微软用自研廉价模型替换产品中的外部AI模型

发布时间 2026-11-19
来源 The Decoder
字数 3,144 字
查看原文 反馈

智能总结

微软AI部门在Ignite大会上发布七款专用模型,覆盖代码、安全、图像、语音和工作流决策,目标是降低常驻AI智能体的运营成本。

Jonathan Kemper 查看 Jonathan Kemper 的 LinkedIn 资料 2026 年 11 月 18 日

由 THE DECODER 提示 GPT-Image-2 生成

要点

  • 微软的 AI 部门在 Ignite 大会上发布了七款专用模型,分别面向代码、IT 安全、图像编辑、语音和工作流决策。这些模型的目标都是降低常驻运行的 AI 智能体的运营成本。
  • 这些模型以更便宜的替代方案瞄准 OpenAI 和 Anthropic 的系统。在内部基准测试中,代码模型 MAI Code 2 几乎追平 GPT-6.1 Sol 和 Claude Opus 5.5,成本却只有后者的一小部分。在 CyberGym-E2E 漏洞测试中,MAI Cyber 2 Flash 略微领先 GPT-6 Astra。
  • 除了图像模型 MAI Image 2.7、语音模型 MAI Realtime 1 以及基于 Google Gemma 的路由模型 Decision 1.1 之外,微软还将允许企业客户在 Azure 云中用自有数据微调部分模型的权重。

微软 AI(MAI)正以面向代码、安全、图像、语音和路由的新模型,瞄准常驻运行的 AI 智能体。衡量的主要标尺,就是其自家合作伙伴 OpenAI 的模型阵容。

在 Ignite 大会上,MAI 一次性发布了七款新模型,而不是分散在全年陆续推出,这与它在 6 月 Build 大会上的做法一致。微软主要从性价比角度定位这一新阵容。该公司提到客户 token 支出正快速上升,而这些客户希望全天候运行 AI 智能体。微软表示,其代码模型面向日常企业编码任务,尚未针对基础研究或长周期智能体工作流等更难的工作进行优化。

MAI Code 2 以促销价格逼近 GPT-6.1 Sol 和 Opus 5.5

根据微软的说法,MAI Code 2 在四项基准测试中平均达到 GPT-6.1 Sol 性能的 98%,成本却只有 40%。对比 Claude Opus 5.5,它达到后者性能的 96%,成本仅为 5%。微软在 DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 和 FrontierCode v1.1 上进行了测试。其中三项测试在微软内部的 MSBench 平台上运行,使用 GitHub Copilot CLI,且不使用子智能体。微软为其自有模型计算了 50% 的促销折扣。

广告

微软表示,在针对 UI、游戏、数据可视化和 SVG 图形等前端工作的盲测中,人工评估者在 64% 的情况下更偏好 MAI Code 2 的输出,而非 GPT-6 Sol。

广告 Bar charts comparing MAI Code 2, GPT-6.1 Sol, and Claude Opus 5.5 on success rate and cost per task. Averages are 63.2, 64.1, and 65.3 percent at $0.31, $0.76, and $6.31 per task, broken out for DeepSWE 1.1, Terminal Bench 2.1, SWE Atlas, and FrontierCode v1.1.

作为 MAI-Code-1.1-Flash 的后继者,MAI Code 2 Flash 面向代码解释、定向修改和常规修复。据说它在成本和性能上分别达到 GPT-6 Luna 和 Claude Haiku 5.5 的 65% 和 20%。

微软从 Flash 模型衍生出了 MAI Work Flash。它运行在 Microsoft 365 和 Fabric IQ 中。微软表示,在内部 Excel 和 PowerPoint 基准测试中,它可媲美 GPT-6 Luna。在 Word 中,它的表现与 GPT-6.1 Sol 相似,同时消耗的输入 token 少约 42%。在 Power BI 中生成 DAX 查询方面,它优于 GPT-5.6 Sol、GPT-6 Astra 和 Opus 5.5。

广告

在 GitHub Copilot 中,MAI Code 2 的促销价格为每百万输入 token 0.50 美元、每百万输出 token 2.50 美元,促销期持续到 2027 年 5 月 17 日,之后分别为 1 美元和 5 美元。MAI Code 2 Flash 在此之前分别为 0.05 美元和 0.25 美元,之后涨至 0.10 美元和 0.50 美元。

