微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再根据其留下的后端终态和副作用判分，而非看它生成的回答。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非回答文本判分，并给出 20 次重复下的稳定性与成本对比。
公司与模型
Microsoft / Copilot 最新动态
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。
8 条精选近 30 天 5 条共收录 24 条
更新
Microsoft / Copilot的精选
Hugging Face Blog精选AI 评分7171
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 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训练的世界模型，以及连接模型、科学工具、文献与研究者的交互式 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，并给出胰腺癌化合物筛选的湿实验验证结果。
Microsoft Research精选AI 评分6262 微软研究院：把物理 AI 推理从机器人卸载到边缘或云端
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现并延长续航。
推荐理由：微软研究院对机器人推理负载的系统性测量，给出了把推理从机载 GPU 卸载到边缘或云端的性能与续航数据。
GitHub Blog · AI & ML精选AI 评分7878 GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust
GitHub 用 Copilot 应用和 CLI 把 Copilot 智能体运行时从 TypeScript 完全重写为超过 80 万行生产级 Rust，代码主要由 AI 智能体编写，分布在 128 个 PR 中增量合并，而非一次性切换。
推荐理由：一位工程师复盘用 Copilot 智能体把运行时从 TypeScript 迁到 Rust 的全过程，含并发会话协作与提示缓存数据。
GitHub Blog · AI & ML精选AI 评分7171 GitHub 推出 Project HydraFusion，用多模型编排提供前沿级编码质量
GitHub 发布研究预览版 Project HydraFusion，通过运行时编排在多个提供商的模型间选择，自动完成起草、评审、修订或升级到更强模型。它目前提供 Single、Cascade、Critique 三种执行模式，已在所有 GitHub Copilot 套餐中通过 Copilot CLI 的 /experimental 开放，按各模型标准费率计费。
推荐理由：GitHub 官方披露 HydraFusion 的三种编排模式与三套基准的成本质量对比，可据此判断多模型编排在编码任务上的取舍。
Microsoft Research精选AI 评分7171 微软研究院开源 Orchard：可扩展智能体 AI 框架
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理等任务，并支持在 Codex、OpenClaw、ZeroClaw 等真实部署框架内直接训练智能体。
推荐理由：微软研究院开源了可复用的智能体环境服务与三套训练配方，读者可据此了解小模型在真实任务上的训练路径。
Hugging Face Blog精选AI 评分6262 微软在 Foundry Managed Compute 上线 Hugging Face 模型集合
微软在 Build 2026 宣布 Foundry Managed Compute 及 Hugging Face 模型集合，将 Hugging Face 生态的开源权重模型引入 Foundry 模型目录，每周刷新，可一键部署到托管 GPU 平台。
推荐理由：微软在 Foundry 上托管 Hugging Face 开源权重模型，读者可了解企业部署开源模型时被接管的运维环节。
Hugging Face Blog精选AI 评分6262 微软发布 Differential Transformer V2：差分注意力去掉自定义 kernel 与 RMSNorm
微软 unilm 团队发布 Differential Transformer V2（DIFF V2），在保持 KV 头数量不变的前提下把 query 头数翻倍，使解码速度与标准 Transformer 持平，且不再需要自定义注意力 kernel。
推荐理由：微软团队给出 DIFF V2 的代码与消融对比，读者可据此理解差分注意力在解码速度与训练稳定性上的取舍。