TokenEconomizer 利用仓库历史会话降低 AI 编码智能体 token 成本
TokenEconomizer 利用代码仓库中的历史会话降低 AI 编码智能体 token 成本,是来自 UC Berkeley、Microsoft Research 和 Microsoft Security 的开源插件。
推荐理由:研究给出了利用仓库历史会话降低 AI 编码智能体 token 成本的方法,并在 277 个真实缺陷修复任务中报告成本下降且成功率大体稳定。
TokenEconomizer 利用代码仓库中的历史会话降低 AI 编码智能体 token 成本,是来自 UC Berkeley、Microsoft Research 和 Microsoft Security 的开源插件。
推荐理由:研究给出了利用仓库历史会话降低 AI 编码智能体 token 成本的方法,并在 277 个真实缺陷修复任务中报告成本下降且成功率大体稳定。
Microsoft Research 发布第 98 期研究简报,涵盖 AI 语音翻译进展、31 年未解的 KLS 猜想证明及编码智能体效率优化。针对长会话中上下文压缩导致的高成本问题,新提出的 APEC 方法在评估中降低了 25.4% 的成本和 9.6% 的执行时间。此外,研究还介绍了跨 104 种语言的 Latent Core Tokenizer 技术,旨在提升多语言模型性能。
Microsoft 构建了行业评估数据生成平台,利用 O*NET、在线招聘及 SEC 文件等公开数据生成全规模合成企业环境,以解决真实数据敏感性与评估需求间的矛盾。该平台通过模拟动态组织结构和自动化查询管道,建立了 Microsoft Copilot 的首个标准化评估基准,确保在完全不接触客户数据的前提下验证 AI 系统的准确性与安全性。
Microsoft Research Focus 第 97 期介绍了 ForkPilot 自改进智能体框架,该框架在六个基准测试中表现最佳,同时将 AI 处理需求降低多达 59%。本期还探讨了编码智能体在理解陌生代码库时的瓶颈,以及 TeleTune 从离线遥测中演化智能体技能的方法。
Microsoft 与 Hugging Face 联合发布 ThinkingBox-Training,将数据库终态的可执行检查转化为强化学习奖励。使用该方法对 Qwen3.8-27B 进行 50 步 GRPO 微调后,其在 ThinkingBox-Bench 上的平均成功率从 51.70% 提升至 60.78%,且 20 次尝试全部正确的任务数从 38 增至 107。
微软研究院学者证明KLS猜想,解决这一自1995年提出、悬置31年的高维几何核心问题。他们通过人类指导AI智能体并行探索超100种候选思路并递归精炼完成证明,多个独立证明与Lean 4形式化验证了该结果。
推荐理由:该研究结合人类指导的AI智能体搜索与数学判断证明KLS猜想,为凸几何与理论计算机科学提供无条件基础。
微软研究院发布 StudentSim 系统,通过训练个性化“AI 学生模拟器”在无需大规模真人实验的情况下评估 AI 辅导工具的教学效果。该系统在国际象棋等任务中表现优于 GPT-5.4 等基线,基于其反馈训练的 AI 导师准确率达 90.5%。StudentSim 旨在为研究者提供低成本、可扩展的早期反馈信号,而非取代教师。
Microsoft Research提出Magnetar零知识虚拟机,可证明Rust、Go或C程序执行,较现有最快zkVM平均提速10至39倍且安全性仅基于标准哈希函数。它基于RISC-V架构,证明验证约12毫秒,无需椭圆曲线或可信设置。这是微软十余年可验证计算研究的集大成成果。
Microsoft Research 推出 StudentSim 系统,利用去标识化公开数据训练个性化 AI 学生模拟器,以在真实测试前评估 AI 辅导效果。该系统通过 StudentSimEval 基准在数学、英语写作和棋类任务中表现优于现有基线,提供了有效的训练反馈信号。此举旨在解决人工学生研究成本高、周期长的问题,加速 AI 辅导系统的研发迭代。
微软研究人员发现长期运行的AI研究智能体易陷入想法盆地瓶颈,提出Fork-and-Flush方法通过分叉与清空聊天历史提升搜索多样性。在13个长任务上同等算力下标准化平均分达0.78,较单跑提升66.0%,并使用GPT-5.6-terra、GPT-5.5与Qwen3.5等模型验证。
Microsoft Research Asia 推出并开源 Agent Lightning v1.0,一个约3500行轻量级智能体 RL 框架,使真实 harness 直接参与训练。
推荐理由:Agent Lightning v1.0通过代理机制让真实agent harness直接用于强化学习,便于团队复用部署代码并降低训练成本。
微软与 Hugging Face 联合发布 ThinkingBox 与 ThinkingBox-Bench,已在 Hugging Face 上线并通过 OpenEnv 运行,按智能体留下的后端状态和副作用而非生成的回答评分,每个任务重复运行 20 次。
推荐理由:原文用 507 个有状态业务流程各跑 20 次,区分单次成功率与跨次一致性,并给出按可靠性计算的成本,可迁移到团队自建智能体评测。
微软研究院实习生构建了一套端到端机器学习流水线,利用 L1 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 的生物学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。该模型由 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc 组成,通过学习式集成与重排序融合两者互补优势。
Hugging Face 发布研究,用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象,评测了 11 个开源 ASR 模型。
推荐理由:通过三项探针量化 ASR 模型对基准的过拟合,并给出可复用的检测脚本与榜单入口。
微软研究院发布深度学习交换关联泛函 Skala 1.1,训练数据量为此前公开版本的 2.5 倍,在 GMTKN55 基准 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,并正集成进 Psi4、FHI-aims、ORCA 和 VASP。微软同时推出持续更新的基准,追踪后续 Skala 版本的计算性能。
微软研究院推出 MindTopo 基准,用于评估多模态大语言模型在连通性、封闭、顺序、分离和绳结等拓扑关系上的推理与规划能力。测试显示,当前模型在静态图像识别上表现明显优于交互式规划任务,失败多发生在规划阶段而非感知阶段,模型难以在场景变化中持续保持对拓扑结构的理解。图像与视频生成工具在维持拓扑关系上同样不可靠。
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、疾病存在与否定判断、病灶定位及多标签分类等任务,并支持生成式与双推理模式。