微软: 你的Office被两个AI接管了微软默认开启

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。

770万股全卖了比尔·盖茨基金会清仓微软

Windows11开机凭证6月到期微软警告不升级后果

电脑16GB记忆体够用吗?微软给出标准

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%。