微软等提出 CorpusMap，在智能体检索大型文档集合前预先解析跨文档的重复实体，为每个实体建页并链接到所有提及它的文档，原文档保持原位；智能体读取文档后可沿实体跳转到相关文档，避免重复搜索同一证据。

微软发表关于智能体 harness 自动优化的新论文，提出 ActiveSaddler 方法，通过追踪失败模式、优先处理最值得修复的失败或尝试未见过的任务来选择训练任务，而非使用固定任务列表。

微软一篇新论文提出，编码智能体无需中心管理者：在 ProgramBench 的 200 项任务中，让智能体自行认领任务的无管理者团队规模从 1 扩展到 128 个智能体时，平均得分在每一步都有提升，即使在最难的 5 项任务上也是如此。

微软等团队提出 ActiveSaddler，通过将反复出现的失败归类为失败模式并作为非平稳 bandit 的 arm，动态调整智能体 harness 的训练场景。该方法追踪各失败模式的学习收益，在复访已知弱点与发现新问题间分配预算，在相同优化器下，GAIA2 Pass@1 提升 4.4 点，Terminal-Bench 2.0 提升 7.5 点。

ScholarEvolve 提出基于已发表的 agent 研究而非 agent 自身失败日志来演化 harness，将 harness 拆分为工具使用、记忆管理和任务执行等模块，对近期论文做主题建模以识别各模块的改进策略并实现、测试组合，且可随时间加入新论文。

Hugging Face Blog精选AI 评分7171

微软与 Hugging Face 发布 ThinkingBox：按数据库终态而非生成文本给 AI 智能体打分

微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本打分，覆盖 507 个有状态业务流程、每个任务重复运行 20 次。

微软一篇新论文提出 FOCUS 方法，在测试时压缩智能体上下文：它判断智能体的下一次决策实际依赖哪些历史交互，保留这些单元并丢弃其余部分。该方法无需训练数据或微调，可作为独立层置于闭源 API 模型之前；在工具调用、QA、网页和多轮对话基准上，相比使用完整历史，峰值上下文最多减少 48%，任务成功率最多提升 8.9 分。论文地址：academy.dair.ai/papers/focus…

微软研究院用机器学习预测电网空间天气风险

微软研究院实习生开发了一套端到端机器学习流水线，为美国本土 66,935 座变电站生成空间天气风险预测，可提前 30 至 60 分钟预警。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测在 62.2% 的高活跃时段优于 Burton 方程。

微软研究院推出 Quine：面向生物学复杂性的 AI 研究系统

微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与研究者的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌（PDAC）研究，从数千个化合物中筛选并优先排序可驱动肿瘤细胞状态转变的候选物，最高排名的化合物在湿实验中产生了最大的预期状态转变，整个流程仅用一个周末完成。

机器人正变得更聪明，但它们的硬件如何跟上这种发展？Microsoft Research 的新研究发现，将 AI 推理移出机器人本体，可以提高任务成功率、提升效率，并支持更复杂的物理 AI 工作负载。msft.it/6014agepg

微软研究：将物理AI推理卸载到边缘或云端可提升机器人性能与续航

微软研究院对移动机器人操作负载做系统性测量，发现把物理AI推理从机器人端侧GPU卸载到边缘或云端GPU，可提升任务成功率、支持更大模型并延长续航。

微软开源逆合成模型 RetroChimera，成果登上 Nature

微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型用学习式重排序整合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，在盲测中化学家更偏好其单步反应预测；十个挑战性目标的多步路线中 RetroChimera 成功九个，优于 de novo 模型的五个、编辑模型的四个和 NeuralSym 的两个。

我们很高兴庆祝 Microsoft Research 的两篇论文在 VLDB 2026 上获奖。 恭喜各位研究人员。msft.it/6012aTYVm

Hugging Face Blog精选AI 评分6262

Hugging Face 研究：语音识别模型存在基准优化问题

Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项探针量化语音识别中的基准优化现象，评测 11 个开源 ASR 模型。结果显示，部分高分模型会在音频与参考文本矛盾时复现基准的错误转写，VoxPopuli 分析样本中约 40% 的片段被标记出参考错误，涉及约 3% 的参考词，这类模型复现错误参考的比例为 18–30%。

微软 Skala 1.1 发布：训练数据增 2.5 倍，已接入 CP2K 并推进 Psi4、FHI-aims、ORCA、VASP 集成

微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前首个公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正被集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软研究院推出持续追踪各版本计算性能的 living benchmark。

MindTopo 揭示多模态大模型的空间推理能力短板

微软研究院推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，且两者均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型在场景变化中会丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧关系可见时偶有帮助，序列任务中仍不可靠。

微软研究院推出 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量

微软研究院发布研究模型 CARE-X，一个统一胸部 X 光 VLM，可同时完成报告生成、结构化预测与病灶定位等任务，并用强化学习（DAPO）在多任务设置下奖励临床正确性。

Hugging Face BlogAI 评分4040

微软 Differential Transformer V2 发布：解码速度追平标准 Transformer

微软发布 Differential Transformer V2（DIFF V2），通过将查询头数翻倍、保持 KV 头数不变，使解码速度与标准 Transformer 持平，且无需自定义注意力 kernel。

Hugging Face BlogAI 评分3232

Hugging Face Open ASR Leaderboard 新增多语言与长音频赛道，并发布 ASR 趋势预印本

Hugging Face 的 Open ASR Leaderboard 新增多语言与长音频转录赛道，并发布基于 60+ 模型的 ASR 趋势预印本。

Hugging Face BlogAI 评分3232

TAPEX：无需真实数据的高效表格预训练

微软提出 TAPEX，通过让 BART 学习执行合成 SQL 查询来实现表格预训练，无需真实标注数据。该方法在 WikiSQL、TabFact、SQA 和 WikiTableQuestions 四个基准上均取得 SOTA，其中 WikiSQL 准确率达 89.6%，WikiTableQuestions 达 57.5%。