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工作流的落地条件。
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人工修复的失衡，并给出把检测前移到 push 环节的模型方案。
微软研究院亚洲团队开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一 agent harness 直接参与 RL，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，给出约 3500 行代码的智能体 RL 框架与真实 harness 训练路径，可据此判断训练与部署一致性的实现方式。
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，探讨评测如何推动当前 AI 系统突破性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她同时分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时深入审视数据的重要性。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
推荐理由：GitHub 公开了 AI 代码审查基准的构建方法与评分口径，读者可据此理解离线评测如何对应线上实验。
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测与 AE、Dst 指数预报，结合纬度、地质电导率等本地数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。
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 的多模态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分院（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、领域专用 AI、AI 原生研究实践及生态与人才培养四大方向展开工作。该实验室与新加坡医疗生态伙伴合作推进多模态医疗 AI 和自进化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与运输 AI 高管圆桌会。
GitHub Copilot app 的 canvases（画布扩展）是一种可自定义界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述工作流，即可生成看板、发布清单或仪表盘等界面，无需编写代码或手动设计。
GitHub Copilot 提出用 canvas 替代 chat 作为 AI 交互界面，canvas 是运行在 GitHub Copilot 应用内的全栈小应用，可与 agent 双向通信并调用第三方 API、在本地执行代码。
GitHub Copilot 应用重建了 pull request 视图，以流畅渲染含 2,200 个文件、超百万行改动和 400 多条行内评论的超大 PR。其做法是把文档高度拆成确定性的代码几何与动态评论块两套几何：代码行高提前精确计算，评论高度则按块懒测量、锚定到文件与行，避免滚动跳变。
微软研究院对移动机器人操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 可提升任务表现。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的 Kubernetes 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 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与基于 GNN 的 NeuralLoc，通过学习式重排序整合两者互补预测，在十项挑战性靶标的多步合成路线评测中成功 9 项，优于 de novo 模型的 5 项、编辑模型的 4 项和 NeuralSym 的 2 项。
微软研究院发布 GigaPath-Flash 与 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。