Microsoft Research Focus 第 98 期:AI 通用翻译、31 年数学难题与编码智能体效率
Microsoft Research Focus 第 98 期聚焦多项研究进展:AI 语音翻译推动通用翻译落地,新研究解决了高维几何领域悬置 31 年的 KLS 猜想,其证明已通过计算机辅助形式化验证。
Microsoft Research Focus 第 98 期聚焦多项研究进展:AI 语音翻译推动通用翻译落地,新研究解决了高维几何领域悬置 31 年的 KLS 猜想,其证明已通过计算机辅助形式化验证。
阿里巴巴与多所亚洲高校的研究者用真实用户变更请求构建了编码智能体基准 Co-Design Bench,要求智能体基于图像、音频、视频或文档等输入改造现有 Web 应用。
Microsoft Research Focus 第97期介绍了多项新研究:自改进智能体框架 ForkPilot 在六个基准和主流模型上测试,达到现有最佳方法水平的同时将 AI 处理开销降低最多 59%。
Liu 和 Han 的研究用 Claude Code、OpenCode、mini-SWE-agent 三个框架跑 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview 等模型,发现换框架带来的成绩变化与同一配置重跑一次的波动相当,在 447 个任务上最重和最轻的框架差距不到 2 分。
研究者提出 Taste-Bench,用 502 道决策分叉题检验智能体在长期任务中的取舍判断,表现最好的 GPT-5.6 Sol 准确率仅 59.7%,其他模型远低于此。
哈佛大学研究者 Fiona Chen 和 James Stratton 分析了 Jellyfish 的工程团队分析数据,覆盖 2021 年至 2026 年 3 月间 700 多家软件开发公司的 70 多万名员工、3 亿条工作事件(如提交和 pull request)。
GitHub 发布 ReviewBench,一个面向 AI 代码审查智能体的开放离线基准,基于 1.039 亿个 GitHub pull request 的分布构建,包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
研究团队提出 Image-to-Code 方法,让编码智能体从单张照片编写可执行的 Blender 程序,并迭代修改直到场景匹配原图。为评估效果,团队构建 LEGO-Bench,包含 104 个室内外场景的 208 张图像和 443 个注册资产,从有效性、几何精度和外观相似度三方面打分。
Multiverse Computing 发布论文提出 Quantization-Aware Healing(QAH),在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后,直接从压缩前的原始模型蒸馏,而非从恢复出的 bfloat16 checkpoint 蒸馏。
Epoch 与 METR 发布 MirrorCode 基准,用于测试 AI 系统完成人类需长时间投入的编程任务的能力,该基准 4 月首次公布,此次补充测试后正式发布。
Hugging Face 发布 ScarfBench(Self-Contained Application Refactoring Benchmark),用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间跨框架迁移企业级 Java 应用的能力。