Microsoft Research

Microsoft Research a publié le 9 juillet 2026 Aurora 1.5, une évolution de son modèle fondation Aurora pour la prévision météorologique et environnementale par IA. La mise à jour ajoute 22 nouvelles variables aux quatre du modèle d'origine (vent, température, humidité, précipitations, rayonnement), passe à une résolution temporelle horaire pour un suivi plus fin, et introduit des perturbations stochastiques permettant de générer plusieurs membres de prévision afin d'estimer l'incertitude, sous forme de prévisions d'ensemble probabilistes. Selon Microsoft, Aurora 1.5 surpasse l'ensemble de référence de prévision de l'ECMWF (ECMWF ENS) sur 88,9% des combinaisons variable-échéance évaluées, et réduit d'environ un tiers l'erreur de trajectoire des cyclones tropicaux par rapport à la version originale d'Aurora. Le code est publié sur GitHub et les poids du modèle sont disponibles sur Hugging Face.

Le 30 juin 2026, Microsoft Research a présenté SkillOpt, une méthode qui traite les fichiers de skills d'agents comme des paramètres entraînables externes au modèle. L'approche optimise des instructions, exemples et contraintes stockés dans un fichier de skill, tout en gardant le modèle de langage figé. Microsoft indique avoir évalué SkillOpt sur 6 benchmarks, 7 modèles et 3 modes d'exécution, avec un résultat meilleur ou ex aequo dans 52 cellules d'évaluation. Sur GPT-5.5, le score moyen direct passe de 58,8 à 82,3, et les gains restent marqués dans des environnements comme Codex ou Claude Code.

Microsoft Research a présenté le 29 juin 2026 Memora, une représentation de mémoire dite harmonique pour agents, qui découple ce qui est stocké de la manière dont on le récupère, via des abstractions primaires indexées et des ancres contextuelles. Le code est open-source et un papier figure sur arXiv. La méthode revendique un score de 86,3 sur le benchmark de mémoire LoCoMo et jusqu'à 98 pour cent de tokens de contexte en moins.

Le 19 février 2025, Microsoft Research a présenté Muse, décrit comme le premier « World and Human Action Model » (WHAM), un modèle d'IA générative dédié à l'idéation de gameplay. Développé par les équipes Game Intelligence et Teachable AI Experiences de Microsoft Research, à Cambridge, en collaboration avec le studio Ninja Theory (Xbox Game Studios), le modèle peut générer des visuels de jeu, des actions de manette, ou les deux. Il a été entraîné sur le jeu Bleeding Edge, à partir de plus d'un milliard d'images et d'actions de manette correspondant à plus de sept ans de jeu humain continu. Les travaux ont fait l'objet d'une publication dans la revue Nature, intitulée « World and Human Action Models towards gameplay ideation ». Microsoft a rendu open source les poids du modèle, des données d'exemple et un démonstrateur exécutable, le WHAM Demonstrator.