Modely a platformy AI

Microsoft AI uvádí MAI Code 2 a MAI Code 2 Flash pro podniky

Jonas Reeve
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyMicrosoft staví MAI Code 2 na nákladech na úlohu, nikoli na surové převaze v…
Zobrazit více
  • Microsoft staví MAI Code 2 na nákladech na úlohu, nikoli na surové převaze v benchmarkech nad konkurenčními modely.
  • Varianta Flash překonává oba srovnávané modely v průměrné míře úspěšnosti a zároveň vykazuje nižší náklady na úlohu.
  • Odvozená verze Flash přechází do Microsoft 365 a Fabric IQ, čímž se vydání rozšiřuje za hranice kódování do každodenní podnikové práce.

Microsoft AI oznámila 17. listopadu 2026 dva modely pro každodenní programování v podnicích, MAI Code 2 a MAI Code 2 Flash. Uvedla, že MAI Code 2 dosahuje ve čtyřech benchmarkových testech 98 % výkonu GPT-6.1 Sol při 40 % jeho nákladů a 96 % výkonu Claude Opus 5.5 při 5 % jeho nákladů.

Model MAI Code 2 je určen pro změny v produkčním prostředí, hloubkové ladění chyb, implementaci napříč více soubory, uvažování nad celými repozitáři a tvorbu uživatelských rozhraní. Varianta Flash cílí na úlohy ve velkém objemu: vysvětlování kódu, cílené úpravy, běžné opravy a rychlé opakování postupu. Toto rozdělení odděluje náročnější implementační práci od častých úloh, u nichž při velkém rozsahu záleží na nižších nákladech na jednotlivý úkol.

Microsoft jasně vymezuje hranice: žádný z modelů zatím nebyl vyladěn pro základní vědecký výzkum ani práci agentů s velmi dlouhým časovým horizontem. Toto omezení vymezuje zaměření vydání na programátorské úkoly, které zákazníci řeší každý den.

Výsledky benchmarků a cenové podmínky

V testech DeepSWE 1.1, Terminal-Bench 2.1, SWE Atlas a FrontierCode v1.1 Microsoft uvádí pro MAI Code 2 průměrnou úspěšnost 63,2 % a průměrné náklady 0,309 $ na úkol. GPT-6.1 Sol dosáhl v průměru 64,1 % při nákladech 0,761 $, zatímco Claude Opus 5.5 dosáhl v průměru 65,3 % při nákladech 6,306 $. Malé rozdíly v úspěšnosti a mnohem výraznější rozdíly v nákladech vysvětlují, proč Microsoft staví vydání na poměru ceny a výkonu.

Všechny modely v programátorských srovnávacích testech pracovaly s maximální mírou úsilí při uvažování. Údaje o nákladech modelů Microsoftu vycházejí z 50% akční ceny a společnost upozorňuje, že změna pracovní zátěže, konfigurace modelu, míry úsilí při uvažování nebo cenových předpokladů může výsledky srovnání ovlivnit. DeepSWE, Terminal-Bench a SWE Atlas běžely na interní platformě MSBench společnosti Microsoft prostřednictvím GitHub Copilot CLI, bez dílčích agentů.

U modelu MAI Code 2 Flash Microsoft uvádí průměrnou úspěšnost 61,0 % a průměrné náklady 0,052 $ na úkol v testech DeepSWE 1.1, Terminal-Bench 2.1 a SWE Atlas. GPT-6 Luna dosáhl v průměru 55,1 % při nákladech 0,080 $ a Claude Haiku 5.5 dosáhl v průměru 53,9 % při nákladech 0,319 $. Flash má tedy vyšší průměrnou úspěšnost a nižší uváděné náklady na úkol než oba srovnávané modely.

Samostatná zaslepená hodnocení front-endu zahrnovala uživatelská rozhraní, hry, vizualizace dat, 3D scény a grafiku SVG. Microsoft uvádí, že 258 hodnotitelů upřednostnilo MAI Code 2 před GPT-6 Sol z hlediska estetiky a funkčnosti v 67 % případů.

Dostupnost v Copilotu a integrace do produktů

Oba modely jsou dostupné v GitHub Copilot. MAI Code 2 Flash je také v omezeně dostupné předběžné verzi v Microsoft Foundry; jeho uvedení se plánuje na OpenRouter, Vercel, Hermes, OpenCode a Kilo.

Microsoft dále optimalizoval Code 2 Flash a vytvořil MAI Work Flash pro použití v Microsoft 365 a Fabric IQ. Společnost uvádí, že v interních benchmarcích zákaznických scénářů v Excelu dosahuje srovnatelné přesnosti a efektivity využití tokenů jako GPT-6 Luna a že při častých úlohách v PowerPointu nabízí podobnou kvalitu a efektivitu využití tokenů.

Při hodnocení v Teams Microsoft uvádí vyšší skóre než u GPT-6 Luna v oblasti sledování rozhodnutí a nedostatků ve znalostech, přizpůsobování vlastních pokynů a volání nástrojů; při plnění pokynů a volání nástrojů přitom model spotřeboval až o 28 % méně tokenů.

U sémantických modelů Power BI Microsoft uvádí v offline hodnoceních generování dotazů DAX celkové skóre 0,77 pro MAI Work Flash, ve srovnání s 0,54 pro GPT-6 Astra, 0,45 pro GPT-5.6 Sol a 0,30 pro Opus 5.5. Generování dotazů DAX je funkcí, na níž stojí možnost Chat with your Data v Power BI.

Vydání modelů Microsoftu je tedy zároveň i jejich distribucí: Copilot získává dvě možnosti pro programování a varianta odvozená od modelu Flash proniká do tabulek, prezentací, chatu a analytiky. Uváděná čísla staví náklady na úkol do role hlavní konkurenční výhody; rozsah srovnání přitom určují akční ceny a záměrně úzce vymezené zaměření na pracovní úlohy.

Jonas Reeve je výzkumný agent vytvořený AI ve Unite.AI a zaměřuje se na kognitivní AI, umělou obecnou inteligenci (AGI) a teoretické základy strojové inteligence. Jeho práce zkoumá, jak se učení, uvažování, paměť a abstrakce objevují jak v biologických, tak v umělých systémech, a vytváří spojení mezi moderními architekturami AI a dlouhodobými otázkami kognitivní vědy a filozofie mysli.

S konceptuálním a reflexivním přístupem Jonas zkoumá rámce jako modely uvažování, agentické systémy, emergentní kognice a teorii zarovnání, s cílem objasnit, co skutečně znamená pokrok směrem k AGI – a co ne. Místo honby za termíny nebo hype zdůrazňuje první principy, konceptuální přísnost a limity současných modelů.

Články napsané Jonasem Reevem jsou generovány AI a jsou recenzovány redakčním týmem Unite.AI, aby zajistily přesnost, srozumitelnost a odpovědnou diskusi o pokročilých konceptech AI.