安全模型与经过清理的基准测试

微软表示,MAI Cyber 2 Flash 在 CyberGym-E2E 漏洞基准测试中解决了 92.3% 的任务。GPT-6 Astra 达到 91.5%,但需要两倍的推理预算。按任务计算,MAI 模型的成本不到 GPT-6 Astra 的 2%,而按 token 计算的成本仅为后者的百分之一。在 WebExploitBench 上,它得分 40.4%,领先 GPT-5.6 Cyber 的 38.4%。

广告 Three bar charts comparing MAI Cyber 2 Flash and GPT-6 Astra on CyberGym-E2E: success rates of 92.3 and 91.5 percent, output tokens per task of 38,700 and 55,200, and costs per task of $0.45 and $34.38.

在评估过程中,微软发现约 900 个 CyberGym 任务中有 10% 与其自身训练数据的部分内容来自相同的开源项目和漏洞报告。公司表示,参考解决方案从未进入训练数据。不过,微软还是为所有模型移除了这些任务,仅对其余任务评分。

广告

目前尚缺与 GPT-6 Cyber 的对比。该模型仅向部分客户开放。微软表示,使用工具的智能体基准测试仍需要额外的安全措施。公司计划在未来几周内公布这些结果。

上下文窗口为 100 万 token,是 MAI Cyber 1.1 Flash 的四倍。输出 token 的成本比前代低 86%。新闻稿称,MAI Cyber 模型已经处理了微软安全平台 MDASH 上近 40% 的扫描任务。

微软将 MAI Cyber 2 Flash 定价为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元,而 GPT-6 Astra 分别为 10 美元和 50 美元。在 CyberGym-E2E 上,这意味着每项任务成本为 0.45 美元,而不是 34.38 美元。

微软的决策模型现在运行在 Google 的 Gemma 上

Microsoft-Decision-1.1 负责路由、分类、优先级排序和工作流控制。该模型从开发者批准的操作中进行选择,并返回经过校准的置信度分数。当不确定性较高时,应用可以升级处理,而不是基于错误决策采取行动。如果信息不完整,该模型被设计为弃权。

它的基础是 Google 的混合专家模型 Gemma 4 26B A4B。前代模型基于 Qwen3.5-9B。微软使用监督微调和强化学习,在数百个合成数据集和授权数据集上训练了新模型,并在专有推理引擎上运行它。

在 Artificial Analysis 的 Decision Index v2.1 上,Decision 1.1 得分为 68 分。这比前代高 6 分,并高于 Jev 1.14、Gemini Decision 1 和 GPT-6 Luna(Decisions)。微软还在 102 个内部基准测试(超过 385,000 个问题)上进行了测试,它在八个决策模型中取得了最高的平均准确率。

该模型现在接受图像输入,包括截图。在 Copilot 中,它决定请求是交给 Copilot 还是 Cowork。微软表示,它的准确性与大型语言模型相当,但速度快 2.2 倍,成本低 4.4 倍。在 Cowork 中,其自动功能控制任务获得的推理工作量。

微软收费为每百万输入 token 0.042 美元,在欧盟数据区为 0.05 美元。输出 token 免费。

Scatter plot of Artificial Analysis Decision Index score versus time per task in milliseconds on a logarithmic scale. Microsoft-Decision-1.1 scores 68 points on the left in a highlighted region, with an arrow from Microsoft-Decision-1 labeled "+6 points, 2.2x faster." Jev 1.14, Gemini Decision 1, GPT-6 Luna (Decisions), and other decision models also shown.

Ignite 的新闻手册中还有另一款专用模型。Microsoft-Retriever-1 为 Foundry IQ 中的智能体从企业文档中收集相关信息。该模型不是执行单次搜索,而是规划查询、评估结果并发出后续查询,直到掌握足够材料以给出有充分依据的答案。微软表示,这比之前的方法更快、更高效。Retriever-1 以预览形式推出。Foundry 中的 Model Router 现在也能从扩展后的模型池中自动选择。

正文超过 1 万字上限,本页为节选 · 查看原文