Microsoft Researchは、自律型エージェントのスケーラブルかつ費用対効果の高い研究を可能にするために設計されたオープンソースのフレームワークであるOrchardをリリースしました。このシステムは、Kubernetesベースの環境サービスであるOrchard Envを中心に据えており、研究者がインフラを再構築することなく、ソフトウェアエンジニアリング、ウェブナビゲーション、パーソナルアシスタンスなど多様なドメインでエージェントのトレーニングと評価を行うことを可能にします。
Microsoft Researchは、コンピュータ使用エージェントのトレーニング用に設計された12の深い合成環境のコレクションであるEchoverseをリリースしました。このイニシアチブには、ドメイン固有の世界10と能力焦点の世界2が含まれており、すべて一貫した状態と行動の忠実度を維持するように構築されています。
Microsoft Researchは、マルチモーダル大規模言語モデルが接続性、包含、順序、分離、結び目に関する位相直感を持っているかどうかを評価するために設計された新しいベンチマークであるMindTopoを導入しました。
Microsoft Researchは、生成レポート作成と補正された診断予測を組み合わせることで、現在の放射線科ビジョン・ランゲージモデルのギャップに対応する研究用モデル「CARE-X」を発表した。本システムは強化学習（DAPO）を用いて臨床的な正確性を報酬とし、Qwen3-VL-4B-Instructモデルを決定論的測定ツールと組み合わせることで、精密な計算が必要な症例に対する性能を評価する。
Microsoft Researchは、大規模言語モデルが推論中に正解ラベルや外部フィードバックを必要とせず、自身の経験から学習できるフレームワークであるEvoLibを導入した。EvoLibは、生の経験を静的な記憶として保存するのではなく、再利用可能なスキルや反射的な洞察に変換し、それらを継続的に洗練、統合、再重み付けする。
著者らは、マルチモーダルな科学的理解、推論、生成、および長期タスクをサポートするために設計された一連の科学用アジェンティック基盤モデルであるIntern-S2-Previewを発表する。トレーニングパイプラインは、レンダリングされた科学文書、インターリーブされた画像テキストデータ、および多様な科学コーパスにおける科学マルチモーダル事前学習から始まる。
著者らは、マルチモーダルな科学的理解、推論、生成、および長期タスクをサポートするために設計された一連の科学的エージェント基盤モデルであるIntern-S2-Previewを発表する。トレーニングパイプラインは、レンダリングされた科学文書、インターリーブされた画像テキストデータ、および多様な科学コーパスにおける科学的マルチモーダル事前トレーニングから始まる。
Microsoft、上海交通大学、同済大学、復旦大学の研究者らは、ターゲットモデルを凍結したまま自然言語によるスキル文書を訓練するテキスト空間最適化器であるSkillOptを開発した。本システムはオプティマイザモデルを用いてスコア付きロールアウトに基づく制約付き編集を提案し、その結果を単一の`best_skill.md`ファイルとしてエクスポートする。
Microsoftは、画像および動画の理解のために設計された効率的な4Bパラメータのマルチモーダル基盤モデル「Mage-VL」をリリースした。このモデルは視覚処理を効率化するためにコーデックネイティブのアプローチを採用している。システムは動画ストリームをアンカー（I）フレームと予測（P）フレームに分離し、コーデックがビットを割り当てるパッチのみを保持することで、視覚トークンの消費量を75%以上削減する。
Microsoft AIは、脆弱性検出を改善するためにMDASHエージェントスキャンハーネス内で実行されるサイバーセキュリティ専門モデルであるMAI-Cyber-1-Flashをリリースした。このモデルは、MAI-Code-1-Flashの系統から派生したスパースMixture-of-Expertsトランスフォーマーであり、総パラメータ数は137B、アクティブパラメータ数は5Bである。
Microsoftは、効率的なテキストから画像への生成および指示ベースの画像編集のために設計されたコンパクトな4Bスケールの生成スタックであるMage-Flowをリリースした。このシステムは、軽量トークナイザーMage-VAEとネイティブ解像度マルチモーダル拡散トランスフォーマー（NR-MMDiT）の共同設計により、最先端に匹敵する品質を実現している。
Microsoft Research AI Frontiersは、ウェブブラウザ用に設計されたマルチモーダルコンピュータ使用エージェントであるFara1.5-27Bをリリースしました。このモデルはスクリーンショットを通じてブラウザインターフェースを観察し、クリック、入力、スクロール、検索などの構造化されたツール呼び出しを発信してタスクを実行します。