日期栏展示收录日期，历史补录归入原文日期。
MIT 等机构的研究团队开发出一种机器学习后处理层，通过学习历史数据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。该成果发表在 Nature 上，首次让这一时间尺度的预报优于气候学平均值，同时显著提升了对极端天气的预测能力。模型为开源、低成本的外挂式 wrapper，可叠加到任意预报模型上，肯尼亚气象部门已联系希望用于改进季风预报。
推荐理由：MIT 团队用后处理层修正现有预报模型误差，把 2 至 6 周预报精度提升一倍，并给出开源低成本路径。
AWS 与 Anchor Browser 合作推出基于 x402 协议的智能体支付方案，Anchor Browser 已上架 AWS Marketplace，可与 Amazon Bedrock AgentCore payments 集成，让智能体自动为受 x402 保护的网页和 API 付费。
GitHub 训练了一个专为其产品需求设计的密钥分类器，采用正则候选生成加微调 ModernBERT 上下文分类的两阶段流水线，替代此前的 LLM 流水线。相比旧方案，用户接受率提升 11.5%，推送后扫描中位执行时间降低 86%，服务成本节省超过 98%，并使通用密钥检测得以扩展到推送保护环节。
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，并联合生态伙伴推出面向本地 AI 的软件更新，涵盖 GitHub Copilot、Hermes、OpenClaw、Perplexity、Pi 和 WorkBuddy 等智能体应用。
推荐理由：NVIDIA 官方汇总 RTX Spark 笔记本上市前的本地 AI 软件生态更新，可了解端侧智能体与开发工具的落地节奏。
Amazon Bedrock 面向泰国、马来西亚、新加坡、印度尼西亚和台湾五个 AWS 区域，通过全球跨区域推理提供 OpenAI GPT-6 Sol、GPT-6 Luna 和 GPT-6 Astra，其中 GPT-6 Astra 从亚太（新加坡）区域提供。
GitHub Copilot 应用入门系列介绍四种让 Copilot 适配项目的方式：仓库级自定义指令写入 .github/copilot-instructions.md。
Microsoft Research 提出 StudentSim，一个用公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导系统。该系统从行为保真度和指导响应性两个维度评估模拟器，并配套推出覆盖国际象棋、英语二语写作和数学的 StudentSimEval 基准，表现优于主流基线。StudentSim 并非产品，不部署于课堂，也不旨在取代教师。
AWS 回顾 2026 年 9 月 Amazon Bedrock、AgentCore 与 Strands 的更新：由 OpenAI 驱动的 Amazon Bedrock Managed Agents 进入公开预览。
Incarna 借助 Amazon Bedrock AgentCore payments，让智能体通过 x402 按次向 BlockRun 支付模型推理费用，将接入 x402 支付支持的工作量从数月缩短到数天，并已把端到端按推理付费流程投入生产。
GitHub Next 提出在 CI/CD 之外增加第三根支柱 Continuous AI，即由仓库事件或定时触发的自动化 AI 工作流，用于持续文档、代码改进、triage 与故障分析。
AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上线。
推荐理由：原文给出 Haiku 5.5 在 Bedrock 上的能力定位、成本变化和与 Opus 5.5 的分工方式，便于判断何时选用。
NVIDIA 与 Microsoft 在旧金山 Windows AI 与 Surface 活动上宣布为 Windows PC 共同设计运行 AI 智能体的软硬件，Microsoft 宣布 OS 级基础设施 Microsoft Execution Containers（MXC）正式可用，让智能体在系统控制下安全持久地在后台运行。
推荐理由：NVIDIA 与 Microsoft 把智能体运行环境做进 Windows，并给出 RTX Spark 与 DGX Station 的本地算力规格，可据此判断端侧智能体的硬件门槛。
GitHub 推出基于 ModernBERT 的通用密钥检测分类器，可在推送前用代码上下文识别非结构化密钥，候选批次评估耗时不到 2 毫秒，据称可将可拦截的密钥数量提升一倍以上。
推荐理由：GitHub 用九个季度数据说明密钥泄露与代码增速的关系，并给出新分类器在推送前拦截的落地方式。
微软亚洲研究院开源 Agent Lightning v1.0，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一套 agent harness 直接参与强化学习，无需在训练框架内重新实现智能体。
推荐理由：微软开源 Agent Lightning v1.0，读者可了解用真实 harness 做智能体 RL 训练的思路与 3500 行代码的工程取舍。
微软研究院合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破性能边界以满足用户需求，以及模型在传统基准之外测试时出现的“意外失败”。
Preferred Networks（PFN）在 Microsoft Foundry（旧 Azure AI Foundry）上线 PLaMo 3.0 Prime、PLaMo 2.2 Prime 和 PLaMo 翻译三款国产生成式 AI 基础模型。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
微软研究院实习生开发了一套机器学习系统，可为美国本土 66,935 座变电站生成位置级空间天气风险预测，提前 30 至 60 分钟预警。该系统结合 L1 太阳风观测、AE 与 Dst 指数预测、地质电导率及电网数据，评估期内检测到近 80% 的重大空间天气事件；Dst 预测在 2020-2026 年评估期内地磁最活跃时段有 62.2% 的小时数优于 Burton 方程。
微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名的化合物在湿实验中产生了最大的经典到基底细胞状态转变，整个筛选到候选验证过程仅用一个周末。
推荐理由：微软研究院公开 Quine 的生物学世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Microsoft Research Asia – Singapore 作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向推进工作。实验室与新加坡经济发展局等机构合作，将多模态医疗 AI 与自演化诊断智能体用于临床决策支持，并联合举办 AI 物流与运输高管圆桌会。
NVIDIA 发布 Open Agent Safety Platform，由开源软件 OpenShell 与 Sentry 参考系统设计组成，为智能体提供全栈治理与控制。
推荐理由：NVIDIA 把智能体安全边界从模型层挪到运行时与硬件层，读者可据此判断企业级智能体治理的落地路径。
GitHub Copilot 应用推出 canvases（画布扩展），一种用户与智能体共享的可定制界面，可做成看板、issue 分诊板、发布清单或仪表盘。在智能体会话中输入 /create-canvas 并用自然语言描述工作流，无需编码即可生成界面，画布双向同步，用户与智能体可同时修改。画布保存为扩展，可随项目共享或作为个人扩展，Awesome Copilot 已提供现成模板。
GitHub 的 Burke Holland 提出，聊天框只是 LLM 的通用入口，当用户明确知道要做什么时，聊天往往是错误的 UI。他介绍 GitHub Copilot app 中的 canvas，即运行在应用内、无浏览器外壳的全栈小应用，可与 agent 双向通信，并能在本地执行代码、调用第三方 API。
推荐理由：GitHub Copilot 团队提出聊天框并非多数任务的最佳界面，并给出 canvas 这一可定制交互面的实践思路。
GitHub Copilot 应用重建了 pull request 视图，以应对超大 diff 与评论带来的渲染压力。团队用一个含 2,200 个文件、超 100 万行改动和 400 多条行内评论的开源 PR 做验证，将文档高度拆成确定性的代码几何与动态评论块两套体系，评论高度按需测量并锚定到文件、行和侧，避免滚动跳动。
微软研究院对移动机器人操作负载做了一项系统测量研究，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 能提升任务表现并延长续航。
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与基于图神经网络的 NeuralLoc，用学习式重排序整合两者互补预测，在常见与罕见反应类型上均表现强劲。
