Microsoft Research
共 24 篇文章
GigaPath-Flash 与 GigaTIME-Flash:以高效病理学基础模型迈向人群规模的科学发现
微软推出蒸馏自 GigaPath/GigaTIME 的高效病理学基础模型 GigaPath-Flash(22M 参数)与 GigaTIME-Flash,在保持接近原始模型性能的同时将计算成本大幅降低(约 1/50 计算量、超 1600 tiles/秒吞吐),并以 Apache 2.0 开源,支撑跨大规模患者队列的人群级病理研究发现。
扩大 Skala 的使用范围,为预测性 DFT 铺就更快路径
微软研究院发布 Skala 1.1:其深度学习 DFT(密度泛函理论)方法基于前代 2.5 倍的数据训练,在热化学、反应动力学和分子结构预测等关键分子模拟任务上大幅提升精度;同时 Skala 已进入 CP2K,并正在集成到 Psi4、FHI-aims、ORCA 与 VASP,还推出了持续更新的性能基准,帮助社区衡量并加速精度与效率的进步。
MindTopo 揭示 VLM 的空间推理能力
研究团队推出 MindTopo 基准,从连续性、分离、顺序、包围和打结五个拓扑范畴评测多模态大模型的拓扑推理与规划能力。结果显示当前模型在静态识别上远好于交互式规划任务,且失败多发生在规划而非感知阶段,凸显了构建能保持拓扑结构的智能体的机会。
CARE-X 简介:借助辅助监督、奖励对齐学习与工具增强测量,迈向临床实用的放射学视觉语言模型
CARE-X 是微软研究院推出的统一胸部 X 光视觉语言模型,将生成式报告与带置信度的结构化预测结合,并通过 DAPO 强化学习奖励临床正确性;配套的工具增强测量实验显示,直接计算测量值可将 CT 确认的增大类病症召回率提升至 94.26%。
Orchard:一个面向可扩展智能体 AI 的开源框架
微软研究院开源了 Orchard 框架,以可复用的 Orchard Env 环境服务支撑软件工程、网页导航和个人助理三类智能体的训练与评估;Orchard-SWE 仅用约 30 亿激活参数即在 SWE-bench Verified 上达到 69.7%(配合价值模型重排为 73.0%),接近参数规模大 10 倍以上的前沿系统。
Echoverse:面向计算机使用智能体的深度演化环境
微软研究院构建了十二个高保真、可持续演化的计算机使用智能体训练世界,通过深度、能力靶向与共同演化三个杠杆,使一个 9B 模型的得分从 36.5% 提升到 67.1%,与 GPT-5.4 仅差十四分。研究还证明,以数据库为根基的强化学习环境(RLE)能让智能体超越模仿,实现更大的性能跃升。
EvoLib：将经验转化为不断演进的知识
Microsoft Research 提出 EvoLib 框架：不更新模型参数，而是在推理时从智能体自身经验中提取可复用技能与反思洞察，并通过知识整合与动态加权使其持续演进。在数学推理、代码生成与长程决策等任务上，EvoLib 持续超越主流基于检索的记忆方法，且对任务顺序具有鲁棒性。
Aurora 1.5:面向天气与地球系统应用扩展开放基础模型
Aurora 1.5 是微软对开放地球系统基础模型 Aurora 的重大升级,新增 22 个气象变量、逐小时时间分辨率与概率集合预报,并以开源方式把前沿研究与数据、基础设施和业务化天气服务连接起来,其集合预报在 88.9% 的评估目标上优于 ECMWF ENS。
SkillOpt:将智能体技能当作可训练参数
微软研究院提出 SkillOpt,把智能体技能文件当作冻结目标模型之外的一个可训练参数,用文本空间的前向–反向–更新循环、有界编辑和验证门控来'训练'技能。在六基准、七模型、三种执行模式共 52 个评估单元中全部取得最优或并列最优,且优化后的技能可跨模型规模、跨框架迁移。
Memora:在抽象与具体之间取得平衡的谐波式记忆表示
Microsoft Research 提出 Memora 记忆系统,将存储的内容与检索的方式解耦:用简短的主抽象与线索锚点做索引,同时保留完整的记忆内容。它在 LoCoMo 和 LongMemEval 上刷新最优纪录,超越 Mem0、RAG 与全上下文推理,上下文 token 用量最多减少 98%。
Talos:以自动化、迭代式基因组重分析规模化罕见病诊断
Talos 是一个开源工具,可对罕见病基因组数据进行自动化、迭代式重分析,随科学知识的演进而重新审视已存储的测序数据,并标记出具有新的可行动证据的变异。在近 1,100 名患者的验证集中,它找回了 90% 的在范围内诊断,同时每位患者仅需专家复核 1.3 个候选变异;部署在近 5,000 名未确诊患者的前瞻性队列中,它带来了 241 例新增诊断(额外 5.1% 收益),且从支持性证据公开发布到患者确诊平均仅需 32 天。
MagenticLite、MagenticBrain、Fara1.5:为小模型优化的智能体体验
Microsoft Research AI Frontiers 发布 MagenticLite——一款专为小模型设计的实验性智能体应用,由编排模型 MagenticBrain 与计算机操作模型 Fara1.5 驱动,可在浏览器与本地文件系统的一体化工作流中高效运行,并以更低的成本覆盖广泛的智能体任务。
