Articles
编者按：量化投资正迎来由人工走向智能的深刻变革。随着大语言模型（LLMs）与多智能体系统在金融研究中的快速发展，如何让 AI 真正融入量化投研流程、实现从假设生成到策略回测的全链路自动化，成为学术界与产业界共同关注的前沿问题。 继开源通用自动化研发框架 R&D-Agent 之后，微软亚洲研究院进一步推出面向量化金融领域的专项版本 R&D-Agent-Quant（R&D-Ag…
编者按：在物流规划、生产排程、能源调度等行业应用场景中，组合优化问题往往规模庞大、约束复杂，长期依赖专家手工调参的启发式算法已难以应对动态多变的现实需求。微软亚洲研究院最新提出的 HeurAgenix 框架，将大语言模型视作“全能教练”，为启发式算法带来了自进化与自适应的能力，并通过蒸馏压缩实现快速响应。HeurAgenix 不仅全面超越了现有 LLMs 超启发式方法，在多数任务中甚至优于专业求解…
Time-series data—measurements collected at regular intervals, like stock prices or traffic flows—has become a key driver of intelligent decision-making systems across industries. From medical monitoring to financial risk control, identifying patterns in this data is essential to many important operations.…
编者按：在传统的机械设计和制造流程中，参数化 CAD 文件一直是概念与制造之间的关键桥梁。然而，工程师们长期以来一直被复杂的 CAD 特征树和繁琐的建模流程所困扰。近年来，随着大语言模型（LLMs）的飞速发展，AI 在多个领域展现了其强大的能力。本文将介绍三项微软亚洲研究院的最新研究——FlexCAD、CADFusion 和 CAD-Editor。它们分别从统一建模框架、视觉反馈机制和自然语言编辑…
编者按：在产业智能化加速发展的当下，时间序列数据已然成为智能决策系统的关键基石。然而，传统的时间序列生成模型往往难以应对跨领域、跨风格的数据需求，且生成的数据在实际应用中缺乏可控性和实用性。 为解决这些痛点，微软亚洲研究院推出开源框架 TimeCraft，融合多项研究成果，通过跨域泛化、自然语言控制与任务感知等创新技术，助力时间序列生成任务从结构理解到任务对齐的全流程能力建设。TimeCraft…
A key challenge, and opportunity, of large language models (LLMs) is bridging the gap between their training data and the vast amount of unfamiliar information they encounter in real-world applications. Successfully navigating this divide could unlock a new era of…
人工智能技术的持续演进，让时间序列数据在众多领域中的应用价值愈发凸显，尤其是在医疗健康、金融市场、气象预测和交通管理等行业。时间序列生成技术不仅可以弥补数据的不足，还能在无实际风险的环境中进行模拟和预测，因此具有重要的实际应用意义。 例如，在医疗领域，生成高质量的时间序列数据可以在保护隐私的前提下，帮助解决数据的稀缺问题，为疾病预测、个性化治疗等提供更加丰富的数据支持。金融行业则可以利用生成的市场…
编者按：随着人工智能技术的快速发展，检索增强生成（RAG）系统已成为扩展大语言模型（LLMs）能力的重要手段之一。然而，当这些系统应用于复杂多样的工业场景时，仍面临诸多挑战，尤其是在处理领域特定知识和复杂推理任务时。对此，微软亚洲研究院的研究员们提出了 PIKE-RAG，通过多层次异构知识库构建、任务驱动的系统搭建策略以及自我进化的领域知识学习机制，显著提升了 LLMs 在复杂工业场景中的推理和应…
In industry today, research and development (R&D) plays a pivotal role in boosting productivity, especially in the AI era. However, the rapid advance of AI has exposed the limitations of traditional R&D automation methods. These methods often lack the intelligence…