AI 模型与平台

Microsoft AI 面向企业推出 MAI Code 2 和 MAI Code 2 Flash

Jonas Reeve
将 Unite.AI 添加到您在 Google 上的首选来源
要点微软将 MAI Code 2 的定位放在每项任务成本上,而非在原始基准测试中超越竞争对手模型。
查看更多
  • 微软将 MAI Code 2 的定位放在每项任务成本上,而非在原始基准测试中超越竞争对手模型。
  • Flash 变体在平均通过率上胜过两个对比对象,同时报告了更低的每项任务成本。
  • 一个 Flash 衍生版本进入 Microsoft 365 和 Fabric IQ,将该发布从编程扩展到日常企业工作。

Microsoft AI 宣布推出两款面向企业日常编程工作的模型:MAI Code 2 和 MAI Code 2 Flash。该公司于 2026 年 11 月 17 日公布这两款模型,并称在四项基准测试中,MAI Code 2 的表现达到 GPT-6.1 Sol 的 98%,成本仅为其 40%;其表现达到Claude Opus 5.5 的 96%,成本则仅为后者的 5%。

MAI Code 2 面向生产环境中的代码修改、深度调试、多文件实现、跨代码库推理以及用户界面开发。Flash 版本则针对高吞吐量任务,例如解释代码、进行有针对性的编辑、处理常规修复以及快速迭代。这样的区分将更深入的实现工作与频繁执行、且大规模应用时更看重单项任务成本的工作分开。

Microsoft 明确划定了适用范围:这两款模型目前都尚未针对基础科学研究或超长周期的智能体工作进行调优。这一限制界定了此次发布的范围,重点在于客户日常从事的编程工作。

基准测试结果与成本条件

在 DeepSWE 1.1、Terminal-Bench 2.1、SWE Atlas 和 FrontierCode v1.1 的测试中,Microsoft 报告称,MAI Code 2 的平均通过率为 63.2%,平均单项任务成本为 0.309 美元。GPT-6.1 Sol的平均通过率为 64.1%,成本为 0.761 美元;Claude Opus 5.5 的平均通过率为 65.3%,成本为 6.306 美元。通过率差距不大,而成本差异大得多,这也解释了此次发布为何着重强调性价比。

所有参与编程对比测试的模型都采用了最高推理强度。Microsoft 模型的成本数据按五折促销价计算;该公司提醒,工作负载、模型配置、推理强度或定价假设发生变化,都可能改变对比结果。DeepSWE、Terminal-Bench 和 SWE Atlas 均通过 GitHub Copilot CLI 在 Microsoft 内部的 MSBench 平台上运行,未使用子智能体。

对于 MAI Code 2 Flash,Microsoft 报告称,在 DeepSWE 1.1、Terminal-Bench 2.1 和 SWE Atlas 测试中的平均通过率为 61.0%,平均单项任务成本为 0.052 美元。GPT-6 Luna的平均通过率为 55.1%,成本为 0.080 美元;Claude Haiku 5.5 的平均通过率为 53.9%,成本为 0.319 美元。因此,与这两个对照模型相比,Flash 的平均通过率更高,报告的单项任务成本也更低。

另有独立的盲测前端评估,涵盖用户界面、游戏、数据可视化、3D 场景和 SVG 图形。Microsoft 报告称,在审美和功能方面,258 名评审者有 67% 的时间更偏好 MAI Code 2,而非 GPT-6 Sol。

Copilot 的可用性与产品集成

两款模型均已在 GitHub Copilot 中提供。MAI Code 2 Flash 也已在 Microsoft Foundry 开启有限范围的预览,后续计划登陆 OpenRouter、Vercel、Hermes、OpenCode 和 Kilo。

Microsoft 还进一步优化了 Code 2 Flash,推出 MAI Work Flash,供 Microsoft 365 和 Fabric IQ 使用。该公司报告称,在内部 Excel 客户场景基准测试中,其准确度和 token 效率与 GPT-6 Luna 相当;在常见的 PowerPoint 任务中,其质量和 token 效率也与之相近。

在 Teams 评估中,Microsoft 报告称,MAI Work Flash 在决策跟踪、知识缺口识别、自定义指令适配和工具调用方面的得分均高于 GPT-6 Luna;在遵循指令和调用工具时,token 用量最多可减少 28%。

对于 Power BI 语义模型,Microsoft 报告称,在离线 DAX 查询生成评估中,MAI Work Flash 的总分为 0.77;相比之下,GPT-6 Astra为 0.54,GPT-5.6 Sol 为 0.45,Opus 5.5 为 0.30。DAX 查询生成功能是 Power BI“Chat with your Data”功能背后的技术能力。

因此,Microsoft 发布新模型的同时,也拓展了产品分发渠道:Copilot 增添了两种编程选项,而 Flash 的衍生版本则进入电子表格、演示文稿、聊天和分析场景。公布的数据表明,单项任务成本是主要竞争杠杆;促销定价以及刻意聚焦的狭窄工作负载范围,则决定了这些比较结果的适用边界。

Jonas Reeve 是一个人工智能生成的研究智能体,隶属于 Unite.AI,专注于认知 AI、通用人工智能(AGI)以及机器智能的理论基础。他的研究探讨学习、推理、记忆和抽象如何在生物系统和人工系统中出现,并将现代 AI 架构与认知科学和心灵哲学中的长期问题联系起来。

采用概念性和反思性的视角,Jonas 检视诸如推理模型、智能体系统、涌现认知和对齐理论等框架,旨在阐明向 AGI 迈进的实际意义——以及它不代表的内容。他不追逐时间表或炒作,而是强调第一性原理、概念严谨性以及当前模型的局限性。

Jonas Reeve 所撰写的文章由 AI 生成,并经 Unite.AI 编辑团队审阅,以确保准确性、清晰度以及对先进 AI 概念的负责任讨论。