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。
OpenAI 表示已关闭一批通过跨会话复用加密数据提取模型推理的账户与漏洞，但研究团队称该攻击在 Microsoft Azure 上仍可针对其尝试的所有 OpenAI 模型奏效，包括 GPT-6 Astra。研究人员还展示了利用虚拟记事本工具读取推理的更简单方法，并指出云平台需要为托管的推理模型部署等效防护。
推荐理由：文章梳理了加密推理提取攻击在官方 API 与 Azure 上的差异，呈现模型托管平台防护不一致带来的安全风险。
Microsoft Research 开发了一套机器学习管线，为美国本土 66,935 座变电站生成空间天气风险估计，并可提前 30-60 分钟预警具体风险。系统结合太阳风信息、AE 和 Dst 预测、物理约束、当地地质导电率与电网数据，在 2020-2026 年评估期对重大事件的检测率为 76.5%，对严重事件为 81.2%。
推荐理由：文章展示了如何把太阳风预测、地质条件与电网数据串成端到端管线，并用多项检测指标说明其提前预警能力。
Microsoft Research 推出 Quine，这是一个面向生物学复杂性的多模态世界模型与交互式研究系统，可连接科学工具、文献、湿实验和研究人员。在与 Broad Institute 合作的胰腺癌研究中，Quine 对数千种化合物进行预测和排序，最高排名化合物在多个湿实验中产生了最大的预期细胞状态变化，筛选到候选验证仅用一个周末完成。
推荐理由：Quine把生物学世界模型与科学工具、文献和实验连接起来，并以胰腺癌细胞状态研究展示了从预测到湿实验验证的工作流程。
GitHub Copilot app 支持通过 `/create-canvas` skill 用自然语言创建可定制的 canvas，无需手动编写代码或设计界面。用户和 Agent 可以同时操作共享界面，创建看板、发布清单、问题分流板等工作流，并将其保存为团队共享或个人使用的 extension。
推荐理由：文章以具体命令演示如何用自然语言创建并迭代 canvas，说明用户与 Agent 可共享状态并协作更新工作流。
GitHub Copilot 介绍 canvases，这类运行在应用内的全栈应用可与智能体双向通信，用于构建 Connect 4、管理本地 Winget 软件包和操作 SQLite 数据库。文章还展示了 canvas 如何支持研究、原型、实现和迭代等开发流程自动化，减少用户持续停留在聊天界面的需要。
推荐理由：文章通过 Connect 4、SQLite 和开发工作流案例，说明可定制界面如何让 GitHub Copilot 智能体承担更适合自动化的任务。
GitHub Security Lab 发布基于 Taskflow Agent 的 Fuzzing Taskflow，面向 C/C++ 项目自动识别入口、分析构建系统、编写 harness、运行 AFL++、迭代覆盖率并整理崩溃报告。
推荐理由：文章拆解了从建 harness、覆盖率反馈到崩溃归因的自动化链路，也明确说明了主机执行和模型判断带来的安全边界。
GitHub Copilot 重构了 Pull Request 视图，使包含 2,200 个文件、超过一百万行变更和 400 多条行内评论的大型变更仍能流畅打开和滚动。文章介绍了将确定性代码几何与动态评论块分离、按需测量高度、保持滚动锚定，以及通过缓存和后台处理优化数据管线的方法；团队还使用真实运行信号和自动化测试持续定位性能问题。
推荐理由：文章拆解了 GitHub Copilot 如何处理超大 Pull Request 的虚拟化、动态测量与滚动锚定，为构建高性能代码审查界面提供了可迁移的工程方法。
Microsoft Research 宣布 Physical AI Toolchain 新增面向机器人的物理 AI 推理卸载能力，可将推理部署到机器人、边缘 GPU 或云端。研究显示，卸载推理能够提升移动操作任务的成功率、响应速度和电池续航，并支持运行更大的 AI 模型。该工具集基于 Kubernetes，支持容器化、自动卸载和分布式编排，并提供 SO-101 与 UR10e 的示例项目。
推荐理由：文章以移动操作任务的测量结果说明推理卸载对成功率、响应、续航和模型规模的影响，并介绍了基于 Kubernetes 的部署工具。
Microsoft Research 发布 RetroChimera，用于从目标分子反向预测合成路线。该模型结合 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；在十个具有挑战性的目标上成功完成九个多步路线，优于文中列出的其他模型。
