-
_NEWSDATE: 2026-03-31 | News by: 新智元 | 有0人参与评论 | 专栏: 微软 | _FONTSIZE: _FONT_SMALL _FONT_MEDIUM _FONT_LARGE
单模型时代，结束了。
刚刚，微软把Copilot的引擎换了，在Researcher中引入多模型智能。
从此，Copilot的Researcher智能体，默认同时调用GPT和Claude。
这不是让你手动切模型的那种“多模型”，而是GPT写完初稿，Claude自动扮演专家评审员逐条审查，审完再交付给你。
一个负责“冲锋”，一个负责“挑刺”。
微软表示，这是Microsoft 365 Copilot深度研究代理Researcher迈出的重要一步。
Researcher专为在工作流程中处理复杂研究而设计，这次通过两项全新的多模型能力：“批判”（Critique）和“智囊团”（Council），进一步提升了准确性、深度和可信度。
实测效果惊人。
在DRACO基准测试中，这套“双模型互搏”架构综合得分比此前一直被视为深度研究天花板的Perplexity Deep Research（搭载Claude Opus 4.6）高出13.8%。
但这还不是全部。
同一天上线的Copilot Cowork，微软表示是把支撑Claude Cowork的技术平台引入了Microsoft 365 Copilot，并与Work IQ、企业权限和治理体系深度整合，让AI能自主规划、跨工具推进多步任务。
这已经不是“接了个API”那么简单，而是在把外部前沿智能体能力，纳入微软自己的工作系统。
微软的牌面已摊开：不把赌注压在单一模型上，而是把Anthropic、OpenAI等前沿模型纳入Copilot的多模型编排框架。
也就是说，Copilot正在从传统AI助手，升级成一个面向企业工作的多模型执行与编排系统。
Critique让AI自己审自己的作业
过去的AI研究工作流有一个结构性盲区：规划、检索、综合、撰写全部压在一个模型上。
让模型既当运动员又当裁判，这样幻觉几乎是必然的。
微软这次给出的解法是：把“生成”和“评估”拆成两个独立角色。
具体到大模型，是让GPT负责上半场：任务规划、迭代检索、起草初稿；Claude负责下半场：以专家评审员的身份，基于结构化评价量表（Rubric）逐条审查。
这个量表主要聚焦三个维度：
来源可靠性评估，审查引用是否权威、可验证；
报告完整性，检查是否覆盖了用户请求的所有意图；
严格的证据溯源，要求每一个关键结论都锚定到带有精确引用的可靠来源。
更关键的是，审阅者的定位不是“第二作者”，而是“同行评审”。它不替你重写，而是逼你写得更好。
微软365和Copilot企业副总裁Nicole Herskowitz说：“我们不是简单地在Copilot里塞了多个模型，我们是让客户真正享受到模型协同工作的好处。”
未来这套机制还会升级为双向互审：GPT也能审Claude的稿。
Critique已经是Researcher的默认模式，无需手动开启。
其实，这算不上什么技术花活，而是把学术界运行了几百年的同行评审制度，第一次工程化地嵌进了AI系统。
用架构设计来压制幻觉，而不是一味指望单个模型变得更聪明。
DRACO跑分拆解13.8%的含金量
数据不说谎。
DRACO（深度研究准确性、完整性和客观性）是由Perplexity和学术界研究人员于2026年2月推出的基准测试，覆盖10个领域、100项复杂研究任务，全部源自真实使用场景。
每个问题经过5次独立运行取均值，评估维度包括事实准确性、分析广度和深度、表达质量、引用质量四项。
评委模型是GPT-5.2。
微软特别强调，采用了与基准论文完全一致的评估协议和配置，确保“同口径”公平对比。
搭载Critique的Researcher综合得分实现了+7.0分（SEM±1.90）的显著提升，比此前表现最好的Perplexity Deep Research高出13.88%。
DRACO基准测试综合得分对比图：各深度研究系统（含Researcher with Critique、Perplexity Deep Research等）横向得分对比。其中除Researcher with Critique外，其余对比结果引自Zhong et al., arXiv:2602.11685。
拆开四个维度看：
分析广度和深度提升最明显，+3.33。其次是表达质量+3.04，事实准确性+2.58。引用质量同样有提升。
所有维度均达到统计学显著（配对t检验，p
真正值得注意的是那个+3.33。分析深度的飙升说明Critique最大的价值不是纠错，而是可以逼出更全面的分析视角。
在领域层面，10个领域中有8个观察到显著提升，覆盖医学、技术、法律等核心场景。
仅有的两个例外是“学术”和“大海捞针”，这两个领域测试结果波动较大。
