#Microsoft

AI / AGENT

Microsoft·UC Berkeley의 TokenEconomizer 논문 리뷰. 같은 저장소에서 과제를 이어 풀 때 코딩 에이전트가 반복하는 낭비(다시 알아내는 명령, 안 쓰는 도구 23개 중 16개, 전체 비용의 32%를 먹는 실패 17%)를 trace로 재고, 마이크로 스킬·도구 가지치기·실패 루프 개입 세 가지를 하네스 바깥의 블랙박스 플러그인으로 붙여 Claude Code·Codex·Copilot CLI에서 비용 18.4~30.9%를 줄인 결과를 정리한다. 8편 '하네스가 사는 건 토큰뿐'의 후속으로, 모델과 하네스를 건드리지 않고 청구서를 줄이는 방법과 그 한계를 비판적으로 읽는다.

AI / AGENT

UCSB와 Microsoft의 ScholarEvolve 논문 리뷰. 자기 개선 에이전트가 제안을 만드는 원천을 '자기 실패 로그'에서 '학술 문헌'으로 바꾼다. 하네스를 5개 모듈로 나누고, 실패 감사 → 역량 격차 → arXiv 검색 → 토픽 모델링 → 논문 읽고 구현 → 모듈 교차 → 검증 세트 채택이라는 유전 알고리즘식 루프를 돈다. AppWorld·tau-Bench 수치, 3라운드 평생 진화, ablation, 그리고 논문이 다루지 않는 보안·비용 문제까지 정리한다.

AI / AGENT

Microsoft Research가 2026년 10월 24일 MIT 라이선스로 공개한 자기조직화 멀티에이전트 하네스 Agensh(arXiv 2609.26781)를 1차 출처로 정리한다. 오케스트레이터 없이 Gitea·Mattermost·공유 컨텍스트 보드 위에서 동일한 프롬프트를 받은 워커들이 작업을 claim하고 머지하는 5단계 협업 루프, ProgramBench 최난이도 5개 과제에서 1→128 에이전트가 19.31%→28.78%, pandoc 1→1,024가 33.89%→55.06%를 기록한 조건, 8/32/128/1,024개 규모에서 관찰된 창발적 리뷰·integrator 역할, 그리고 동일 비용 비교가 아니라는 한계와 재현 요구사항까지 다룬다.

AI / ASR

2026년 10월 1일 공개된 Microsoft MAI-Transcribe-2-Streaming(벤더 발표 + Artificial Analysis 독립 수치)과 1월 공개된 Alibaba Qwen3-ASR(기술 보고서)을 비교합니다. FireRedASR2-LLM, Fun-ASR, Canary-Qwen까지 1차 자료로 아키텍처를 확인해 '인코더 + LLM 디코더' 트렌드가 어디까지 사실인지, 그리고 Nemotron 식 RNN-T 스트리밍과 무엇이 다른지 정리합니다.