d1-ultra非幻觉率达85%
d1-ultra 在 AA-Omniscience-Decision 上实现了最高的非幻觉率，达到 85%，是 Microsoft-Decision-1 的 40% 第二高率的倍以上。与 d1 相比，更多的弃权导致准确率降至 32%，而 d1 为 41%。
#Microsoft
Artificial AnalysisAI 评分4040
DeepLearning.AIAI 评分2727 DeepLearning.AI 本周 AI 动态汇总
1/ 错过几天 AI 新闻？这是本周 Data Points 的内容。2/ Claude Haiku 5.5：提示词在 100K 以内时，每百万 token 价格 $0.10/$0.50，比 Haiku 4.5 便宜约 90%。速度极快且能力强大。3/ Microsoft-Decision-1：校准概率
Microsoft Research精选AI 评分6666 微软研究院发布 Magnetar：基于零知识证明的通用计算系统
微软研究院推出 Magnetar，一种能证明 Rust、Go 或 C 程序执行正确性的零知识虚拟机（zkVM）。它在保持通用性和仅依赖标准哈希函数（如 SHA-256）带来的抗量子安全性的同时，平均比现有最快同类系统快 10 到 39 倍，且证明可在约 12 毫秒内验证。
推荐理由：Magnetar 在通用性、效率和基于哈希函数的安全性上取得突破，为可验证计算提供了无需信任的实用路径。
Microsoft ResearchAI 评分4242 Microsoft Research 推出 StudentSim：用于评估 AI 辅导系统的个性化学生模拟器
Microsoft Research 发布研究系统 StudentSim，利用公开去标识化数据训练个性化 AI 学生模拟器，以加速 AI 辅导工具迭代。该系统通过 StudentSimEval 基准在象棋、英语写作和数学领域验证行为保真度与指导响应性，表现优于主流基线。StudentSim 旨在研发阶段提供反馈信号，并非替代教师或部署于课堂。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布新密钥保护模型以应对 AI 代码激增
GitHub 宣布推出由 Microsoft Applied Sciences 协助构建的 ModernBERT 分类器，用于扩展推送保护至非结构化密钥。该模型能在 2 毫秒内评估候选密钥批次，预计可将可预防的密钥数量增加一倍以上。
推荐理由：GitHub 推出基于 ModernBERT 的新分类器，将非结构化密钥检测延迟降至 2ms 以下，旨在解决 AI 生成代码激增带来的泄露防护瓶颈。
NVIDIA Blog精选AI 评分8282 NVIDIA 与微软联合发布 RTX Spark 笔记本及 DGX Station for Windows
NVIDIA 与微软在旧金山活动上宣布共同开发面向 Windows PC 的 AI 智能体硬件与软件。RTX Spark 搭载 Blackwell GPU 和 Grace CPU，提供最高 128GB 统一内存和 1 petaflop FP4 算力，支持本地运行 Qwen 3.8 Flash Next 等大模型，笔记本今日开启预订。
推荐理由：原文详细列出了 RTX Spark 和 DGX Station for Windows 的硬件规格及本地 AI 能力，为开发者评估端侧算力升级提供了具体参数依据。
Microsoft Research精选AI 评分7373 Microsoft Research 发布 Agent Lightning v1.0：基于真实 Harness 的轻量级智能体强化学习框架
Microsoft Research Asia 推出 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架，支持使用部署时的真实 Agent Harness 直接参与训练。
推荐理由：微软亚洲研究院提出 Harnessed Agentic RL 范式，通过仅 3500 行代码的轻量框架让真实 Agent Harness 直接参与强化学习，在 SWE-bench Verified 上以约 6000 样本实现 Qwen3.5-9B 性能提升。
Microsoft ResearchAI 评分3838 Microsoft Research 探讨 AI 评估中的意外失败与经验教训
Microsoft Research 研究员 Jennifer Neville 指出，当模型在超越传统基准的测试中表现时，会出现“令人惊讶的失败”。她强调深入分析数据对于理解违背预期的结果至关重要。该对话探讨了评估如何推动 AI 系统性能边界以满足用户需求，并分享了处理当前 AI 系统的实用指导。
Hugging Face Blog精选AI 评分8585 微软与 Hugging Face 联合发布 ThinkingBox：基于后端状态验证 AI Agent 可靠性的新基准
微软和 Hugging Face 联合推出 ThinkingBox，这是一个用于评估 AI Agent 可靠性的新基准和环境。它不依赖模型的最终文本回复或工具调用记录，而是直接检查任务执行后留下的后端数据库状态和副作用（如工单是否真正关闭、退款是否到账）。
推荐理由：微软与 Hugging Face 联合发布 ThinkingBox，通过检查后端数据库状态而非仅看模型回复来评估 Agent 的可靠性，并提供了可复现的基准测试环境。
