这项 2025 年研究以自我报告方式考察生成式 AI 对批判性思维的影响。原文链接为 https://dl.acm.org/doi/full/10.1145/3706598.3713778，Hacker News 讨论页为 https://news.ycombinator.com/item?id=50318401；当前 feed 仅提供链接和讨论元数据，未给出具体研究结论。
推荐理由：论文以自我报告方式考察生成式 AI 对批判性思维的影响，为讨论 AI 使用过程中的认知变化提供研究材料。
Microsoft 构建了 Industry Evaluation Data Generation Platform，用完全合成的企业环境评测 Microsoft Copilot，并将其确立为标准化评测基线。
推荐理由：给出了兼顾企业场景真实度、数据隐私和可复现性的合成评测方法，并具体说明自动生成查询、质量验证与成本收益，便于迁移到企业 AI 评测。
Microsoft Research Focus 第 97 期汇总了 ForkPilot、CABRA、TeleTune、PBC 与 BioEmu2 等 Microsoft Research 项目进展。
推荐理由：这期内容以短篇幅串联多项研究的方向、实验结果与应用场景，可用于快速了解 Microsoft Research 的近期技术布局。
austinallegro 详解其在 Pwn2Own Berlin 2026 构建的 Microsoft Edge 全链利用，攻击链由五个漏洞和两项 Windows 功能组成，全程未使用 AI。
推荐理由：文章逐步拆解 Microsoft Edge 从无源导航、UXSS 到任意文件写入和代码执行的串联过程，呈现纯逻辑浏览器漏洞的研究路径。
微软 MAI-DxO 研究登上《科学》，该五角色 AI 会诊系统在304个《新英格兰医学杂志》疑难病例中的诊断准确率约为83%。同一测试中，不能查资料的医生组约22%，允许查资料后约36%；普通GPT-5为78.9%，加入MAI-DxO后升至83.2%。五个角色由同一模型扮演，分别负责诊断、检查选择、质疑、控费和复核；预算约束配置下准确率为80.9%，平均费用为2241美元。
Microsoft 的多智能体系统 Diagnostic Orchestrator 在病例测试中诊断准确率高于医生，相关研究已发表于 Science。该系统由 OpenAI GPT-5 驱动，在《新英格兰医学杂志》病例测试中准确率约 83%，使用参考资料的医生约 36%，未使用时约 22%；急诊病例中分别为 80% 和医生平均 47%。
推荐理由：文章汇总 SDBench 与医生对照的测试结果和临床验证缺口，为评估多智能体诊断系统进入真实临床的适用边界提供依据。
Microsoft Research 研究人员 Xinzhi Zhang 与合作者 Zhao Song 证明 Kannan–Lovász–Simonovits（KLS）猜想，确立了简单平面切割能在与维度无关的固定因子内捕捉对数凹分布最窄瓶颈的原则。
推荐理由：文章详细拆解研究者引导 AI 探索约百条轨迹、筛选候选方向并通过递归改进完成证明的人机协作研究流程与关键环节。
微软研究院发布研究系统 StudentSim，基于公开去标识化的学习者记录为每位学生训练个性化 AI 模拟器。它既能模拟学生独立作答的方式，也能模拟其在收到导师讲解后的反应变化，试图在不做大规模真人实验的前提下，判断讲解、提示或提问是否真正帮助学生进步。
推荐理由：微软把学习者记录变成可复用的评测代理，为 AI 辅导工具迭代提供了一种不依赖大规模真人实验的方法。
Microsoft 联合 MIT、ECMWF 等机构在 Nature 发表了 Probabilistic Bias Correction（PBC）方法及开源工具，用于修正 2 至 6 周天气预报的系统性偏差。
推荐理由：原文给出具体的精度提升数字与仅需 CPU 即可运行的轻量化特性，读者可据此判断该方法在资源受限气象机构的落地门槛。
MAI-Gym 是一个开源 GUI 智能体评估与强化学习训练统一平台，覆盖手机、电脑和网页环境，可扩展至 20,000 个并行实例。基于该平台训练的 MAI-Gym-9B 在 10B 参数以下开源 GUI 智能体中达到当前最优，在 MobileWorld 上取得 78.4%、在 OSWorld-Verified 上取得 76.2%。
推荐理由：论文同时给出平台规模、训练结果与模拟到真实的迁移数据，能为 GUI 智能体的训练成本和跨环境泛化提供参考。
微软研究院论文发现，长时间运行的 AI 研究智能体会因累积对话上下文陷入「思路盆地」，限制搜索空间。其提出的 Fork-and-Flush 方法将智能体分叉为 K 个并行分支并清空聊天上下文，在 13 个长任务（含多连块 packing、作业车间调度、密码分析等）上以同等算力取得 0.78 的归一化平均分，比单次运行高 66.0%、比 best-of-4 高 44.4%。
推荐理由：原文给出了 Fork-and-Flush 方法的具体机制与量化收益，读者可以据此判断长任务智能体的上下文管理是否值得借鉴。
Microsoft Research 提出 StudentSim 系统，通过训练个性化学生模拟器为 AI 辅导系统的开发提供可扩展的学生反馈信号，并在棋类、二语英语写作和数学三个领域引入 StudentSimEval 基准衡量行为保真度和指导响应度。
推荐理由：提出用真实学习记录训练个性化学生模拟器为AI辅导训练提供可扩展反馈的方法，并在多学科上验证迁移效果。
GitHub 发布开源 AI 代码评审基准 ReviewBench，包含 219 个跨 19 种语言的公开 PR，提供 grounded 和 augmented 两类精度/召回指标。
推荐理由：原文公开了 ReviewBench 的语料来源、评测指标和接入方式，读者可据此构建可复现的 AI 代码评审离线评测体系。
Microsoft 与 Hugging Face 联合发布 ThinkingBox 基准，通过 OpenEnv 接口开放，覆盖 507 个有状态业务工作流，每个任务重复运行 20 次，按终端数据库状态和副作用评分。
推荐理由：原文用 507 个任务和 20 次重复，量化了一次成功与每次都成的差距，可用于挑选真正可用的 Agent 模型。
Microsoft Research 在 Nature 发表论文，推出用于小分子逆合成预测的 RetroChimera 模型。它将基于 Transformer 的 R-SMILES 2 与基于 GNN 的 NeuralLoc 通过学习排序策略融合，盲测中博士级化学家更偏好其单步反应预测；在十项挑战性多步合成任务上成功九项，超过此前编辑模型与 NeuralSym 基线。
推荐理由：原文给出 R-SMILES 2 与 NeuralLoc 的集成方法及化学家盲测结果，可作为合成路线规划方法的比较参考。
微软研究院发布胸片视觉语言研究模型 CARE-X，在 ReXVQA 上以 94% 准确率排名第一，比次优公开模型高 6 个百分点。
推荐理由：微软研究院给出 CARE-X 辅助头与 DAPO 强化学习结合的训练方法，并在 ReXVQA 等胸片基准上对比 CheXOne、MedGemma，可作为同类研究参考。
Microsoft Research 开源了面向可扩展 Agent AI 的框架 Orchard，核心是基于 Kubernetes 的可复用环境服务 Orchard Env，并配套发布 Orchard-SWE、Orchard-GUI、Orchard-Claw 三个领域的训练配方。
推荐理由：Orchard 将环境层与训练流程解耦并开源，约 30 亿参数的小模型在 SWE-bench Verified 上逼近十倍参数量的前沿系统，展示了开源 Agent 训练栈的可行路径。