MMicrosoft / Copilot 最新动态

GitHub 发布 Project HydraFusion 研究预览，用多模型运行时编排降低 Copilot 成本

GitHub 推出 Project HydraFusion 研究预览，通过运行时多模型编排，在 Single、Cascade、Critique 三种执行模式间为每个任务选择工作流，以平衡质量、成本和延迟。

Microsoft 发布 MAI-Image-2.6 与 MAI-Image-2.6-Flash 图像模型

Microsoft 于 9 月 4 日发布 MAI-Image-2.6，称其为迄今最强的图像模型，并面向开发者上线 Microsoft Foundry，同时推出面向低延迟、高吞吐场景的 MAI-Image-2.6-Flash。

Satya Nadella@satyanadella· 11:35精选AI 评分6363

Satya Nadella 发文表示，早期客户已开始使用 Azure 上的 Astra。GPT-6 Astra 现已通过 Microsoft Foundry 提供，详情见 Azure 官方博客 https://azure.microsoft.com/en-us/blog/gpt-6-astra-frontier-intelligence-for-work-now-available-in-microsoft-foundry/。

Microsoft AI 发布语音识别模型 MAI-Transcribe-2

Microsoft AI 发布转录模型 MAI-Transcribe-2，称其在 FLEURS 基准 60 种语言上平均词错率 5.2% 排名第一，并占据 Artificial Analysis 准确率-延迟 Pareto 前沿。

GitHub Copilot 如何在不牺牲任务质量的前提下降低 AI 编码成本

GitHub 工程师 Erik Kristensen 分享了 Copilot 降本的四项改动：选择性压缩工具输出、移除 view 工具行号前缀（线下推理成本降约 5%，线上用户日均推理成本降约 3%）、压缩 task-tool 提示词（每轮省约 1300 token，每活跃小时归一化成本降 2.9%）、后台任务完成后直接交付结果（AI Credits 用量降约 2.3%）。

PromptArmor 披露 Microsoft Copilot Cowork 沙箱绕过漏洞，攻击者可远程控制智能体窃取数据

PromptArmor 披露 Microsoft Copilot Cowork 一个沙箱绕过漏洞，恶意 Skill 代码可借助沙箱外文件同步服务发起网络请求，与攻击者服务器建立命令控制循环，窃取 Outlook、SharePoint、Teams、插件数据和聊天记录，且用户点击停止按钮也无法中断。

Mustafa Suleyman@mustafasuleyman· 00:46精选AI 评分6666

我们的首个推理模型 MAI-Thinking-1 从零开始构建，现已在 Microsoft Foundry 上线。为团队点赞！更多详情如下。

Microsoft 发布 MAI-Image-2.6，Arena 文生图榜排名第二

Microsoft 发布 MAI-Image-2.6，在 Arena 文生图排行榜上位列第二，超过 Meta、Google 和 xAI 的模型。该模型相较 MAI-Image-2.5 整体提升 +79 Elo，文本渲染单项提升 +91 Elo，各测量类别均有改进；现已可在 Arena 体验，本周后续登陆 MAI Playground，并将逐步推广到 Microsoft Foundry 等产品。

GitHub Copilot 应用中的斜杠命令使用指南

GitHub Copilot 应用中的斜杠命令可帮助管理会话、导航项目和自定义 Copilot 工作流。与 CLI 版不同，应用版命令更侧重工作流，如 /plan 用于编码前规划、/spar 用于挑战方案假设、/autopilot 用于自动执行实现。/clear 和 /model 在 CLI 和应用中均可用。

Agent Plugins 1.0.0 发布：谷歌、亚马逊、微软等支持的统一智能体插件规范

Agent Plugins 1.0.0 是一项由谷歌、亚马逊、微软等支持的中立目录规范，将 Agent Skills 和 MCP 服务器打包为单一可移植单元。通过标准化 plugin.json 清单和固定目录布局，开发者无需为不同 AI 编码智能体和 IDE 维护单独封装。谷歌已作为核心维护者加入，并在 Agents CLI 和 Data Agent Kit 中提供支持。

Rohan Paul@rohanpaul_ai· 22:41精选AI 评分7777

微软刚刚首次披露，OpenAI 贡献了微软约 70% 的 AI 收入，依据最新文件。 这一数据基于预期增长及此前与 OpenAI 相关收入的披露。 241 亿美元中的大部分是 OpenAI 在微软数据中心训练和运行 ChatGPT 的云账单，再加上模型开发成本和 OpenAI 自身销售的分成，全部由微软合并计入收入。微软同时还向 OpenAI 投入了 119 亿美元。

