微软研究院 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明结果与维度无关，并保持在一个固定常数范围内。此前 2026 年 7 月的最好结果仍允许该界随维度缓慢增长。证明过程采用人类主导的智能体搜索，探索了 100 多条候选路径；同期另有独立团队给出完整证明，并已有 Lean 4 形式化验证。
推荐理由：这篇论文给出了 KLS 猜想证明的完整脉络，并说明人类主导、AI 智能体并行探索的研究流程如何参与其中。
微软研究院发布零知识虚拟机 Magnetar，可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，在 15 个基准程序上比现有最快 zkVM 平均快 10 到 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的技术设计与基准数据，可了解零知识证明在通用程序上的性能与密码学取舍。
微软研究人员提出 Probabilistic Bias Correction（PBC）方法，用机器学习识别并纠正现有天气预报模型的系统性偏差，相关成果发表在 Nature 上，工具已开源。
MIT 等机构研究人员在 Nature 发表论文，提出一种机器学习后处理层，通过学习并修正现有预报模型的误差，将两到六周次季节预报的准确率提升一倍，并在 ECMWF 的预报竞赛中夺得第一。该模型首次在次季节尺度上稳定优于气候平均值，并显著改善极端天气预测，可作为附加模块用于任意预报模型，且已开源、运行成本低。肯尼亚气象部门已联系团队，计划用其改进季风季预报以提升农业产量。
推荐理由：该研究用后处理层把两周以上预报准确率翻倍，并首次在次季节尺度上超过气候平均，对农业与能源调度有直接参考。
微软研究院一项研究提出 Fork-and-Flush 方法，让长时运行的 AI 研究智能体在保留工作区文件的同时清空对话上下文并分叉出 K 条并行分支，从而跳出反复收敛到相似解的 idea basins。
微软研究院提出 StudentSim，一个在真实学习者测试前评估和改进 AI 导师的研究系统，通过公开的去标识化学习记录训练个性化学生模拟器，并配套推出覆盖国际象棋、第二语言英语写作和数学的 StudentSimEval 基准与评测协议。