在旧金山 Microsoft 活动上，NVIDIA 与 Microsoft 宣布为 Windows PC 的智能体时代共同设计软硬件，Microsoft 宣布 OS 级基础设施 Microsoft Execution Containers（MXC）正式可用，让智能体在系统控制下安全持久地在后台运行。
推荐理由：NVIDIA 与 Microsoft 把智能体运行所需的系统级容器和本地算力硬件一起端上 Windows，读者可据此判断本地智能体的落地条件。
GitHub 发布与 Microsoft Applied Sciences 联合微调的 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，据称能把可拦截的密钥数量提升一倍以上。
推荐理由：GitHub 公开了九季度密钥泄露数据，并说明新分类器如何把防护从推送后前移到推送前。
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 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现 agent。
推荐理由：微软研究院开源 Agent Lightning v1.0，用约 3500 行代码把真实 harness 直接接入强化学习训练，读者可了解其轻量化设计与训练收益。
微软研究院合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，讨论评测如何推动 AI 系统性能边界、以及模型在传统 benchmark 之外测试时出现的「意外失败」。她分享了使用当前 AI 系统的实用建议，并强调当结果与预期不符时应仔细审视数据。
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 PR 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解 AI 代码审查评测如何贴近真实 PR 分布。
微软研究院开发了一套端到端机器学习流水线，利用 L1 拉格朗日点的太阳风观测数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险预测。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 年评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测器在 62.2% 的高活跃时段优于 Burton 方程。
Microsoft Research 推出 Quine，一个包含生物学世界模型和交互式 harness 的 AI 研究系统，可跨基因组、蛋白质、化学、细胞状态和生物成像等模态联合学习并推理干预后果。
推荐理由：原文给出 PDAC 化合物筛选一个周末完成并经湿实验验证的结果，读者可据此评估 AI 驱动生物发现的实际路径。
微软在巴塞罗那 European Microsoft Fabric + SQL Community Conference 上发布 Fabric 与 Azure Databases 多项更新。
Microsoft Research@MSFTResearchAI 评分2121自一年前成立以来，微软亚洲研究院新加坡实验室已打下坚实基础，深化了与政府、学术界和产业界的合作，并探索前沿 AI 研究如何创造现实价值：https://msft.it/6019acwE5
微软亚洲研究院新加坡（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向展开工作。
GPU 租赁价格在九个月内从 $4.40 翻倍到 $8.08 每 GPU 小时，但 AI 使用价格仍在下降。
推荐理由：文章用 GPU 租金翻倍与 AI 推理降价并存的数据，解释两条曲线如何靠效率提升维持平衡，并指向每 GPU 小时毛利这一关键指标。
Microsoft Research@MSFTResearchAI 评分2323Microsoft 推出新版 Copilot，包含三项新能力：Home 整合 Chat 与 Cowork 并内置 Office in Copilot；Code 让非开发者用自然语言构建小型应用。
推荐理由：官方公告同时给出 Home、Code、Autopilot 三项新能力与计费、FinOps 细节，读者可据此评估对现有 Microsoft 365 工作流的影响。
微软研究院发布关于物理AI机器人推理基础设施的研究。通过系统评估移动操作任务，发现将推理从机载GPU卸载至边缘或云端，能解决机载算力限制模型规模、导致响应延迟（最高383%）及精度下降的问题。实验显示，卸载推理不仅提升了任务成功率，还通过替换高功耗机载GPU为轻量硬件（如树莓派），使机器人电池寿命延长高达160%。此外，微软推出了基于Kubernetes的Physical AI Toolchain工具集，支持自动化容器化与分布式推理部署。
Microsoft Research 在 Nature 发表逆合成预测模型 RetroChimera，结合基于 Transformer 的 R-SMILES 2 和图神经网络模型 NeuralLoc，用 learning-to-rank 集成两者互补预测。
Microsoft AI 发布 Humanist AI Code of Conduct 首份草案，公开征询意见，反馈期六周，年内将发布修订版。准则规定 MAI 模型不得抗拒人工中断、纠正或关机，不得自行扩大权限、接受无人赋予的目标或在审计时隐藏推理，并设定涉及大规模杀伤性武器、儿童安全和大规模有害操纵等绝对约束。
Grok@grokAI 评分3333GitHub 发布 2026 年 8 月可用性报告，复盘了 8 月 6 日、17 日、20 日、26 日、27 日五起事故，包括 GitHub Actions、Issues、Pull requests 和 Copilot 的故障影响与修复措施。
OpenRouter@OpenRouterAI 评分6060Microsoft 于 9 月 4 日发布 MAI-Image-2.6，称其为迄今最强的图像模型，并面向开发者上线 Microsoft Foundry，同时推出面向低延迟、高吞吐场景的 MAI-Image-2.6-Flash。
推荐理由：原文给出排名、速度和效率数字，并说明两个版本分别面向精度与吞吐的不同场景，便于开发者按工作流选型。
Artificial Analysis@ArtificialAnlysAI 评分6161Microsoft AI 发布转录模型 MAI-Transcribe-2，称其在 FLEURS 基准 60 种语言上平均词错率 5.2% 排名第一，并占据 Artificial Analysis 准确率-延迟 Pareto 前沿。
推荐理由：官方给出具体基准排名、对比速度倍数和定价，读者可以据此评估它对现有语音转写方案的可替换性。
Microsoft 提出 AI 基础设施的“良率命题”，主张用半导体行业 60 年来的良率思维衡量 AI 投入的实际产出，而非只看建了多少算力。文中指出全球 AI 渗透率仅为劳动人口的 18%，且单个智能体任务的 token 消耗可达普通对话的 3400 倍以上，电力、内存与封装正成为瓶颈。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，旨在通过蒸馏技术大幅降低计算成本以支持大规模病理研究。GigaPath-Flash 将十亿参数模型压缩至 22M 参数，在保持竞争力的同时实现约 50 倍的算力节省；GigaTIME-Flash 则提升了空间蛋白质组学预测效率并改善了泛化能力。两款模型均以 Apache 2.0 协议开源，专为科研设计而非临床诊断，使研究人员能在单 GPU 上处理百万级切片数据。
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中拿下 32 项第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正在集成进 Psi4、FHI-aims、ORCA 和 VASP。微软研究院同时推出一个持续更新的基准，用于追踪后续 Skala 版本的计算性能。
Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类任务，并区分静态识别与交互规划两个认知层级。测试显示，当前专有与开源模型在静态推理上明显强于交互规划，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化后难以维持结构关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。
Microsoft Research 发布研究模型 CARE-X，一个面向胸部 X 光多种临床解读任务的统一视觉语言模型，结合生成式与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理三类智能体任务，并支持直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练。
推荐理由：微软研究院开源 Orchard 框架，公开环境服务、训练流程与数据，读者可据此了解小模型在真实 harness 中训练智能体的可行路径。
