Microsoft Research 在 Nature 发表逆合成预测框架 RetroChimera，并开源实现和权重（MIT 许可，GitHub 和 Microsoft Foundry 可用）。模型由 R-SMILES 2 和 NeuralLoc 两个子模型通过 learning-to-rank 集成，盲测中 PhD 级化学家更偏好其单步预测，10 个挑战性目标中完成 9 个，优于子模型和基线。
Microsoft Research 推出 GigaPath-Flash 和 GigaTIME-Flash 研究模型，以大幅提升病理学研究的计算效率。
Microsoft Research 发布深度学习 DFT 泛函 Skala 1.1，训练数据较前一版增加 2.5 倍，在 GMTKN55 基准的 55 个类别中 32 个排名第一，加权平均误差 2.8 kcal/mol，超过最昂贵的 global hybrid 泛函，同时保持 meta-GGA 级计算成本。
微软研究院发布研究模型 CARE-X，一个统一的胸部 X 光 VLM，结合生成式与判别式双推理，支持报告生成、疾病定位、多标签分类等多样临床解读任务。该模型采用 DAPO 强化学习在多任务设置中奖励临床正确性，并在 Narayana Health 的真实印度临床数据上验证。另一项独立实验将 Qwen3-VL-4B-Instruct 与确定性测量工具配对，评估直接计算能否提升测量依赖病灶的表现。