DRACO基准四项评测维度提升表：Researcher with Critique（多模型）相较单模型 Researcher，在分析广度与深度、呈现质量、事实准确性和引用质量上的提升，以及各项对最终总分的贡献。
13.8%听起来是一个数字。
在深度研究这个赛道上，此前各家打得难分难解，Perplexity搭载Claude Opus 4.6好不容易爬到的天花板，现在被Critique一个架构创新直接击穿了。
当你需要的不是一个答案，而是一场辩论
Critique解决的是“怎么让一份报告更准”的问题。
但有些场景，你要的根本不是一份精修稿，而是两个专家吵一架。
而这，就是Council的定位。
在模型选择器中选“Model Council”，GPT和Claude会各自独立生成一份完整报告，并排展示。
然后，一个专门的评委模型会对两份报告进行评估，生成一份综述（Cover Letter），深入分析双方在哪些观点上达成一致、在何处存在分歧，以及各自带来的独特见解。
Council模式产品界面截图：GPT和Claude各自生成的完整报告并排展示，附评委模型生成的Cover Letter综述。
表面上看，这只是“多选一”变成了“全都看”，实质上是把决策场景中的信息盲区暴露出来。
一个模型可能忽略的事实、权重不同的分析框架、另一条推理路径……Council把这些全部摆到桌面上。
做季度战略报告的时候，你希望看到一份精修稿，还是两个专家各执己见、让你自己判断？
Critique是“编辑审稿”模式，效率优先。
Council是“专家会诊”模式，决策优先。
两个模式精准覆盖了企业用AI做研究的两种核心场景：日常产出要快要准，重大决策要全要思考全面。
Copilot Cowork
微软把Anthropic的撒手锏搬进了Office。
如果说Critique和Council改变的是研究质量，Copilot Cowork改变的是工作方式本身。
Copilot Cowork直接基于Anthropic的Claude Cowork技术平台构建。
这里不是“接入”或者“兼容”，而是“基于其技术平台构建”。
它的工作方式很简单：你描述想要的结果，Copilot Cowork自动制定计划，跨工具和文件进行逻辑推理，在推进过程中实时展示进度，你可以随时介入和引导。
Copilot Cowork操作界面：描述目标 → 自动规划 → 跨工具执行 → 实时进度展示。
内置Claude加上微软原生技能：日历管理、每日简报等，覆盖从一次性杂事到每月预算审查的各类任务。
Capital Group等机构已经在使用，反馈集中在规划、排程、产出成果以及准备管理层审查等高价值场景。
目前通过Frontier计划向早期客户开放。
这意味着，微软和Anthropic的关系，已经从“模型供应商”进化到了“技术平台共建”，Cowork把Claude的Agent骨架直接嵌进了M365的肌肉里。
微软本月早些时候已以测试模式发布Copilot Cowork，目标是“抓住市场对自主AI智能体日益增长的需求”。
所以，这不是一次产品更新，这是一次架构级别的站队。
微软的真正野心，从AI助手到模型指挥中心
把以上所有动作连起来看，微软的战略意图已经很清晰：它不再押注自己或者某一个模型能赢，而是转向押注无论谁赢，流量都经过我。
从对OpenAI的深度依赖，到把Anthropic的技术深度整合进产品线，微软正在从“模型选手”转型为“编排层”。
Critique让GPT和Claude协作，Council让它们竞争，Cowork让Anthropic的Agent能力直接为Office用户服务。
这是平台逻辑，不是模型逻辑。
正面战场上，微软同时在硬刚谷歌Gemini的多模态路线和Anthropic Claude Cowork的自主Agent路线。
但当Anthropic、OpenAI、谷歌三巨头的模型格局已经成型，微软的策略不是下场当选手，而是用生态开放把所有选手的能力收编进自己的平台。
对开发者来说，信号已经非常明确：未来的竞争力不在于绑死一个模型，而在于编排多模型的能力。
但市场对于微软这次Copilot升级，似乎并不买账。
微软股价当日仅微涨约1%，本季度仍面临近25%的跌幅：这是2008年金融危机以来最差的单季表现。
华尔街更在意的，可能是落地数据：多模型来回调用的成本谁买单？企业员工真能把它融入日常工作流？
可以确定的是，这次升级改写了微软与OpenAI的合作关系，OpenAI在微软生态里的位置，已经从“唯一的王牌”变成了“牌桌上的一张”。
而对Anthropic、OpenAI、谷歌三家来说，值得警惕的是：当平台方开始把你的能力当作可替换的模块来编排，模型能力本身或许就不再是护城河了。
企业级AI正在从“聊天机器人”时代翻篇，进入“工作系统”时代。
这个转折点上，决定胜负的不再是谁家的benchmark最高，而是谁能把多个模型编排成一条可靠的、可审计的、可落地的工作流。- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见