微软升级 Copilot 调研智能体：引入多模型互审，DRACO 得分涨 13.8%

平时写深度调研报告，最怕的不是资料不够，而是自己查漏补缺时根本发现不了盲区。在大模型做长篇调研时，这个毛病更明显：同一个模型既当作者又当校对，很容易陷入思维定势，甚至把胡说八道坚持到底。

微软给 Microsoft 365 Copilot 里的深度调研智能体 Researcher 动了一次大手术，正式推出两项多模型协作功能：Critique 和 Council。这一次，微软不再让单一模型包揽全程，而是把 OpenAI 和 Anthropic 等前沿机构的模型拉到了同一张工位上。

一个负责起草，一个专职挑刺

新功能 Critique 的思路很简单：把「写文章」和「审文章」彻底拆开成两条流水线。

过去用 AI 做深度调研，规划、检索、综合分析和正文撰写通常交给同一个模型。Critique 则分成两个角色：第一个模型负责深度探索、结构化综合并撰写初稿；第二个模型则完全不参与初稿撰写，而是像学术期刊审稿人一样，专职找碴和润色。

第二位审核模型会拿着预设的标准进行三项硬性检查：评估来源是否权威可靠、检查报告内容是否全面完整，以及严格核对证据锚定。只要关键观点没有可靠的引用来源，就会被直接拦截并要求修正。如果你在模型选择器里选了 Auto，Critique 就会作为 Researcher 的默认机制运行。

为了验证效果，微软采用了 Perplexity 和学术界今年 2 月发布的 DRACO 深度调研基准，覆盖 10 个领域的 100 项复杂真实任务。评测调用了 OpenAI 的 GPT-5.2 作为裁判模型，每个问题跑 5 次取平均值。

结果显示，采用 Critique 架构后，Researcher 的综合得分比单模型提升了 13.8%。细分维度里，分析广度与深度提升了 3.33 分，呈现质量提升了 3.04 分，事实准确性也提高了 2.58 分，所有维度的提升均呈现统计显著。

把各家见解摆上圆桌

除了后台默默互审的 Critique，微软这次还拿出了面向前端的 Council 功能。

有些商业决策没有唯一解，单一模型很容易给出带偏见的结论。Council 允许用户把不同前沿模型的调研回复并排展示在界面上。更实用的是，它还会附上一份说明，直接圈出几家模型在哪里达成了共识、在哪些关键问题上存在分歧，以及各自拿出了什么独特的洞察。

与此同时，微软还宣布 Copilot Cowork 正式进入面向尝鲜企业的 Frontier 计划。这项技术整合了驱动 Claude Cowork 的底层平台，专门用来处理日程管理、月度预算审查等跨工具的多步骤长周期任务。金融机构 Capital Group 已经进行了早期测试，用来串联日常工作流和高管汇报准备。

为什么重要

对于每天需要处理大量行业分析、竞品调研或高管简报的企业员工来说，深度调研 AI 最大的痛点一直不是写不出来，而是不可信。人工核查引注和事实的时间，往往比自己写一份报告还要长。Critique 这种把生成与评估物理拆分的做法，直接用机制降低了幻觉概率，让 AI 输出的长篇研报真正达到了可供决策参考的交付门槛。

从行业角度看，微软这一步走得格外清醒。作为 OpenAI 的最大金主，微软没有死守单一模型供应，而是在企业端大方引入 Anthropic 等各家前沿实验室的模型，让不同模型各取所长。这也释放了一个信号：靠单个超大模型通吃所有环节的时代正在被打破，多模型分工、相互对抗和互审，正逐渐成为企业级 AI Agent 的标准架构。

不过，这种架构也有显而易见的代价。两个甚至多个前沿模型串联交互、反复校验，不仅会显著增加每次调研的等待时间，后台的推理成本也会成倍翻番。它更适合高价值、对事实要求严苛的严肃场景；至于日常查个简单定义或做轻量梳理，这套重装系统显然就有点杀鸡用牛刀了。