微软推出了Critique，一种在M365 Copilot中的全新多模型深度研究系统

简述

微软已在 Researcher 之中（Microsoft 365 Copilot 内的深度研究代理）推出 Critique，这是一种新的多模型深度研究系统，作为更大范围推动的一部分；该推动旨在让 Copilot 对严肃的知识工作更可靠，而不仅仅是快速起草。

微软已在 Researcher 之中（Microsoft 365 Copilot 内的深度研究代理）推出 Critique，这是一种新的多模型深度研究系统，作为更大范围推动的一部分；该推动旨在让 Copilot 对严肃的知识工作更可靠，而不仅仅是快速起草

据微软称，Critique 旨在处理复杂研究任务，其工作方式是将工作拆分为两个部分：一个模型负责规划、检索、综合与起草，而第二个模型会在最终报告生成之前对输出进行审阅与精炼。微软表示，该系统使用来自前沿实验室的模型，包括 OpenAI 和 Anthropic，并且目前可通过该公司的 Frontier 计划使用

路透社报道称，在 Critique 目前的配置中，OpenAI 的 GPT 生成回复，而 Anthropic 的 Claude 在答案交付用户之前对准确性和质量进行审查。微软也表示，它希望该工作流之后变为双向，届时允许模型以双方方向相互审阅

Critique 在 Microsoft 365 Copilot 内部究竟做了什么

微软自己的描述清楚表明，Critique 并不只是一个表面上的特性，或是往 Copilot 上随手贴的一个新按钮。它运行在 Microsoft 365 Copilot 的 Researcher 中，面向更深入的任务构建，在这些任务里，做对与做快同样重要。一个模型负责“挖掘”并起草报告，而第二个模型则如同编辑一样介入：核对事实、强化结构，并帮助把它打磨成更可靠的最终成品。

微软表示，整个理念是将生成与评估分离，而不是让一个模型在同一时间内同时集思广益、撰写、事实核查并润色自己的工作。这个区分之所以重要，是因为许多 AI 失败就来自这种单模型瓶颈。当一个单一系统被要求把所有事情都做完时，它可能会生成看起来很精致的内容，却会在不声不响中遗漏空缺、对论断夸大其词，或依赖薄弱证据

微软表示，Critique 的审阅层围绕基于评分量表的评估构建，并关注来源可靠性、报告完整性以及严格的证据落地。用大白话说，第二个模型在这里会追问：这份草稿是否真的回答了问题，所提供的来源是否扎实，以及最终叙事是否得到了支撑，而不仅仅是听起来很自信

微软并没有把 Critique 当作边角实验来推销

微软公告中一个更重要的细节是：当在模型选择器中选中 Auto 时，Critique 将成为 Researcher 的默认体验。这表明该公司认为它不只是为高阶用户准备的可选实验功能。实际上，它是在把多模型审阅当作 Microsoft 365 Copilot 内部深度研究质量的新基线。这个选择颇具意义，因为它暗示微软认为，企业客户更在意更少的幻觉、更强的结构，以及对最终报告更高的信心，而不是原始回复速度。

这也与微软围绕 Microsoft 365 Copilot 第 3 波（Wave 3）的更广泛表述相契合：该公司一直在推动把 Copilot 视为“工作的系统”，其优势来自多模型，而不是任何单一的 AI 实验室。在微软的叙事中，Copilot 的目标是从整个行业汲取最好的可用智能，并通过其所称的 Work IQ 以工作情境为基础进行落地，同时由企业数据控制进行保护。Critique 是迄今为止最清晰的例子之一，展示该策略如何从营销话术转变为可见的产品功能

基准数字是微软销售话术的重要组成部分

微软不仅在说 Critique 用起来感觉更好。它还表示，该系统在正式基准测试中表现得更好。在其技术说明中，公司称它在 DRACO 基准上测试了 Critique；DRACO 是 Deep Research Accuracy, Completeness, and Objectivity（深度研究准确性、完整性与客观性）的缩写，该基准覆盖 10 个领域中的 100 个复杂研究任务。微软表示，这些回复在事实准确性、分析的广度与深度、呈现质量以及引用质量方面接受评估，并称 Critique 在四项指标上都超过了单模型版本的 Researcher

公司强调广度与分析深度的提升最大，其次是呈现质量与事实准确性。它还表示，这些改进具有统计学显著性，并且带有 Critique 的 Researcher 交付了 +7.0 分的汇总得分提升，或比 Perplexity Deep Research（Claude Opus 4.6 模型）高出 +13.88%；微软在基准论文中将其描述为该基准论文报告的最佳系统

数据 | 来源：Microsoft

这一说法颇具吸引力，尤其是因为深度研究竞赛已成为企业 AI 中最具竞争性的前沿之一。研究工具不再仅仅根据它们能否收集信息来评判，而是看它们能否组装出一种“可直接用于决策”的报告

微软的论点是：审阅层迫使研究者识别缺失的角度、收紧组织结构、挑战薄弱的论断，并更谨慎地使用引用。客户是否在真实工作流中体验到这些增益，可能比基准图表更重要，但微软显然正试图传递一种可衡量的质量跃升，而不是一种模糊的模型更新

Council 表明微软正在考虑超越单一“最佳答案”

Critique 并不是微软在这次更新中推出的唯一功能。该公司还在 Researcher 里上线了 Council，这是一种多模型对比模式。微软表示，Council 会同时运行 Anthropic 和 OpenAI 的模型，从而让每个模型都生成一份完整的独立报告。随后，一个独立的裁判模型会创建一份提炼摘要，展示各份报告在哪些地方一致、哪些地方分歧，以及每份报告各自独特地贡献了什么。微软支持在描述中称这是一种 Model Council（模型委员会）模式：它保留完整报告，同时增加对比摘要，帮助用户决定哪种输出更强，或如何将它们组合起来。

这对企业 AI 未来可能走向何处发出了一个非常有意思的信号。此前一段时间，行业仿佛把目标设定为寻找一个能替代所有其他模型的模型。微软最新举措表明，更现实的未来可能是：公司不再足够信任任何单一模型，从而让它成为“房间里唯一的声音”

Critique 的推出时机并非偶然。随着竞争加剧，微软一直承受压力，需要证明 Microsoft 365 Copilot 正变得更有用、更差异化、更有价值。

路透社把 Critique 和 Council 的上线，联系到微软努力在竞争对手大举推进办公场景 AI 的市场中提升 Copilot 的采用率；这些对手包括谷歌的 Gemini 以及 Anthropic 的 Claude 产品。Axios 也指出，微软的多模型策略还有另一项好处：它表明公司并未在某个节点上过度依赖 OpenAI——而在前沿模型的领导地位可能迅速更迭的情况下，这一点尤为关键