院开源了去中心化的多智能体编码框架 Agensh，移除了传统架构中的中心编排器，通过 Gitea、Mattermost 和共享上下文面板实现工作协同。该框架支持从 1 个扩展至 1,024 个 Agent 运行，在 ProgramBench 评测中随智能体数量增加显著提升了通过率。
推荐理由：该开源框架移除了多智能体系统中的中心编排器，通过去中心化协作和共享状态支持超大规模扩展，为复杂编程任务提供了新途径。
推荐理由：该成果展示了人类研究者主导下利用 AI 智能体在数学难题中探索上百条路径的完整案例，为理解 AI 辅助科学发现提供了具体的协作范本。
Microsoft Research 团队通过人类引导的智能体辅助研究流程，解决了高维几何与概率论中的 31 年历史难题 Kannan-Lovász-Simonovits 猜想。该工作通过递归应用新数学准则并证明累积误差保持在通用常数范围内，消除了对维数的依赖。
推荐理由：该研究展示了人类引导的智能体辅助科学发现过程，为复杂数学难题的求解提供了可复用的协作范式。
Microsoft Research 推出了 Magnetar，这是一个零知识虚拟机（zkVM），能够证明用 Rust、Go 或 C 编写的 RISC-V 程序执行过程。相比同类系统，它在速度上平均提升 10 到 39 倍，且其安全性仅依赖于标准哈希函数，无需可信设置或椭圆曲线。
推荐理由：微软展示了 Magnetar 如何在保持安全性的同时大幅提升零知识证明的性能，这为通用计算的可验证性提供了新的基准。
Microsoft Research Asia 开源了 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架。该框架采用 Harnessed Agentic RL 范式，允许直接在部署环境上进行训练，支持 Kubernetes 原生部署，并实现了 Collocated Async RL 以提升 GPU 利用率。
推荐理由：该框架通过直接复用部署时的智能体环境进行强化学习，降低了训练与部署不一致的风险，并提供了轻量化的 Kubernetes 原生支持方案。
GitHub 发布了 ReviewBench，这是一个旨在评估 AI 代码审查智能体的开源基准测试。该基准包含 219 个真实 Pull Request，通过多源黄金集、统一评估准则及高级工程师验证，提供包括准确率、召回率在内的多维度评估指标，支持开发者提交并对比不同智能体的审查表现。
推荐理由：该基准测试通过分析超一亿次真实 Pull Request 构建，为评估 AI 代码审查智能体提供了可复用的离线评估方法与公开排行榜。
Microsoft 在 Hugging Face 发布 ThinkingBox，这是一个通过评估 AI 智能体在隔离环境中对后端数据库产生的实际状态变更来衡量其可靠性的基准。该基准包含 507 个业务工作流任务，通过 20 次重复运行测试模型的一致性，发现多数模型在单次成功率与多次重复成功率之间存在显著差距，并指出约 80% 的失败源于工具处理而非推理能力。
推荐理由：该研究通过评估 AI 智能体在业务工作流中对数据库状态的实际影响而非仅关注对话内容，揭示了模型在可靠性与一致性上的差距，为智能体评估提供了新的可执行基准。
Microsoft Research 在 Physical AI Toolchain 中新增了机器人推理卸载功能，支持通过 Kubernetes 将 AI 工作负载从机器人本体卸载至边缘或云端。研究表明，该方案能有效解决机载 GPU 带来的功耗与性能瓶颈，在提升任务成功率的同时显著延长机器人续航时间。
推荐理由：微软研究团队通过实验证明将机器人推理任务卸载至边缘或云端可显著提升性能并延长续航，并为此在 Physical AI Toolchain 中引入了分布式推理支持。