微软构建了 Industry Evaluation Data Generation Platform，用全合成企业环境评估 Microsoft Copilot，在不接触任何客户数据的前提下检验其回答是否准确、完整且有依据。
该平台以 O*NET 职业数据、在线招聘信息和 SEC 文件等公开数据为基础，生成包含真实用户、会议、邮件、文档和组织结构的模拟租户，并模拟跨周演进的会议历史与项目时间线，以支持“上周四团队决定了什么”这类时间相关查询。平台还包含自动化查询生成流水线和结构化质量框架，并通过自动化内容安全检查确保生成数据不含有害或可识别个人身份的材料。
Microsoft Research Focus 第 97 期由主持人 Sowbhagya Suresh 汇总微软研究社区最新进展，并新增 YouTube 和主流播客平台渠道。
自改进框架 ForkPilot 在六个基准和多个主流 AI 模型上测试，达到现有最佳方法水平，同时将 AI 处理开销降低最多 59%。CABRA 框架通过从零生成编码挑战发现，智能体常借助工具解决编码问题，但在理解陌生代码库时仍显吃力。TeleTune 从用户活动日志中学习可复用技能并推断任务目标，在软件和浏览器任务评测中优于现有方法。
OpenAI 采用分层监控来检测前沿模型失准和智能体的未授权行为，让响应人员能在事件升级前介入。
该机制针对的是前沿模型偏离预期目标以及 AI 智能体越权操作两类风险，具体检测手段、覆盖范围与启用条件原文未作说明。
Google Research 提出面向持续学习的睡眠框架，让 LLM 在活跃交互与离线巩固之间交替，把短期上下文写入长期参数。
框架分两阶段：记忆巩固阶段通过 MoE 参数扩展和基于 GKD 与强化学习模仿的知识播种，把高频短期记忆蒸馏进新解锁的低秩专家，随后重置临时参数；梦境阶段随机激活专家生成合成样本，经梯度筛选后做监督微调与 RL 精炼。
Google 提出的睡眠框架把持续学习拆成记忆巩固与梦境自改进两阶段，并给出多类基准上的对比结果，可供关注模型持续更新与灾难性遗忘的研究者参考。
Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 作为“新颖性评判者”是否可靠。
研究基于 ICLR 2026 评审意见构建两个数据集：154 篇高新颖性人类论文想法与 145 篇低新颖性想法组成 Human-Only，另有 154 个人类想法与 LLM 生成想法配对的 Human+Generated。
OpenAI 公布其在 Kakeya 猜想、指数时间假设（ETH）和量子色动力学三个问题上的模型结果，并说明研究人员如何验证并在此基础上继续推进。
此次发布面向学术社区，重点是让研究者能够核验这些结果并开展后续工作。
Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot，一个帮助研究者在文献阅读引发的方向调整中完善研究想法的系统。
它通过 Asta Paper Finder 检索论文，把研究提案拆分为问题、贡献和评估方案三个维度，围绕正在编辑的部分组织文献，并给出附有文献摘录支撑的批评与修改建议，研究者可接受、编辑或拒绝。在 17 名研究者的实验室研究中，领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更有文献依据，参与者自评想法的新颖性和实用性提升更大，对周边文献的理解也更强。该系统面向早期研究构思，作者认为或可扩展到论文引言等更长写作任务，将于 UIST 2026 在底特律展示。
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。
用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。
微软与 Hugging Face 把数据库终态校验直接当作强化学习奖励，并公开了任务筛选与训练代码，读者可据此判断这类奖励能否迁移到自己的智能体训练。
Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，把全球每一块 10×10 米土地归入六类森林与土地利用类型，并同步给出 2017 至 2025 年的逐年变化时间序列。六类分别是原始林、自然再生林、人工种植林、种植园林、树木作物与农林复合，以及其他土地，分类依据联合国粮农组织（FAO）的定义。模型训练使用了约 170 万个标注地点，并以 AlphaEarth Foundations 嵌入向量作为关键输入，以识别种植模式、生长周期和采伐节奏等线索。
Hugging Face 推出 FairStress 基准，用于测量 LLM 在影响他人决策中超越最终选择的人口统计公平性，并已集成到其开源评测工作台 Olmo-eval。
该基准包含 29 个领域（招聘、医疗、借贷、教育、住房、刑事司法等）的 300 个真实双候选人决策场景，通过变化身份呈现方式（无身份信息、人口统计编码姓名、间接暗示、显式标签）并加入对抗性前缀，将场景扩展为超过 1300 万个测试用例。团队另发布基于项目反应理论筛选的 5 万条 FairStress-Core 子集，以降低评测计算成本。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。
在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。
读者可看到不更新模型权重、仅靠提示词层学习记忆，就能把普通客服智能体推到基准榜首的具体做法与代价。
Google Research 发布博客，介绍三项将 AI 智能体与真实湿实验室实验衔接的研究。
VERID 框架为实验室工作单元构建语义数字孪生，可实时追踪 3D 状态、在数秒内完成虚拟预演、拦截不安全指令并同步记录视频与操作日志，案例中智能体据此在运行中从读板机故障恢复，并通过闭环自博弈将重建盲测染料混合物的准确率提升五倍以上。在适配体方向，智能体在 myoglobin 和 α-thrombin 两个靶点上经过三轮设计-测试迭代，确认命中率分别达到 33.5% 和 42.1%，其中 α-thrombin 首轮因固定引物侧翼破坏折叠而命中率为 0%。
Google Research 公开了让 AI 智能体在真实湿实验室中安全执行实验的三项研究，读者可了解其数字孪生与闭环设计思路。
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖印度宪法列出的 22 种语言，并同步开源用于生成该语料、基于 GPU 加速的数据生成流水线。
语料含 2,601.0 亿原生文字 token 和 224.6 亿罗马化 token（按 Gemma-4 tokenizer 计），覆盖 34 种语言—文字组合，其中 12 种语言同时提供原生文字与罗马化数据。
微软研究院发布 Magnetar，一个通用零知识虚拟机（zkVM），可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，并返回约 12 毫秒即可验证的短证明。
它在笔记本上每秒可证明 7.2 至 8.7 百万条处理器指令，在 15 个基准程序上平均比同类最快 zkVM 快 10 至 39 倍，在代币转账基准上比另外两个系统快 300 倍以上；优化版本可达每秒 9.5 至 12.8 百万周期。其安全性仅依赖 SHA-256 或 SHA-3 等标准哈希函数，不需要椭圆曲线、格假设、专用哈希函数、可信设置或未证明的纠错码猜想。该成果是微软研究院十余年零知识证明研究的延续，技术论文给出完整设计、安全分析与测量结果。
