NVIDIA 发布 RTX Spark，定位为一台面向创作者、玩家和 AI 智能体的 Windows PC，并将在全球多地举办发布活动。官方引用 Tom's Hardware、TrustedReviews、Tom's Guide 等媒体评价，称其在本地 AI、游戏和创作工作流中表现良好，Artificial Analysis 的独立测试也提供了早期性能参考。
推荐理由：NVIDIA 官方公布 RTX Spark 面向本地 AI 与创作的定位，并汇总多家媒体实测评价，可据此了解这款 PC 平台的早期口碑。
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 个基准程序上平均比现有最快 zkVM 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 zkVM 设计与基准，读者可了解零知识证明在通用程序上的速度与密码学取舍。
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器，替代此前的 LLM 流水线，用户接受率提升 11.5%，推送后扫描中位执行时间降低 86%，服务成本降低 98% 以上。该方案采用两阶段流水线：先用正则表达式高召回生成候选，再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实密钥。效率提升使通用密钥检测得以扩展到推送保护，在推送前即可返回结果。
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，并联合生态伙伴在上市前推出面向本地 AI 的软件与模型更新。新内容包括 GitHub Copilot、Hermes、OpenClaw、Perplexity、Pi 和 WorkBuddy 等智能体应用的适配，以及 10 月 15 日发布的 Nemotron 3.5 Bolt 74B 模型。
推荐理由：NVIDIA 在 RTX Spark 笔记本上市前集中公布本地智能体、模型与开发工具的适配清单，可据此判断端侧 AI 生态的落地节奏。
GitHub Copilot 可通过四种方式定制对代码库的理解：用 .github/copilot-instructions.md 定义仓库级规范，用 .github/instructions 配合 applyTo 字段做路径级指引，用 .github/skills 下的 SKILL.md 打包可复用流程，用 .github/agents 创建专用自定义智能体。
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 导师的研究系统，它从公开的去标识化学习记录训练个性化学生模拟器，每个模拟器对应一名学生。
NVIDIA 在 OCP 全球峰会上宣布将 Vera Rubin 机架和计算托盘设计通过开放的 NVIDIA MGX 架构贡献给 OCP，为系统厂商提供构建下一代 AI 工厂基础设施的共同基础。
推荐理由：NVIDIA 在 OCP 峰会上把 Vera Rubin 机架与计算托盘设计开放给 MGX 架构，读者可据此了解 AI 工厂基础设施的开放路径。
NVIDIA 与 Microsoft 在旧金山 Windows AI 与 Surface 活动上宣布为 Windows PC 的 AI 智能体共同设计软硬件，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 把智能体运行所需的系统级容器和本地算力硬件一并给出，读者可据此判断本地智能体部署的硬件门槛与生态走向。
GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器，把 push protection 扩展到无固定格式的密钥，可在 2 毫秒内评估一批候选密钥，官方称可让可拦截的密钥数量增加一倍以上。
推荐理由：GitHub 用九个季度数据说明密钥泄露与开发速度的失衡，并给出把检测前移到 push 环节的模型方案。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，用约 3500 行代码把真实 harness 直接接入强化学习训练，并给出可复现的编码智能体训练结果。
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型超出传统 benchmark 测试时出现的「意外失败」。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
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。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用打分，而非看模型生成的句子。
推荐理由：微软与 Hugging Face 联合发布的智能体评测环境，用后端状态而非模型自述来判定任务是否真正完成。
微软研究院开发了一套机器学习流水线，利用太阳风观测、AE 与 Dst 指数预报及地质电导率数据，为美国本土 66,935 座变电站生成提前 30 至 60 分钟的位置级空间天气风险估计。在 2020-2026 年评估期内，该系统检测到近 80% 的重大空间天气事件，对 ≥10 nT/min 事件检测率达 76.5%，Dst 预测在 62.2% 的峰值活跃小时上优于 Burton 方程。
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和影像等多模态数据训练的生物学世界模型，以及连接模型、科学工具、文献和实验人员的交互式编排框架组成。
推荐理由：微软研究院公开 Quine 的生物学世界模型与工具编排框架，并给出胰腺癌化合物筛选的湿实验验证结果。
微软亚洲研究院新加坡（MSRA – 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展开工作。实验室与新加坡医疗生态伙伴合作推进多模态医疗 AI 和自进化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与运输 AI 高管圆桌会。
GitHub Copilot 提出 canvas 概念：一种运行在 GitHub Copilot 应用内、无浏览器外壳的全栈小应用，可与 agent 双向通信，也能调用第三方 API 并在本地执行代码。官方举例包括用 canvas 做 Connect 4 游戏、Winget 包管理界面和 SQLite 操作界面，并称用 agent 构建工具比反复对话更省 token。
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出把推理卸载到边缘或云端的开源工具链。
微软在 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 GNN 模型 NeuralLoc，通过学习式重排序整合两者互补预测，在盲测中化学家对其单步反应预测的偏好超过前代模型与文献反应。