关于我们近期 AI 委托与长时程可靠性研究的补充说明
Microsoft Research 就论文《LLMs Corrupt Your Documents When You Delegate》引发的讨论作出澄清:研究发现前沿模型在 20 轮委托迭代中文档保真度平均下降约 19–34%,但该基准是对长时程委托执行的压力测试,并非对模型整体能力或实际任务成功率的度量。
GridSFM:面向电网的新型小型基础模型
微软发布小型基础模型 GridSFM,可在毫秒级近似求解输电网的交流最优潮流(AC-OPF),覆盖 500 至 80,000 节点规模的电网;其独立预测成本差距中位数约 2.23%,作为热启动种子可比冷启动快 1.66 倍,为电网仿真与规划工具提供了开放的模型基础。
MatterSim 推进材料 AI:实验合成、更快的模拟与多任务模型
微软研究团队发布了 MatterSim 的多项进展:基于 MatterSim-v1 的高通量筛选预测出了一种潜在高导热材料四方相钽磷化物(TaP)并完成了实验合成与热导率测量,模型推理速度提升 3-5 倍并集成到 LAMMPS,同时推出多任务基础模型 MatterSim-MT,可模拟振动光谱、铁电翻转和电化学氧化还原等复杂材料现象。
SocialReasoning-Bench:衡量 AI 智能体是否以用户最佳利益行事
Microsoft Research 推出 SocialReasoning-Bench 基准,通过日历协调与市场议价两个贴近现实的场景,评估 AI 智能体代表用户进行社交推理与谈判的能力,并同时衡量结果最优性(为用户争取到的价值)与尽职程度(决策过程质量)。研究发现:前沿模型几乎都能完成任务,却常常接受次优的会议时间或糟糕的交易;即便采用明确的防御性提示,表现仍远低于可信代理应有的水平。
红队测试智能体网络:理解 AI 智能体大规模交互时会出什么问题
微软研究团队对一个运行着 100 多个智能体的内部平台开展红队测试,发现智能体蠕虫自传播、声誉操纵、制造共识与代理链四类只会在网络层面出现的攻击模式,并观察到少数智能体自发形成安全规范等早期防御迹象。
AutoAdapt:面向大语言模型的自动化领域适应
AutoAdapt 是一个端到端、感知约束的大语言模型领域适应框架:它用适应配置图(ACG)刻画整个适应流程的设计空间,由智能体规划器选择并编排策略(如 RAG 与微调),再通过预算感知的优化循环 AutoRefine 在约束内调优超参数,把数周的手动迭代变成可复现的自动化流水线。
ADeLe:预测并解释 AI 在不同任务上的表现
微软研究院与普林斯顿大学、瓦伦西亚理工大学合作提出 ADeLe(AI Evaluation with Demand Levels)方法,用 18 项核心能力对任务和模型同时打分,据此预测模型在新任务上的表现,准确率约达 88%(涵盖 GPT-4o、Llama-3.1 等模型)。该方法构建模型能力画像、定位强弱项,并解释了为何同一模型在不同'推理'基准上的成绩差异悬殊。
AsgardBench:面向视觉接地的交互式规划基准
微软推出 AsgardBench,一个基于 AI2-THOR 的具身智能基准,用 12 类任务共 108 个受控实例评估智能体能否根据视觉观察在任务执行中动态修正计划。测试显示,高绩效模型必须依赖视觉输入才能稳定成功,图像输入使多数模型成功率翻倍以上,同时暴露出细节视觉区分、跨步任务状态追踪和计划及时更新三方面短板。
GroundedPlanBench:面向机器人操作的空间落地长程任务规划
Microsoft Research 推出 GroundedPlanBench 基准与 V2GP 框架,评估并提升视觉语言模型在机器人操作中同时决定\"做什么\"和\"在哪里做\"的能力,实验表明空间落地联合规划在任务成功率和动作准确率上均优于解耦方案。
AI 智能体的系统化调试:AgentRx 框架介绍
Microsoft Research 开源 AgentRx 框架:它从工具模式与领域策略自动合成受保护的可执行约束,逐步记录有证据支撑的违规情况,从而精确定位智能体轨迹中第一个不可恢复的关键失败步骤;配套发布的 AgentRx Benchmark 含 115 条人工标注的失败轨迹,故障定位与根因归因分别较提示基线提升 23.6% 与 22.9%。
PlugMem:将智能体的原始交互转化为可复用知识
微软研究院提出即插即用的智能体记忆模块 PlugMem,将原始交互历史转化为结构化的可复用知识单元,并通过结构化组织、知识检索与推理提炼三步,在三类智能体基准上一致超越通用检索和任务专用记忆设计,同时消耗更少的记忆 token。
Phi-4-reasoning-vision:训练多模态推理模型的经验与启示
微软发布 150 亿参数的开源权重多模态推理模型 Phi-4-reasoning-vision-15B,仅用 2000 亿词元的多模态数据训练,便在数学与科学推理、屏幕界面理解等任务上逼近需要十倍以上算力的大模型表现。文章分享了其中的关键经验:中融合架构与动态分辨率视觉编码器的选择、严格的数据清洗与配比实验,以及推理与非推理数据混合的训练策略。