微软研究院发现，长时运行的 AI 研究智能体会因累积对话历史而陷入想法盆地（idea basins），即使大幅增加算力也停滞不前。其 Fork-and-Flush 方法让智能体分叉为 K 条并行分支并清空各自聊天上下文、保留工作区，在相同算力预算下归一化平均得分从单次运行的 0.47 提升至 0.78，相对提升 66.0%，13 项任务中有 12 项取得最高均分。
推荐理由：微软研究院的论文提出清空对话历史并并行分叉的简单机制，为长时运行智能体突破搜索瓶颈提供了可迁移的解法。
Microsoft Research 推出 StudentSim，这是一个在真实学习者测试前评估和改进 AI 辅导系统的研究工具。它从公开的去标识化学习者记录中训练个性化学生模拟器，并引入 StudentSimEval 基准，从行为保真度和指导响应度两个维度进行评估。该系统在棋类、英语二语写作和数学领域优于主流基线，可为 AI 辅导训练提供有用的反馈信号。
微软亚洲研究院发布开源框架 Agent Lightning v1.0，让部署时使用的 agent harness 通过 LLM 代理直接参与强化学习，无需在训练框架内重新实现 agent。
推荐理由：框架让部署用的 agent harness 直接参与 RL 训练，省去在训练框架内重建 agent 的成本，并给出可复现的编码智能体训练流程。
GitHub 构建并公开了 ReviewBench，一个面向 AI 代码审查智能体的离线基准。它基于 103.9M 个 GitHub pull request 的语言与仓库规模分布，包含来自 187 个开源仓库的 219 个 PR、覆盖 19 种语言，使用 Claude Sonnet 5 作为判官并公开评测规则，高级工程师独立标注与基准一致率达 96.6%。
推荐理由：GitHub 公开了基准数据集、评测方法与提交入口，读者可据此评估自己的代码审查智能体并横向对比不同系统。
Microsoft Research 团队在 Nature 发表论文，提出逆合成预测框架 RetroChimera，并以 MIT 许可开源实现与权重。该框架用学习式重排序融合 R-SMILES 2 与 NeuralLoc 两个互补子模型，盲测中博士级化学家更偏好其反应预测，十个挑战性目标上成功九个，优于各基线模型。
Microsoft Research 推出拓扑推理基准 MindTopo，评估多模态模型在连通性、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前多模态模型在静态识别任务上表现明显优于交互式规划任务，两者均远低于人类水平，且错误多发生在规划阶段而非感知阶段。该基准为机器人和交互环境中的 AI 系统提供了可控诊断工具。
Microsoft Research 提出 CARE-X：一个用于胸部 X 光多任务临床解读的统一 VLM，通过生成式与双推理模式同时输出自由文本推理和确定性预测。
本期 AI 论文周报推荐 5 篇前沿论文，覆盖通用智能体、地理信息系统与机器人操作等领域。Agent Lightning 实现 Agent 执行与训练完全解耦，几乎无需改代码即可对任意 AI Agent 进行强化学习训练。