Aurora 1.5 扩展开放预测能力；Flint 重新定义可视化；FlowDAgger 加速适应过程。此外：AI 智能体破解 Rowhammer 防御，记忆重塑对话式 AI。https://t.co/aEuukEm5dB https://t.co/s1eEBczlkJ

22 个新增天气变量、灾后建筑损坏快速评估，以及能从人类修正中学习的机器人。

来源：https://www.linkedin.com/pulse/22-new-weather-variables-rapid-postdisaster-building-lkhue/ 微软研究 (https://www.linkedin.com/showcase/microsoftresearch/)

微软研究

我们推进科学与技术，以造福人类。

发布于 2026 年 7 月 20 日

本期内容：

• Aurora 1.5 扩展了用于天气和地球系统预测的开放基础模型，新增 22 个变量、小时级分辨率和集合预测能力
• Flint 引入了一种可视化中间语言，让 AI 智能体能够根据简单的规格创建富有表现力的图表
• AI 智能体通过逆向工程模拟硬件保护，展示了模糊性作为 Rowhammer 防御手段的失败
• HASTE 通过无代码网络平台，利用卫星图像实现灾后建筑损坏快速评估
• 关于对话记忆的新研究揭示了不同记忆角色如何影响 AI 助手的个性化和事实准确性
• FlowDAgger 通过在潜在空间中引入人类在环修正，加速机器人适应过程

新研究

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fblog%2Faurora-1-5-extending-open-foundation-models-for-weather-and-earth-system-applications%2F&urlhash=J80U&trk=article-ssr-frontend-pulse_publishing-image-blockAurora 1.5 是微软 Aurora 地球系统模型的更新版本。它引入了新能力，使开放的地球系统预测模型对于依赖大气和环境智能的组织来说更加实用和可扩展。随着气候和天气相关风险日益影响社区、基础设施和经济，更准确的预测有助于提高准备和决策水平。

此次更新新增了 22 个与能源、农业、交通和气候风险分析等多种应用相关的新天气变量，同时提供了小时级时间分辨率和概率集合预测——这是用户经常要求的功能。集合预测通过运行多次模拟来估计可能天气结果的范围和可能性。

新研究

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fblog%2Fflint-a-visualization-language-for-the-ai-era%2F&urlhash=gCXD&trk=article-ssr-frontend-pulse_publishing-image-blockFlint 是一种用于 AI 驱动图表创建的可视化中间语言。它帮助 AI 智能体从简单、可人工编辑的图表规格中创建富有表现力、视觉精致的图表。无需为比例尺、坐标轴、间距和布局提供冗长的底层参数，Flint 编译器会根据数据、语义类型、图表类型和编码方式自动推导出优化设置。

Flint 自动管理大小、间距、标签和布局，使图表在基数和密度变化时仍保持可读性，无需用户显式配置。单个 Flint 规格可以编译到多个后端系统，而无需从头重写图表。这个开源项目包含一个库和 MCP 服务器，因此智能体可以直接在聊天或编码环境中创建、验证和渲染图表。

新研究

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fai-agents-can-defeat-security-by-obscurity-for-rowhammer-defenses%2F&urlhash=2cJH&trk=article-ssr-frontend-pulse_publishing-image-block安全研究人员早就认识到，通过隐藏来实现安全并非良好的安全实践。然而，硬件行业仍然对许多 Rowhammer 防御的设计和配置保密。这项研究表明，AI 智能体能够通过对模拟器中实现的多种主机侧 Rowhammer 防御进行逆向工程，大幅削弱这种隐藏的价值，即使在智能体事先不了解防御机制的黑盒环境中也是如此。

Rowhammer 是一种硬件安全漏洞，反复访问某一行 DRAM 可能会干扰相邻行，并在不直接访问的情况下翻转比特位。这些比特翻转可能损坏数据，并可能破坏系统安全。

这项研究评估了不同威胁模型下的模拟 Rowhammer 防御。结果表明，即使所有实现和配置细节都保密且智能体无法获取，智能体也能找到有效的 Rowhammer 攻击模式。尽管这项研究未评估真实硬件，但它是对硬件防御自动逆向工程的第一步，也是对继续依赖设计保密性来防御 Rowhammer 的行业敲响的警钟。

新研究

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fhaste-a-platform-for-rapid-post-disaster-building-damage-assessment%2F&urlhash=VQWr&trk=article-ssr-frontend-pulse_publishing-image-block这项研究介绍了 HASTE（高速评估与应急卫星跟踪）。它是一个无需编码的网络平台，让分析人员能够利用灾后卫星图像生成针对特定建筑的损坏地图，且无需机器学习专业知识。最终目标是帮助救援人员更快地应对地震、飓风、气旋、洪水、野火和龙卷风等灾害。

HASTE 及其前身自 2023 年以来已支持超过三十次真实世界灾害响应，在图像可用后的数天甚至数小时内向人道主义合作伙伴交付结果。作者指出了这一开源技术有希望的改进方向，包括视觉语言评估、主动学习以及道路及其他基础设施的损坏模型。

新研究

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fmemory-makes-the-difference-evaluating-how-different-memory-roles-shape-conversational-agents%2F&urlhash=G2vB&trk=article-ssr-frontend-pulse_publishing-image-block这项研究提供了关于如何利用记忆构建更有效和个性化的对话式 AI 系统的新见解。作者研究了不同类型的对话记忆——即从先前交互中传递的信息——如何影响 AI 助手生成的回应。虽然大多数先前工作关注记忆的存储和检索，本研究探讨了不同种类的记忆是否对回应质量产生不同影响。研究结果表明，性能不仅取决于检索相关信息，更取决于检索正确类型的记忆。例如，澄清性记忆提高了事实准确性和对用户约束的遵循，而不相关记忆则可能降低相关性和个性化。

新研究

https://microsoft.github.io/FlowDAgger/FlowDAgger 帮助机器人基础模型仅通过少量人类修正就能适应新的真实世界情境，减少了对昂贵数据收集和重新训练的需求。当下，当机器人遇到训练经验之外的条件时，适应过程通常需要大量新数据或在物理硬件上进行强化学习。这一过程缓慢、昂贵，且可能引入安全风险。通过实现高效适应同时保留现有能力，FlowDAgger 使机器人能够更快地获取新技能、更可靠地运行，并以更少的精力和风险部署在不断变化的环境中。

研究焦点 (https://www.linkedin.com/newsletters/research-focus-7335362495383040001)

研究焦点

145,148 位关注者

微软研究更多文章

• 2026年7月7日 ### ICML 2026 亮点 微软在 ICML 2026：微软正在赞助国际机器学习大会（ICML），这是一场顶尖…