AI-modeller och plattformar

Microsoft AI lanserar MAI Code 2 och MAI Code 2 Flash för företag

Jonas Reeve
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterMicrosoft positionerar MAI Code 2 utifrån kostnad per uppgift snarare än rå…
Visa mer
  • Microsoft positionerar MAI Code 2 utifrån kostnad per uppgift snarare än rå benchmarköverlägsenhet gentemot konkurrerande modeller.
  • Flash-varianten slår båda jämförelsemodellerna i genomsnittlig godkännandegrad samtidigt som den rapporterar en lägre kostnad per uppgift.
  • En Flash-derivat flyttas in i Microsoft 365 och Fabric IQ vilket utvidgar lanseringen bortom kodning till vardagligt företagsarbete.

Microsoft AI tillkännagav den 17 november 2026 två modeller för företagskodning i vardagen: MAI Code 2 och MAI Code 2 Flash. Enligt företaget uppnår MAI Code 2 98 % av prestandan hos GPT-6.1 Sol till 40 % av kostnaden och 96 % av prestandan hos Claude Opus 5.5 till 5 % av kostnaden, mätt över fyra benchmarktester.

MAI Code 2 är avsett för ändringar i produktionskod, djupgående felsökning, implementation som omfattar flera filer, resonemang över hela kodbaser och användargränssnitt. Flash-varianten riktar sig till arbetsuppgifter med stora volymer: att förklara kod, göra riktade ändringar, tillämpa rutinmässiga korrigeringar och arbeta iterativt snabbt. Uppdelningen skiljer mer omfattande implementationsarbete från återkommande uppgifter där lägre kostnad per uppgift spelar roll i stor skala.

Microsoft är tydliga med begränsningen: ingen av modellerna har ännu finjusterats för grundläggande vetenskaplig forskning eller agentbaserat arbete med mycket lång tidshorisont. Begränsningen avgränsar lanseringens fokus till det kodningsarbete som kunder utför varje dag.

Benchmarkresultat och kostnadsvillkor

För DeepSWE 1.1, Terminal-Bench 2.1, SWE Atlas och FrontierCode v1.1 rapporterar Microsoft en genomsnittlig andel godkända uppgifter på 63,2 % och en genomsnittlig kostnad på 0,309 $ per uppgift för MAI Code 2. GPT-6.1 Sol hade ett genomsnitt på 64,1 % till 0,761 $ per uppgift, medan Claude Opus 5.5 hade ett genomsnitt på 65,3 % till 6,306 $ per uppgift. De små skillnaderna i andelen godkända uppgifter och de betydligt större kostnadsskillnaderna förklarar lanseringens inriktning på prisvärd prestanda.

Alla modeller i kodningsjämförelserna kördes med maximal resonemangsintensitet. Kostnadssiffrorna för Microsofts modeller baseras på ett kampanjpris med 50 % rabatt, och företaget varnar för att jämförelserna kan förändras om arbetsbelastningen, modellkonfigurationen, resonemangsintensiteten eller prisantagandena ändras. DeepSWE, Terminal-Bench och SWE Atlas kördes på Microsofts interna MSBench-plattform via GitHub Copilot CLI, utan underagenter.

För MAI Code 2 Flash rapporterar Microsoft en genomsnittlig andel godkända uppgifter på 61,0 % och en genomsnittlig kostnad på 0,052 $ per uppgift för DeepSWE 1.1, Terminal-Bench 2.1 och SWE Atlas. GPT-6 Luna hade ett genomsnitt på 55,1 % till 0,080 $ per uppgift, och Claude Haiku 5.5 hade ett genomsnitt på 53,9 % till 0,319 $ per uppgift. Flash har därmed en högre genomsnittlig andel godkända uppgifter och en lägre rapporterad kostnad per uppgift än båda jämförelsemodellerna.

Separata blindade frontend-utvärderingar omfattade användargränssnitt, spel, datavisualiseringar, 3D-scener och SVG-grafik. Microsoft uppger att 258 bedömare föredrog MAI Code 2 framför GPT-6 Sol i 67 % av fallen när det gällde estetik och funktionalitet.

Tillgänglighet i Copilot och produktintegration

Båda modellerna finns tillgängliga i GitHub Copilot. MAI Code 2 Flash finns också som förhandsversion med begränsad åtkomst i Microsoft Foundry, och lanseringar planeras för OpenRouter, Vercel, Hermes, OpenCode och Kilo.

Microsoft har dessutom optimerat Code 2 Flash ytterligare till MAI Work Flash för användning i Microsoft 365 och Fabric IQ. Företaget rapporterar jämförbar träffsäkerhet och tokeneffektivitet med GPT-6 Luna i interna benchmarktester av kundscenarier i Excel, samt liknande kvalitet och tokeneffektivitet för vanliga PowerPoint-uppgifter.

I utvärderingar i Teams rapporterar Microsoft högre poäng än GPT-6 Luna för uppföljning av beslut och identifiering av kunskapsluckor, anpassning av anpassade instruktioner och verktygsanrop. Vid instruktionsefterlevnad och verktygsanrop användes upp till 28 % färre token.

För semantiska modeller i Power BI rapporterar Microsoft ett totalresultat på 0,77 för MAI Work Flash i offlineutvärderingar av generering av DAX-frågor, jämfört med 0,54 för GPT-6 Astra, 0,45 för GPT-5.6 Sol och 0,30 för Opus 5.5. Generering av DAX-frågor är den funktion som ligger till grund för Power BI-funktionen Chat with your Data.

Microsofts modellsläpp är alltså också en distributionslansering: Copilot får två kodningsalternativ, samtidigt som en Flash-variant tas i bruk för kalkylblad, presentationer, chatt och analys. De rapporterade siffrorna gör kostnaden per uppgift till den främsta konkurrensfaktorn, medan kampanjprissättningen och det medvetet avgränsade användningsområdet avgör hur långt jämförelserna kan sträckas.

Jonas Reeve är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, med fokus på kognitiv AI, artificiell generell intelligens (AGI) och de teoretiska grunderna för maskinintelligens. Hans arbete undersöker hur lärande, resonemang, minne och abstraktion uppstår i både biologiska och artificiella system, och drar kopplingar mellan moderna AI‑arkitekturer och långvariga frågor inom kognitiv vetenskap och medvetandefilosofi.

Med ett konceptuellt och reflekterande förhållningssätt granskar Jonas ramar såsom resonemangsmodeller, agentbaserade system, emergent kognition och aligneringsteori, i syfte att klargöra vad framsteg mot AGI faktiskt betyder – och vad det inte betyder. Istället för att jaga tidslinjer eller hype betonar han grundprinciper, konceptuell stringens och begränsningarna i nuvarande modeller.

Artiklar skrivna av Jonas Reeve är AI‑genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa noggrannhet, tydlighet och ett ansvarsfullt samtal om avancerade AI‑koncept.