Microsoft 的 SkillOpt 证明优化后的智能体技能工件可在不同模型规模及 Codex 与 Claude Code 之间迁移

Microsoft 与上海交大、同济、复旦团队提出的 SkillOpt 通过文本空间优化训练单一技能文档，冻结目标模型，使优化后的技能工件可跨模型规模和跨工具链迁移。在 Codex 上优化的 SpreadsheetBench 技能部署到 Claude Code 后得分 81.8，超过后者自行训练技能得到的 80.4。全部 4 项跨模型、4 项跨工具链和 3 项跨基准迁移结果均高于目标的无技能基线。

SpaceXAI 单季资本开支 183.7 亿美元，AI 投入接近微软总资本开支四成

SpaceXAI 上季度资本开支 183.7 亿美元，其中 158.3 亿美元投向 AI，接近微软同期总资本开支的 40%。其运营现金流仅覆盖资本开支的 12%，主要靠举债和股权融资，而微软覆盖率达 155%。公司股价较 6 月峰值腰斩，6 月发行的 250 亿美元债券各期限均跌破面值。

SpaceXAI 资本开支狂飙：单季 AI 投入 160 亿美元，逼近微软

SpaceXAI 上季度资本开支达 183.7 亿美元，其中 158.3 亿投向 AI，约为微软同期总资本开支的 40%。其运营现金流仅覆盖资本开支的 12%，远低于微软的 155% 和 Meta 的 106%，主要依赖举债和股权融资。尽管股价较 6 月峰值腰斩、6 月发行的 250 亿美元债券跌破面值，公司仍以 Grok 4.5（智能指数 54 分）和 Cursor 生态持续加码竞争。

Microsoft Research@MSFTResearch· 04:03精选AI 评分6565

Orchard 是一个面向研究社区的开源框架，用于跨任务类型训练和评估 AI 智能体。它降低了复杂性，同时通过让研究人员复用同一套基础设施，支持较小模型也能实现强劲性能。https://msft.it/6019a8fqP

微软开源 Orchard 框架：30亿参数小模型在 SWE-bench 达 73%

微软研究院发布开源框架 Orchard，旨在解决智能体（Agent）研究中的基础设施瓶颈。核心组件 Orchard Env 提供可复用的 Kubernetes 环境服务，支持在 Codex、OpenClaw 等真实部署环境中直接训练和评估智能体。项目发布了针对软件工程、网页导航和个人助手的三个训练配方及数据。其中，仅约 30 亿活跃参数的 Orchard-SWE 模型在 SWE-bench Verified 基准上达到 69.7%（结合价值模型重排序可达 73.0%），性能接近参数量大 10 倍的前沿系统，展示了小模型在复杂现实任务中的潜力。

GitHub Copilot 应用新增堆叠会话与拉取请求功能

GitHub Copilot 应用推出堆叠会话功能，允许用户在同一个仓库中创建一系列相互承接的任务，每个会话可基于前一个会话的成果继续工作。作者通过一个十余年历史的个人项目演示了该功能：先使用 Plan 模式制定前端现代化计划，再通过堆叠会话将 React-Bootstrap 替换工作拆分为独立会话，并自动为每个会话创建对应的拉取请求，避免范围蔓延。

Microsoft Research 发布 Echoverse：面向 computer-use agent 的深度可演化训练环境

Microsoft Research 推出 Echoverse，为 computer-use agent 构建了 12 个合成训练世界（10 个深度领域世界和 2 个能力世界），9B 模型训练后在全部环境上平均分从 36.5% 升至 67.1%，与 GPT-5.4（80.7%）相差 14 个点。

微软转售前沿：Azure 年营收破千亿但增速被 Google Cloud 反超

Azure 上财年营收首破 1000 亿美元，同比增长 43%，但 Google Cloud 增速达 82%，几乎是 Azure 的两倍。Google 拥有自研模型与芯片，云运营利润率从 20.7% 扩至 35.6%；微软则主要依赖英伟达商用芯片，且 6780 亿美元合同 backlog 中近半数来自 OpenAI 单一客户。

Microsoft 发布 MAI-Cyber-1-Flash 等多款 Flash 模型，以 token 效率优化成本曲线

Microsoft AI 发布 MAI-Cyber-1-Flash，与 MDASH 搭配在 CyberGym 上取得 96%（any crash score），成本仅为现有最佳方案的 50%，可部署在 H100 上，负责 90% 的常规任务以便为最难 10% 保留 GPT 5.4。