Microsoft ResearchAI 评分3939 Microsoft Research 开发机器学习系统预测美国电网空间天气风险
Microsoft Research 推出端到端机器学习管道，利用太阳风数据为美国大陆66,935个变电站生成地点特定的空间天气风险估计。该系统结合AE和Dst指数预测与地质导电性，能在风险出现前30至60分钟发出预警，并在评估期内检测到近80%的主要空间天气事件。
Microsoft Research精选AI 评分7070 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院推出 Quine，这是一个包含生物学世界模型和交互式框架的 AI 研究系统，旨在连接模型、科学工具、文献与研究人员。该系统已在与 Broad Institute 合作的胰腺导管腺癌研究中用于预测和优先排序化合物，并在湿实验中验证了多个候选分子，显著缩短了从计算筛选到实验验证的时间。
推荐理由：原文展示了 Quine 在胰腺癌药物筛选中的具体应用，读者可了解 AI 世界模型如何加速实验验证并发现新机制。
Microsoft ResearchAI 评分1818 Microsoft Research Asia – Singapore 成立一周年：推动前沿AI研究与本地生态合作
Microsoft Research Asia – Singapore 于2025年7月24日作为微软在东南亚首个实验室成立，近期回顾其一年进展。该实验室聚焦下一代AI模型、智能体系统及医疗等领域应用，通过与新加坡政府及高校合作，将前沿研究转化为实际价值并培养人才。
GitHub Blog · AI & ML精选AI 评分6262 GitHub Copilot 博客探讨为何聊天并非 AI 最佳交互界面
GitHub Copilot 官方博客文章认为聊天框往往不是与 AI 协作的最佳 UI，建议改用可定制的画布（canvas）来构建专用工具。文中举例说明通过画布创建本地应用或自动化开发流程，能避免将 Agent 当作通用工具造成的 token 浪费，让用户更专注于具体任务而非反复对话。
推荐理由：作者指出聊天界面常是低效交互，提出用可定制画布替代纯对话以节省 token 并优化工作流。
Microsoft ResearchAI 评分5353 微软 Physical AI Toolchain 新增机器人推理卸载功能
微软在 Physical AI Toolchain 中推出行业首个机器人推理卸载能力，允许开发者通过 Kubernetes 工具链将 AI 工作负载从机器人本体分发至边缘或云端 GPU。
Microsoft ResearchAI 评分3838 Microsoft Research 开源 RetroChimera 提升小分子逆合成预测
Microsoft Research 在 Nature 发表并开源 RetroChimera，该模型通过集成 R-SMILES 2 和 NeuralLoc 两个互补子模型及学习重排序策略，显著提升了小分子逆合成预测质量。盲测显示博士级化学家更偏好其生成的反应步骤，且在十个高难度目标中成功规划出九个完整合成路线，优于现有基线模型。
GitHub Blog · AI & ML精选AI 评分8484 GitHub Copilot 运行时迁移至 Rust 的实践复盘
GitHub 使用 Copilot CLI 和 App 中的 AI Agent，将 Copilot agent runtime 从 TypeScript 重写为超过 80 万行生产级 Rust 代码。
推荐理由：文章详细复盘了利用 AI Agent 将 Copilot 运行时从 TypeScript 迁移至 Rust 的全过程，提供了大规模代码重构的增量策略、多会话并发协作模式及性能优化数据。
Microsoft ResearchAI 评分3131 Microsoft Research 发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型助力群体规模发现
Microsoft Research 推出开源的 GigaPath-Flash 和 GigaTIME-Flash 病理基础模型，通过知识蒸馏将参数量降至 22M，计算成本降低约 50 倍。
Microsoft ResearchAI 评分4747 Microsoft Research 发布 Skala 1.1，在 GMTKN55 基准中获 32 项第一并集成至 CP2K
Microsoft Research 推出深度学习 DFT 模型 Skala 1.1，其训练数据量增加 2.5 倍，在 GMTKN55 基准的 55 个类别中有 32 个排名第一。该模型以 meta-GGA 计算成本实现超越全局杂化泛函的精度，加权平均误差为 2.8 kcal/mol。Skala 现已支持 CP2K，并正集成至 Psi4、FHI-aims、ORCA 和 VASP 等主流软件。
Microsoft ResearchAI 评分3737 MindTopo 基准揭示多模态模型在拓扑推理与规划中的能力差距
Microsoft Research 推出 MindTopo 基准，评估多模态大模型的拓扑推理能力。测试显示模型在静态识别上表现优于交互式规划，但在维持连接、封闭等结构关系时易出错。该发现凸显了 AI 在机器人及交互环境中保持空间一致性的不足。