Microsoft Research

微软研究团队推出Vega零知识证明系统，可在不暴露凭证本身的情况下验证政府颁发的身份信息，支持移动端100毫秒内生成证明，无需可信设置，即将开源。

微软研究院发布MagenticLite、MagenticBrain和Fara1.5三个组件，专为小型模型优化的智能体体验，通过协同设计实现浏览器和本地文件系统统一工作流，其中Fara1.5在网页导航性能上几乎翻倍提升。

SocialReasoning-Bench 揭示当前主流 AI 模型在代表用户进行社交推理时，虽能完成任务但常接受次优结果，未能充分维护用户利益。

微软研究院提出Intervene框架，通过LLM-based projection将AI代理输出分解为可验证属性，并实时生成形式化规范以确保合规性。

微软研究院发布 Magenta Light，基于小型模型的全栈代理体验。

GitHub Agentic Workflows 引入 AI 代理自动化软件开发流程，结合 GitHub Actions、Copilot CLI 和安全沙盒，实现端到端自动化。

Intervene 是微软研究院开发的实时验证框架，通过自然语言提取可验证属性，提升代理系统可靠性。

微软研究团队利用公开数据构建了覆盖美国48个州的电力传输网络模型，支持AC-OPF分析。

文章分析了AI技术在不同阶段的经济和社会影响，提出从增强到自动化再到重构的三阶段模型，并强调制度和组织协调是实现深度变革的关键。

微软研究院提出测试时验证机制Intervene，通过将AI代理行为转化为可验证属性并自动生成Python验证器，显著提升小模型在复杂任务中的准确性。

微软研究团队提出Intervene方法，在Tau Too Bench等基准测试中，小型模型的准确性可媲美前沿模型，通过提取可验证属性并自动生成Python代码进行运行时验证。

mimalloc作为微软开源的内存分配器，显著提升了现代应用和服务在大规模内存管理中的性能和效率，成为处理十年内增长百倍级内存需求的关键工具。

微软研究提出一种新的语言模型微调方法，通过匹配语义而非词元来提升模型效果。

微软研究引入SkillOpt，将技能文档视为冻结代理的可训练外部状态，而非人工编写，提高了泛化能力。

微软研究院提出 Intervene 框架，通过 LLM 投影自动分解 agent 输出为可验证属性，并实时生成形式化验证器（Python/Lean），支持运行中干预。

微软研究院发现，AI代理虽能完成任务，但难以持续提升用户利益，即使有明确优化指令。

微软研究团队开发了沙盒和多层安全机制，解决代理工作流在GitHub等场景中因外部输入导致的安全接管风险，强调安全设计在AI自动化流程中的核心地位。

将AI视为人类智能的扩展而非替代品，有助于构建更可信的AI系统。

微软研究院联合 GitHub 与 Azure 团队推出开源项目，将 AI 协作代理（Agentic AI）从开发者扩展至市场、销售、运营等非技术人员，实现信息型流程自动化。

微软研究发布新工具、模型、仓库和论文，涵盖AI代理、GitHub工作流、验证优先代理等创新。

微软研究推出 GridSFM，这是一种小型基础模型，能在毫秒内预测最优电力流动，提升效率并节省成本。

微软研究团队开发的Tyger系统将MRI处理迁移到云端，显著缩短了从原始信号到可读图像的时间。

微软研究院发布关于AI委托与长期可靠性研究的补充说明，但内容以导航链接为主，缺乏具体技术细节。

微软研究院推出基于AI的代码仓库自动化工具，旨在让非开发者也能通过智能代理完成软件开发流程。

微软研究院展示了一个用于运行 GitHub 仓库的 AI Agent 系统，强调其在对抗性输入（如恶意 PR/issue）下的安全沙箱防护机制，但内容仅为 15 秒短视频，缺乏技术细节与实证。

微软研究院通过推文呼吁关注AI设计中的社会与环境权衡，但未提供技术细节，仅引导至外部视频，信息密度低，缺乏工程实践价值。

微软研究院推文仅列出四项研究方向，无技术细节、数据或方法，属于低信息密度的宣传公告，不具备工程参考价值。

微软研究提出让社区参与AI开发流程可提升AI的公平性与实用性，但该推文仅为口号式宣传，缺乏机制、数据或实践细节。

微软研究院即将发布新成果，包括AI代码管理工具和验证优先的研究方法。

这是一则Microsoft Research的YouTube视频发布通知，仅包含标题和页面框架信息，无实质技术内容可供提取。