微软的 AI 布局：Copilot 全家桶、Azure AI 基础设施与 OpenAI 合作关系的持续追踪。
GitHub Copilot 官方博客提出聊天并非与 LLM 交互的最佳界面，主张用可自定义的 canvas 全栈应用替代。canvas 能双向与 Copilot 智能体通信，可调用第三方 API 并在本地执行代码，例如构建 Connect 4 游戏、管理 Winget 包或操作 SQLite 数据库。
推荐理由：原文用 GitHub Copilot 的 canvas 实例说明为何聊天不是与 AI 交互的唯一界面，读者可借此判断自定义 UI 对自身工作流的价值。
微软研究团队挑战机器人 AI 的核心假设，系统性研究表明仅在机器人板载 GPU 上运行物理 AI 推理会限制性能、电池寿命和可扩展性，而将推理卸载到边缘或云端 GPU 可带来显著优势。
推荐理由：原文给出首个机器人推理卸载的系统性测量结果，并配套开源工具链，读者可据此评估端侧与边缘云推理的取舍。
微软研究团队在 Nature 发表逆合成预测模型 RetroChimera，结合 Transformer 模型 R-SMILES 2 与图神经网络模型 NeuralLoc，通过学习排序整合两者预测。盲测中博士级化学家更偏好其单步反应预测，多步合成路线在十个挑战性目标中成功九个。模型已开源（MIT 许可），并可通过 Microsoft Foundry 访问。
推荐理由：原文给出了模型架构、开源信息和专家盲测结果，读者可据此判断它在逆合成预测上的实际表现。
GitHub 用 Copilot 将 Copilot 运行时从 TypeScript 重写为超过 80 万行生产 Rust，历时约 14.5 周，由一名开发者主导完成。重写采用组件级就地替换策略，性能提升数个数量级，并新增 C ABI 支持进程内嵌入。
推荐理由：原文给出了用 Copilot 自身完成大规模 Rust 重写的完整过程与数据，读者可据此评估 AI 辅助重写的可行性与工程方法。
微软研究院发布 GigaPath-Flash 与 GigaTIME-Flash，通过知识蒸馏将十亿参数编码器压缩为 22M 参数的 ViT-S 骨干，在保持约 97% 预测性能的同时将全切片分析计算量降低约 50 倍，空间蛋白组学预测提速约 6 倍、显存减少约 8 倍。两模型均以 Apache 2.0 协议开放权重，代码与权重已上架 Hugging Face，面向科研用途而非临床诊疗。
推荐理由：原文给出了蒸馏压缩后的效率提升和开放权重入口，读者可据此评估病理基础模型在更大队列研究中的实用成本。
微软研究院发布深度学习 DFT 泛函 Skala 1.1，训练数据量为此前版本的 2.5 倍，在 GMTKN55 基准的 55 个类别中 32 项排名第一，加权平均误差为 2.8 kcal/mol，精度超越主流全局杂化泛函。Skala 现已集成至 CP2K，并正在集成到 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续更新的性能基准报告。
推荐理由：微软研究院发布 Skala 1.1，训练数据扩充 2.5 倍，并推进多款量子化学软件的集成，读者可据此评估其精度与可用性。
微软研究院发布 CARE-X，一个面向胸部 X 光临床解读的统一视觉语言模型，结合生成式报告与结构化预测，并采用 DAPO 强化学习优化临床正确性。在 Chest ImaGenome 异常分类上，CARE-X 辅助头在阈值 0.5 时达到 0.943 灵敏度，在 ReXVQA 基准上以 94% 准确率排名第一。
推荐理由：原文展示了辅助监督与奖励对齐如何提升放射学视觉语言模型的临床实用性，并给出工具增强测量带来的显著性能提升。
微软研究院开源 Orchard，一个面向可扩展智能体 AI 研究的框架，核心是 Kubernetes 环境服务 Orchard Env，支持软件工程、网页导航和个人助理三类智能体，并可直接在 Codex、OpenClaw 等真实部署 harness 中训练。
推荐理由：原文给出了开源框架、三个训练配方和关键基准成绩，读者可据此判断小模型在真实部署环境中的训练路径是否可复用。