微软研究院公开 Magnetar 的 zkVM 设计与基准数据，读者可了解零知识证明在通用程序上的性能与安全取舍。
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其降尺度模型 HiROv2 可同时预测多种高分辨率气象场，不再只限于降雨，并提升了对极端事件的预测能力。
HiRO-ACEv2 把全球 3 km 气候数据的生成成本降到 X-SHiELD 的约 1/300，并公开模型与教程，便于研究者评估极端天气模拟的可用性。
微软研究院推出 StudentSim，一种从公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导。
该系统同时发布 StudentSimEval 基准，覆盖国际象棋、英语二语写作和数学三个领域，从行为保真度与指导响应性两个维度评估模拟器，表现优于主流基线。StudentSim 并非产品，不会部署到课堂，也不用于替代教师。
Google Research 与 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
三个月实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力养成的影响提供了一手证据。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进推理循环打造专用模型，在 IOI 2026 和 IMO 2026 均达到金牌水平。
原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理循环设计。
Google Research 用 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）验证地理空间基础模型在公共卫生领域的通用性：该模型将匿名搜索趋势、人口流动、建成环境密度和环境决定因素压缩为按月更新的位置嵌入向量，无需任务特定微调即可直接接入现有流行病学模型。
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约 Google CAPS 研讨会上完成。
报告基于上下文完整性（CI）理论，提出以上下文策略引擎作为监督层，在动作执行前评估其是否恰当，并给出系统级沙箱、模型级推理、用户控制等多层防御方向。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力如何被量化比较。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。
微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Google Research 公布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可远程验证和审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型。
Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的实际效果，可了解隐私可验证训练的一种工程路径。
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功经验定位能力缺口，再生成并验证新任务用于后训练，课程随模型进步动态调整。
该流程在 EnterpriseOps Gym 环境中演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。
微软研究院实习生开发了一套端到端机器学习系统，利用 L1 太阳风观测、AE 与 Dst 指数预报及地质电导率数据，为美国本土 66,935 座变电站生成提前 30-60 分钟的区域性空间天气风险估计。
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重新表述为连续控制问题，用一个轻量附加网络在冻结基座模型的前提下动态调整生成轨迹。
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成多镜头连贯长视频。
Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性与角色保持的评测结果，适合了解智能体编排在视频生成中的具体做法。
微软研究院对移动操作机器人工作负载做了首次系统性测量，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，能提升任务成功率、支持更大模型并延长续航。
微软研究院首次系统测量机器人本体推理与卸载推理的差距，给出任务成功率、电池续航和工具链的具体数据。
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测排序，在常见与罕见反应类别上均表现较强。
微软研究院在 Nature 发表 RetroChimera 逆向合成模型，并开源实现与权重，读者可了解其双模型集成思路与专家盲测结果。
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google Research 公布一项新研究实验，让教师借助生成式 UI（GenUI）动态生成贴合自身教学目标与课程的互动学习模拟，并已向可信测试教师群体收集到初步正面反馈。
IBM Research 与 UC Berkeley Sky Lab 将演化式内核搜索框架 K-Search 扩展到 Apple 的 MLX，并加入结构化 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
读者可看到 CUDA 优化知识如何被结构化迁移到 Apple Silicon，以及翻译层对最终性能的具体贡献。
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。
在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 长度也显著低于全上下文设置。
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的"状态-输入"梯度。
该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维隐空间失效模式等问题，使基于梯度的规划更加稳健。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。
SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，并在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证其能预测解码器性能。
该方法优化出的设计可媲美端到端 SOTA 方法，同时占用更少内存、更少算力，且无需针对任务设计专用解码器。