微软研究院
8 published articles
强化学习
微软体验式学习：给AI模型一个教练，而不仅仅是分数
体验式学习将“大模型即评委”重新定位为“大模型即教练”，从每个响应中提取可迁移的知识，并通过在线策略上下文蒸馏将其内化，在保留任务上优于基于评分标准的强化学习，并减少了奖励欺骗。
2026-07-30
神经科学
神经科学AI终解脑区功能之谜：生成式因果测试揭示大脑各部分真实作用
生成式因果测试（GCT）将基于大语言模型的脑预测模型提炼为简洁的语言解释，然后利用大语言模型编写故事，在fMRI中对这些说法进行因果检验。实验中，GCT确认了已知的选择性，区分了相邻的地点处理区域，并发现了新的前额叶微区域，这些区域对对话和度量等概念具有选择性。
2026-07-11
内存管理
Bing速度背后的12000行秘密：mimalloc如何打破内存分配器的权衡困境
微软研究院的mimalloc分配器利用数千个按页划分的空闲列表以及一种巧妙的页窃取技术，同时实现了高并发和低内存开销，正如RiSE团队在一篇新的技术博客中详述的那样。
2026-07-10
AI智能体
微软在智能体AI上的赌注：小模型重在编排而非知识
微软研究院的MagenticLite项目表明，当编排、模型设计和执行环境协同设计时，小模型可以处理复杂的智能体任务。该版本包含MagenticBrain（一个140亿参数的编排器）和Fara1.5（一个计算机使用模型系列，在网络导航基准测试上几乎将先前性能提高了一倍）。
2026-07-09
框架与工具
微软新型可视化语言隐藏样板代码，让AI代理终于不再搞砸图表
微软研究院推出Flint，一种可视化中间语言，帮助LLM和AI代理创建精美图表，无需手动编码比例尺和坐标轴格式等底层参数。一项针对三个模型的研究显示，Flint优于直接生成Vega-Lite，并且已在该公司内部的Data Formulator中投入使用。
2026-07-08
《自然·神经科学》论文
微软新方法将黑箱大脑AI转化为可解读理论
GCT将不可解读的基于LLM的脑模型转化为类似“食物准备”或“地点名称”的简短短语，然后利用LLM编写故事，在真实被试中对这些解释进行因果检验。该方法有望弥合预测性AI与可读科学理论之间的鸿沟。
2026-07-05
开源
微软开源代码库，终结企业数据工作中最糟糕的部分
Data Formulator 0.7 是微软研究院的一个开源AI系统，帮助企业团队连接碎片化数据源，使用上下文感知代理准备和分析数据，并在共享工作空间中迭代优化可视化，所有操作无需SQL或编程技能。
2026-07-03
内存管理
mimalloc：微软的微型内存工作引擎，正静默驱动大规模AI应用
微软研究院的 mimalloc 内存分配器专为高并发和大内存规模设计，正静默驱动大规模AI与云服务。其采用线程本地设计与数千个空闲列表，最大限度减少竞争，兼具速度与内存效率。
2026-07-03