跳到正文
只看一手#Microsoft
  1. Microsoft Research83

    Microsoft Research 研究员与合作者证明悬而未决 31 年的 KLS 猜想

    Microsoft Research 的 Xinzhi Zhang 与合作者 Zhao Song 证明了 KLS 猜想，将高维对数凹分布相关几何界限收紧至与维度无关的通用常数。

    推荐理由：研究者逐轮筛选并重定向智能体的探索，而相近 token 预算的无引导尝试未达目标，为人机协作研究提供了具体的方法对照。

  1. GitHub Blog · AI & ML66

    3 位 Java Champion 如何使用 GitHub Copilot 提高开发效率

    3 位 Java Champion 分享了使用 GitHub Copilot 开发功能、迁移内容和排查缺陷的实践，强调提供上下文、验证结果并由开发者承担交付责任。

    推荐理由：将需求澄清、任务专属验收关卡和确定性检查串成反馈闭环，为把智能体的快速执行转化为可维护的软件提供了可迁移方法。

  1. GitHub Blog · AI & ML64

    GitHub 主张密钥保护应跟上软件增长，介绍 ModernBERT 检测模型

    GitHub 介绍与 Microsoft Applied Sciences 合作构建的 ModernBERT 分类器，用于在推送时识别非结构化密钥，单批候选检测耗时低于 2 毫秒，可使能够预防泄露的密钥数量增加至两倍以上。

    推荐理由：九个季度的数据将泄露总量增长与单次推送风险区分开来，为理解密钥保护为何需要从人工补救转向自动预防提供了依据。

  1. Microsoft Research60

    Microsoft Research 的 Jennifer Neville 谈 AI 会犯哪些错，以及失败能教会我们什么

    Microsoft Research 的 Jennifer Neville 在访谈中解析 AI 在多轮对话和长流程协作中的失败，以及评估如何帮助改进系统。她的团队将单轮基准改为逐轮补充需求的测试，发现模型表现显著下降，长流程中的未纠正错误也会累积并造成混乱。她建议对话混乱时重新开启聊天并一次性完整说明需求，在实际工作中保留人工监督与核验，而非将任务 100% 委托给 AI。

    推荐理由：把单轮基准改造成逐轮补充需求的评估，能揭示高分背后的交互短板，为设计贴近真实工作流的测试提供具体思路。

  1. Microsoft Research62

    Microsoft Research 推出 Quine，连接生物学世界模型与实验研究流程

    Microsoft Research 推出实验性 AI 研究系统 Quine，将多模态生物学世界模型与连接科学工具、文献和研究人员的交互框架结合。在与 Broad Institute 合作的胰腺癌研究中，团队用一个周末完成数千种化合物的预测筛选与候选排序，多项湿实验验证了高排名候选引导细胞状态转变的效果。

    推荐理由：胰腺癌实验案例展示了先用模型缩小化合物搜索范围、再用湿实验检验预测的研究路径，为计算与实验协作提供具体参照。

已经到底了