在旧金山 Microsoft 活动上，NVIDIA 与 Microsoft 宣布为 Windows PC 上的 AI 智能体共同设计软硬件，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并给出，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 用九个季度数据说明密钥泄露与开发速度的失衡，并给出把检测前移到 push 环节的模型方案。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体 RL 框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一套 agent harness 直接参与强化学习，无需在训练框架内重新实现智能体。
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 RL 训练，并给出可复现的编码智能体训练结果。
微软 partner research manager Jennifer Neville 在 Microsoft Research Podcast 中讨论评估如何推动 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。
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 pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线在线信号对照数据，可据此判断评测结果能否预判线上表现。
微软研究院实习生构建了一套端到端机器学习流水线，结合太阳风观测、AE 与 Dst 指数预报、地质电导率和电网数据，为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据联合训练的生物学世界模型，以及连接模型、科学工具、文献和实验人员的交互式 harness 组成。
推荐理由：微软研究院公开 Quine 的生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
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AI应用、AI原生研究实践及生态与人才培养四大方向展开工作。实验室与新加坡医疗生态伙伴合作推进多模态医疗AI与自演化诊断智能体，并联合EDB于2026年2月举办AI物流与运输高管圆桌会。
GitHub Copilot app 的 canvas 是一种用户与智能体共享的可定制界面，可做成看板、issue 分诊板、发布清单或仪表盘，且双向同步更新。用户无需写代码，在 agent 会话中输入 /create-canvas 并用自然语言描述工作流、界面操作和智能体权限，即可生成界面并在右侧面板打开。
GitHub Copilot 提出 chat 大多数时候是错误的 AI 交互界面，主张用 canvas——运行在 GitHub Copilot app 内的全栈小应用，可与 agent 双向通信并调用本地代码。
GitHub Copilot 应用重建了 pull request 视图，用一个含 2,200 个文件、超 100 万行改动和 400 多条行内评论的开源 PR 做压力测试。它把文档高度拆成确定性的代码几何与动态块几何两部分，评论高度延迟测量并锚定到文件、行和侧，避免滚动跳变。
微软研究院对移动操作机器人工作负载做了系统性测量，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电池续航。
推荐理由：微软研究院系统测量了机器人端侧推理的瓶颈，并给出可复用的卸载工具链，读者可据此判断物理 AI 的部署取舍。
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，用学习式集成策略对两者预测排序。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。