TokenEconomizer:从经验中学习,让 AI 编码智能体更高效
UC Berkeley 与 Microsoft Research 等团队发布开源插件 TokenEconomizer,它从智能体在代码仓库的历史会话中学习,在不修改智能体或底层模型的前提下降低后续会话成本。
推荐理由:论文给出了一套不改动模型即可复用的经验式成本控制方法,读者可迁移到自己的编码智能体工作流。
UC Berkeley 与 Microsoft Research 等团队发布开源插件 TokenEconomizer,它从智能体在代码仓库的历史会话中学习,在不修改智能体或底层模型的前提下降低后续会话成本。
推荐理由:论文给出了一套不改动模型即可复用的经验式成本控制方法,读者可迁移到自己的编码智能体工作流。
Microsoft Research Focus 第 98 期分享微软最新研究进展,涵盖 AI 通用翻译、解决 31 年的 KLS 猜想及提升编程智能体效率。APEC 方法通过后台准备摘要,将编程智能体成本降低 25.4%、执行时间缩短 9.6%。Latent Core Tokenizer 在 104 种语言上生成更具语言学意义的 token,提升多语言基准表现。
微软研究人员发现名为 Lazarus 的后门技术:只需重编程 LLM 中不到 10 个休眠神经元、无需训练,就能让基于该模型的智能体在隐藏触发条件出现时执行攻击者命令,且模型仍能通过标准安全评测。
推荐理由:原文给出了只需重编程少数休眠神经元即可植入后门的机制,读者可据此理解权重审计与来源校验为何是关键防线。
Microsoft Research Focus 第 97 期分享了微软在 AI 智能体、Copilot 使用及天气预报等领域的研究进展。自我改进框架 ForkPilot 在六个基准测试中最多减少 59% 的 AI 处理需求,研究还发现编程智能体的瓶颈在于理解陌生代码库。此外,Copilot Chat 最常见的活动是编辑文档(超 20%),BioEmu2 也已开启公共预览。
微软宣布其 AI 诊断系统 MAI-DxO(Microsoft AI Diagnostic Orchestrator)在基于《新英格兰医学杂志》复杂病例的模拟评估中诊断准确率达 83%,远高于对照的基层全科及普通内科医生的 36%,研究成果发表于《科学》。
推荐理由:复杂病例上 83% 对人类医生 36% 的对照数据,可帮助读者评估多智能体编排相对单模型的增益幅度。
微软发表于 Science 的研究显示,其多智能体诊断系统 MAI-DxO 在《新英格兰医学杂志》复杂病例模拟中正确率为 83%,单独工作的全科医生为 36%,但对照组未纳入通常处理这类病例的专科医生。
微软在 Science 发表研究称,其多智能体 AI 诊断系统 Diagnostic Orchestrator 诊断准确率最高可达人类医生的 4 倍。
Microsoft Research 的 Xinzhi Zhang 与 Zhao Song 证明 1995 年提出的 Kannan–Lovász–Simonovits(KLS)猜想,这一关于对数凹分布的猜想已悬置 31 年。该结果由 Microsoft Research 与合作者共同完成。
微软研究院机器学习与优化组的 Xinzhi Zhang 与合作者证明了 1995 年提出的 Kannan–Lovász–Simonovits(KLS)猜想,即对数凹分布的最优平面切割与任意形状切割之间只差一个与维度无关的常数。
推荐理由:原文给出证明思路、独立团队并行验证与 Lean 形式化进展,读者可据此判断该结果对高维几何与理论计算机科学的影响。
KAIST 与 Microsoft 研究团队提出 CorpusMap,通过识别跨文档反复出现的实体,为 Agent 构建可预先建立并重复使用的文档导航结构。在三个基准数据集上,CorpusMap 将回答质量提高约 6.4~11.7 分,同时减少 34%~57% 的输入 Token 消耗。实体页面以普通文件形式保存,Agent 可沿用已有的文件搜索与读取工具,无需接入专门的图数据库查询接口。
微软研究院发布研究系统 StudentSim,为每位学生训练个性化“AI 学生模拟器”,无需大规模真人实验即可评估讲解是否真正帮助学生进步。系统采用两阶段训练,覆盖国际象棋、英语写作和数学,并推出 StudentSimEval 评测基准。
微软研究院发布零知识虚拟机 Magnetar,开发者用 Rust、Go 或 C 照常编写并编译为 RISC-V 程序后即可由其证明执行,在 15 个基准程序上平均比同类最快 zkVM 快 10 至 39 倍。
推荐理由:原文梳理了微软十余年零知识证明研究脉络,并给出 Magnetar 与现有 zkVM 在速度、通用性和密码学假设上的具体对比。
Microsoft 研究团队在 Nature 发表论文,提出概率偏差校正(PBC)方法,可将 2 至 6 周天气预报做得更准确,相关工具已开源。PBC 不另建模型,而是用机器学习识别并修正现有模型的系统性偏差;研究显示它使 ECMWF 物理模型在 98% 的降水和 92% 的温度目标上更准确,还将 ECMWF 新 AI 预报系统的准确率翻倍,且只需 CPU 即可运行。
微软研究发现长时运行 AI 研究智能体会陷入“思路盆地”,其提出的 Fork-and-Flush 方法通过并行分叉并清空对话上下文恢复搜索多样性,在同等算力下将归一化平均分从 0.47 提高到 0.78。该方法在 13 项任务中的 12 项取得最高均分,仅清空上下文也能带来约 22% 的提升;即使模型能力增强,任务边界处的运行间差异依然存在,定期重置上下文或仍有价值。
Microsoft Research 提出 StudentSim,一个从公开去标识化学习记录训练个性化学生模拟器的研究系统,用于在真实学习者测试前评估和改进 AI 辅导工具。
微软亚洲研究院提出 Harnessed Agentic RL 训练范式并开源 Agent Lightning v1.0,让部署时使用的 agent harness 通过 LLM proxy 直接参与强化学习,无需在训练框架中重新实现 agent。
推荐理由:核心可迁移点在于把部署用的 harness 直接接入 RL 训练,省去在训练框架中重写 agent 的成本。
GitHub 推出开源 AI 代码评审基准 ReviewBench,语料基于 103.9M 个真实 pull request 的语言与仓库规模分布建模,包含来自 187 个开源仓库的 219 个 PR、19 种语言。
推荐理由:原文讲清了 ReviewBench 的语料构建与指标设计,做代码评审智能体的团队可以照同样的思路建立自己的离线评估。
Microsoft Research 开发的机器学习系统结合太阳风观测、AE/Dst 指数预测与地质数据,为美国本土 66,935 座变电站提供提前 30-60 分钟的位置级空间天气风险预警。
Microsoft Research 在 Nature 发表逆向合成模型 RetroChimera,组合 Transformer 生成模型 R-SMILES 2 与图神经网络 NeuralLoc,通过学习排序融合两者预测。
Microsoft Research 提出 MindTopo 基准,围绕连通性、分离、顺序、包围和打结五类拓扑性质,评估多模态模型在静态场景识别与交互式规划两层的表现。测试显示模型静态推理 consistently 强于交互规划,且均远低于人类水平,错误多发生在规划阶段,如丢失结构关系或提出违反物理约束的动作。图像与视频生成工具仅在单帧可见关系时偶有帮助,跨多步动作时并不可靠。