MMicrosoft / Copilot 最新动态

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 AI CEO Mustafa Suleyman 称公司开发的 AI 诊断工具在测试中诊断准确率最高可达人类医生的四倍，相关研究发表在 Science 上。

该工具名为 Diagnostic Orchestrator，由多个 AI 智能体协作推理症状与病史、决定检查项目并给出诊断，底层由 OpenAI 的 GPT-5 驱动。在取自《新英格兰医学杂志》数百份病例报告的测试中，该系统诊断准确率约 83%，使用参考资料的全科医生约 36%，不使用的约 22%；在波士顿 Beth Israel Deaconess 医疗中心急诊病例上准确率为 80%，人类医生平均 47%。微软将这些病例整理为自有基准 SDBench，并计划开源。

微软研究院发布 Flint-interactive，一种在 Flint 之上创建交互式数据可视化的语言，让智能体生成用户可点击、筛选、缩放、高亮并进行跨图表联动的图表。

它用高层语义事件和更新算子描述交互行为，由 Flint 编译器处理命中测试、布局和渲染更新，从而降低生成成本与调试难度。用户可通过 Flint-MCP 和 MCP Apps 在聊天或画布环境中直接使用，开发者可用 Flint Interactive Canvas 的编程 API 构建仪表盘和数据故事，并让图表与表格、文本、其他图表或应用状态联动。

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。

GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器，用代码上下文识别无固定格式的密钥，可在 2 毫秒内评估一批候选密钥，官方称有望让可拦截的密钥数量翻倍以上。

微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。

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。

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。

微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由多模态生物世界模型和连接模型、科学工具、文献与科研人员的交互 harness 组成。

该系统与 Broad Institute 合作用于胰腺导管腺癌研究，从数千个化合物中筛选出可驱动肿瘤细胞状态转变的候选物，最高排名化合物在多项湿实验中产生了最大的预期状态转变，整个筛选到验证过程仅用一个周末。

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。