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。
微软开发的 MAI-DxO 医疗 AI 系统在《Science》杂志发表的研究中显示，其在复杂病例诊断上的准确率显著高于全科医生，且订购的检查和程序更少。该系统采用顺序诊断方式并使用 GPT-5 等模型，微软计划近期在波士顿一家医院开始临床测试。
微软发布了 AI 诊断系统 MAI-DxO，其在 NEJM 复杂病例评估中的诊断准确率达到 83%，研究成果已正式发表在《科学》期刊。该系统通过编排多个 AI 智能体模拟专家联合会诊过程，在急诊科常见病例评估中的准确率达到人类医生的 1.7 倍，且成本仅为医生的一半到三分之一，其中表现最亮眼的基础模型为 OpenAI 的 GPT-5 及 GPT-5.5。
微软团队在 Science 杂志发表研究，展示了其 MAI Diagnostic 诊断系统在复杂医疗案例中的推理能力，其诊断准确率达到急诊医生的 1.7 倍，同时降低了检测成本。
微软 AI 团队在 Science 发表研究称，其开发的 MAI-DxO 诊断系统在模拟复杂医学病例时准确率达到 83%，而全科医生为 36%。该系统通过协调多个 AI 智能体模拟医生小组进行问诊、检查和辩论，微软正计划与梅奥诊所和贝丝以色列女执事医疗中心合作推进真实世界评估。
Microsoft 发表在 Science 杂志上的研究显示，其基于 GPT-5 开发的多智能体诊断工具 Diagnostic Orchestrator 在医学案例和急诊室数据测试中的诊断准确率高达 83%，显著优于人类医生。该系统通过多个 AI 智能体模拟专家组的推理过程来协同工作，Microsoft 计划对其建立的测试集 SDBench 进行开源，并准备在真实临床环境中开展进一步测试。
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。
微软研究院发布 StudentSim 研究系统，利用公开去标识化的学习者记录为每位学生训练个性化“AI 学生模拟器”，以模拟真人独立作答及收到讲解后的反应变化。该系统采用两阶段训练，覆盖国际象棋、第二语言英语写作和数学三类任务，并推出了 StudentSimEval 评测基准。
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。
微软发布并开源了一项名为 Probabilistic Bias Correction（PBC）的机器学习工具，旨在修正现有天气和气象模型的系统性偏差，将两到六周的中长期天气预报准确度提升两周以上。该轻量级框架仅需 CPU 即可运行，研究表明它改善了欧洲中期天气预报中心（ECMWF）主流物理模型 98% 的降水预测准确度及 92% 的温度预测准确度。
Microsoft Research 近日发布多项 AI 研究进展，涵盖 AI 在承认需要澄清时表现更佳、提升机器人在视觉-语言任务中的性能，以及如何从 AI 失败中学习等课题。研究还涉及改进 AI 辅导系统、解析人类嗅觉机制，并提出了一种更高效的 KV-cache 内存存储方案。
微软推出 StudentSim 研究系统，旨在 AI 辅导工具投入实际教学测试前对其进行评估与改进。该系统通过模拟个体与辅导工具的互动过程，为 chess、写作和数学等学科的 AI 辅导工具提供反馈，从而有效提升其教学表现。
微软研究人员发现，AI 智能体在长任务中会因积累的对话上下文而陷入“思维盆地”，导致性能停滞。研究提出的 Fork-and-Flush 方法通过在保留工作空间的同时清理对话历史并开启并行分支，在 13 项长任务中实现了平均得分 66% 的提升，证明了定期重置上下文对提升智能体探索能力的重要性。
Microsoft Research 推出 StudentSim 研究系统，旨在通过个性化学生模拟器在研发阶段评估 AI 辅导工具，以解决真实用户测试成本高、周期长的问题。
Microsoft Research 研究发现，自主研究型智能体在长任务中易陷入“思维盆地”导致性能停滞，通过引入 Fork-and-Flush 方法，在保留工作空间的同时清空对话历史，可强制智能体跳出旧有推理路径。实验显示该方法在 13 项长运行任务中将平均得分提升了 66%，证明了定期重置上下文对提升智能体探索能力的重要性。
微软研究院提出 StudentSim 研究系统，通过从公开去标识化学习记录训练个性化 AI 学生模拟器，在真实测试前评估并改进 AI 辅导工具。该系统同步发布 StudentSimEval 评测基准，涵盖国际象棋、英语写作及数学领域，在行为保真度与指导响应性维度上均优于主流基线。StudentSim 旨在辅助研发阶段的反馈获取，并非用于课堂部署或替代教师。
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 开发了一套端到端机器学习系统，可为美国境内 66,935 个变电站提供空间天气风险预警，并能在风险出现前 30 至 60 分钟发出通知。
Microsoft Research 推出生物学 AI 研究系统 Quine，旨在通过多模态世界模型与连接科学工具、文献及实验室的交互式框架，加速生物学研究中的假设生成与实验验证。该系统已在胰腺癌细胞状态研究中通过预测化合物有效缩短了实验周期，目前通过 Quine Fellows 项目向部分科研人员开放。
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。
Microsoft Research 发布了逆合成预测框架 RetroChimera，该成果已发表于 Nature。该模型通过集成 Transformer 架构的 R-SMILES 2 与基于图神经网络的 NeuralLoc，利用学习排序策略整合两者的互补优势，在盲测中表现出优于现有基准的合成路线预测能力。RetroChimera 的实现代码与权重已在 GitHub 开源。