Microsoft 研究员 Jennifer Neville：AI 评测如何暴露模型的“意外失败”
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
#Microsoft
Microsoft ResearchAI 评分2222
GitHub Blog · AI & ML精选AI 评分7373 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，其 219 个 pull request 来自 187 个公开开源许可仓库，覆盖 19 种语言，分布参考了对 103.9M 个 GitHub pull request 的分析。
推荐理由：公开数据集、评分规则和自助运行器形成可复现评测链路，线上实验案例也展示了离线指标筛选代码审查改进的用法。
Hugging Face Blog精选AI 评分8282 Microsoft ThinkingBox 用数据库终态检验 AI 智能体是否真正完成任务
Microsoft ThinkingBox 根据智能体执行后留下的数据库终态和副作用评分，并让507个有状态业务工作流各重复运行20次，以衡量结果一致性。在覆盖12个LLM、121,680次有效试验的消融中，79,853次未通过可执行检查，其中67.24%仍正常结束、调用了状态变更工具且未报告最终工具错误。
推荐理由：它把智能体评估从回答与工具调用转向数据库终态，并以连续20次运行揭示单次成功率难以代表工作流可靠性。
Microsoft ResearchAI 评分4848 Microsoft Research 用机器学习预测电网空间天气风险
Microsoft Research 开发机器学习管线，利用太阳风信息为美国本土66,935座变电站生成位置特定的空间天气风险预估。系统结合AE、Dst预测与纬度、地质及地面电导率，可提前30-60分钟预警；对重大、严重和极端事件的检出率分别为76.5%、81.2%和64.1%。
Microsoft Research精选AI 评分6161 Microsoft Research 推出面向复杂生物学的 AI 研究系统 Quine
Microsoft Research 推出 Quine，这套实验性 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、湿实验及研究人员的交互框架组成。
推荐理由：案例展示了如何用跨模态生物世界模型筛选实验候选，再以湿实验反馈迭代，提供了可迁移的计算与实验闭环思路。
Microsoft ResearchAI 评分3535 成立一周年：Microsoft Research Asia – Singapore 如何推进研究、合作与人才培养并产生现实影响
Microsoft Research Asia – Singapore 成立一年来扩充团队、深化合作，推动前沿 AI 研究在医疗等领域转化为实际应用。其工作涵盖下一代 AI 模型与智能体系统、领域 AI、AI 原生研究、生态与人才发展，并与 EDB 开展联合博士培养。
GitHub Blog · AI & ML精选AI 评分6969 GitHub Copilot app 入门：如何用 canvases 构建自定义工作流
GitHub Copilot app 可通过 canvases 构建自定义工作流界面，用户在智能体会话中运行 /create-canvas 并用自然语言描述需求，无需手动编写代码或设计布局。提示词应说明界面支持的工作流、用户可执行的操作以及智能体可执行的操作。生成的 canvas 支持双方实时修改共享状态，并可保存为供团队共享或个人使用的扩展。
推荐理由：通过拆解 /create-canvas 的描述要素和双向协作机制，给出将日常流程转换成可复用界面的具体路径。
GitHub Blog · AI & ML精选AI 评分7878 GitHub Copilot 中聊天界面何时不是合适的 UI
当任务需要反复操作、自定义界面或自动化开发流程时，聊天往往不是 GitHub Copilot 的合适交互方式。GitHub Copilot app 的 canvas 是运行在应用内的全栈程序，可与 Copilot 智能体双向通信、调用第三方 API，并在本机执行代码。
推荐理由：文章把重复操作从聊天迁移到可复用的自定义界面，并以数据库和开发流程示例说明如何减少 token 消耗与人工介入。
Microsoft Research精选AI 评分6262 Microsoft Research 研究机器人物理 AI 推理卸载：提升成功率与续航
Microsoft Research 发布机器人物理 AI 推理卸载研究，发现将推理从机载 GPU 卸载到边缘或云端可显著提升任务成功率、支持更大模型并延长电池寿命。研究还推出基于 Kubernetes 的工具集，支持自动容器化和分布式推理，并作为 Physical AI Toolchain 的新能力发布。
推荐理由：研究量化了推理卸载对机器人任务成功率、延迟和续航的改善，并给出可复用的 Kubernetes 工具链。
Microsoft ResearchAI 评分5454 RetroChimera 通过模型集成改进大规模小分子合成预测
Microsoft Research 在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型通过学习式集成融合 Transformer 模型 R-SMILES 2 与图神经网络模型 NeuralLoc，按排名为候选反应分配权重。
GitHub Blog · AI & ML精选AI 评分8686 GitHub 使用 Copilot 将 GitHub Copilot 运行时迁移到 Rust
GitHub 使用 Copilot app 和 CLI，将 Copilot agent runtime 从 TypeScript 和 Node.js 完整改写为超过 800,000 行生产级 Rust，AI 智能体编写了大部分代码。
推荐理由：这份迁移复盘把增量替换、跨语言互操作、智能体协作和分层审查串成一套可迁移的大型代码库改写方法。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 应用新手指南：使用 diff、终端和浏览器面板
GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让用户无需离开应用即可审查、运行和预览智能体生成的代码变更。diff 面板以绿色和红色高亮显示新增与删除行，终端面板支持运行命令和配置脚本，浏览器面板的 Pick & Polish 工具可选中页面元素并让智能体调整。完成审查、运行和预览后，可直接在应用内接受变更并创建 pull request。
Microsoft ResearchAI 评分4949 GigaPath-Flash 与 GigaTIME-Flash：以高效病理基础模型迈向群体规模发现
Microsoft Research 开源 GigaPath-Flash 与 GigaTIME-Flash，以蒸馏骨干降低群体规模病理研究的计算成本。GigaPath-Flash 配备 22M 参数 ViT-S 和 21M 参数 LongNet 编码器，计算量约低 50 倍，成绩与原版相差 3% 以内；两者采用 Apache 2.0，仅供研究且未经临床验证。
Microsoft ResearchAI 评分4949 扩大 Skala 使用范围，加速迈向预测性 DFT
Microsoft Research 发布 Skala 1.1：训练数据量为前版的 2.5×，GMTKN55 加权平均误差为 2.8 kcal/mol，并在 55 类中的 32 类排名第一。Skala 已可用于 CP2K，正集成至 Psi4、FHI-aims、ORCA 和 VASP；持续更新的 benchmark 将跟踪后续版本性能。
Microsoft ResearchAI 评分4646 MindTopo 揭示 VLM 的空间推理能力
MindTopo 基准显示，当前多模态模型在静态拓扑识别上明显优于交互式规划，但两者均远低于人类水平，模型难以在连续行动中维持一致的结构理解。该基准围绕连续性、分离、顺序、封闭和绳结五类关系，同时测试推理与规划。图像生成有时能辅助单帧判断，视频推演则常改变拓扑或违反任务动态。