推荐理由：文章同时介绍了 RetroChimera 的集成架构、专家盲测结果和开源入口，便于了解其在稀有反应与多步合成规划中的实际表现。
GitHub 将 GitHub Copilot 的智能体运行时从 TypeScript、Node.js 和 V8 重写为超过 800,000 行生产 Rust 代码，主要由 AI 智能体完成，并通过 128 个拉取请求逐步合入。
推荐理由：文章以 GitHub Copilot 运行时迁移为案例，具体展示了增量重写、并行智能体协作和人工质量把关如何共同支撑大型工程改造。
GitHub 日本和韩国市场的营销负责人介绍了如何用 GitHub Copilot、Issues、Labels 和 GitHub Actions，把活动从规划、报名筛选到会后跟进串成自动化流程。流程通过 API 或 CLI 连接外部工具，以 DRY_RUN、测试套件和代码审查降低风险，并用 SKILL.md 描述可复用的会后操作。文章还提醒，定时自动化必须设置明确的失败告警。
推荐理由：文章展示了如何用 GitHub Issues、Actions、SKILL.md 和 DRY_RUN 把跨工具的活动运营流程自动化，并保留人工审批与代码审查。
GitHub Copilot app 将 diff、终端和浏览器面板整合在同一处，帮助用户审查 Agent 生成的代码、运行项目并验证界面效果。用户可在 diff 面板接受或评论改动，在终端面板运行命令和 `npm run dev`，再通过浏览器面板测试功能并使用 Pick & Polish 继续调整，完成后直接接受修改并创建 pull request。
推荐理由：文章把 AI 编码变更的审查、运行和浏览器验证整合为一套流程，适合了解 GitHub Copilot app 如何减少工具切换。
GitHub 在 GitHub Copilot CLI 中推出 Project HydraFusion 研究预览，通过运行时编排多个模型，自动选择单模型、级联或批评审执行模式来完成编码任务。
推荐理由：HydraFusion把多模型选择、级联和交叉评审纳入运行时，并用三个基准展示质量与成本的权衡。
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两款 Apache 2.0 开放权重病理基础模型，分别用于全切片表征学习和从 H&E 预测空间蛋白组。
推荐理由：两款开放权重模型用蒸馏和轻量编码器降低病理分析成本，并给出不同队列上的性能与资源对比，便于评估其研究用途。
Microsoft Research 发布 Skala 1.1，这一深度学习 DFT 泛函使用比前代多 2.5x 的数据训练，在 GMTKN55 的 55 个类别中有 32 个获得金牌，并将加权平均误差降至 2.8 kcal/mol。
推荐理由：Skala 1.1同时展示了精度提升、软件集成与持续性能评测，勾勒出机器学习 DFT 走向科研工作流的实现路径。
Microsoft Research 提出 MindTopo 基准，评估多模态大语言模型对连续性、分离、顺序、包围和打结五类拓扑关系的理解。基准同时测试静态场景推理与交互规划，结果显示模型在静态识别上的表现通常优于需要跨多步行动维护拓扑关系的任务，且两者都低于人类表现。研究指出，规划错误常发生在模型未能追踪场景变化后的结构关系或提出违反环境约束的行动。
推荐理由：MindTopo 将静态识别与交互规划分开评估，具体展示了多模态模型在持续维护空间结构关系时的能力缺口。
Microsoft Research 介绍研究模型 CARE-X，用于统一处理胸部 X 光片报告生成、病变分类、定位和医学设备评估，并结合辅助预测头提供可调阈值的置信度输出。
推荐理由：文章系统展示了 CARE-X 如何结合生成、结构化预测与 DAPO，并以工具增强测量处理胸片中的定量诊断任务。
Microsoft Research 发布 Orchard，这是一个面向可扩展智能体研究的开源框架，核心是基于 Kubernetes 的可复用环境服务 Orchard Env，可支持编码、网页导航和个人助理智能体的训练与评测。
推荐理由：文章拆解了 Orchard Env 如何复用环境、数据和评测流程，并用三个领域的结果展示开放基础设施对智能体训练效率的影响。
Microsoft 在 Foundry Model Catalog 中推出 Hugging Face 模型 Collection，提供每周更新的开源权重模型，并支持一键部署到 Foundry Managed Compute。
推荐理由：文章完整说明了 Hugging Face 模型接入 Foundry 的筛选、部署与运行机制，适合了解开源模型如何进入企业生产环境。