微软一次发布 7 款自研 AI 模型
能追上 OpenAI 和 Anthropic 吗？

背景：微软为什么要自研模型？

过去七年，微软向 OpenAI 累计投入超过 130 亿美元，Azure 上的 GPT 模型是其 AI 战略的核心支柱。但这种深度依赖带来三重隐患：

1. 01

   成本失控：每次 API 调用都要向 OpenAI 付费，规模越大、利润越薄

2. 02

   技术主权缺失：无法控制模型迭代节奏、数据来源、权重所有权

3. 03

   合同限制：原合同明确限制微软自训大规模模型

转折点发生在 2025 年底。双方重新谈判，新协议移除了模型规模限制，明确允许微软独立追求「超级智能」。微软 AI 负责人 Mustafa Suleyman 形容：

「我们大概在六个月前才正式从与 OpenAI 的合同中『获得自由』，被允许用自己的 IP、自己的数据、自己的算力去追求超级智能。这是非常早期的开始。」

Build 2026 是微软第一次公开向世界展示这颗「自研大脑」的成果。

7 款 MAI 模型总览

MAI-Thinking-1 — 推理旗舰

一句话定位：微软首款推理模型，主打企业级编码与数学推理，性价比优先。

架构与规模

稀疏 MoE 的关键意义：推理时只激活 35B 参数，远小于 GPT-5.5、Claude Opus 等密集大模型，推理成本显著更低，是其最大差异化优势。

基准测试成绩

基准数据的真实含义（重要）

微软发布会强调「对标 Claude Opus 4.6」，但仔细看有三处值得注意：

1. 01

   技术报告实际表述是 「competitive with Sonnet 4.6 across a wide range of benchmarks」——Sonnet 是 Anthropic 的中端模型，不是旗舰 Opus

2. 02

   比较基准版本已过时：当前最新 Anthropic 旗舰是 Claude Opus 4.8（SWE-Bench Pro 69.2%），微软选用的是两个版本前的 Opus 4.6（53.4%）

3. 03

   GPT-5.5 的 SWE-Bench Pro 是 58.6%，同样高于 MAI-Thinking-1

结论：MAI-Thinking-1 是一款有竞争力的中端推理模型，成本效率突出，但若论绝对性能，与当前 Anthropic / OpenAI 旗舰仍有差距。

MAI-Image-2.5 — 文生图 & 图生图

一句话定位：微软首款同时支持文生图和图生图的图像模型，Arena.ai 图像编辑榜排名 #2。

• Text-to-Image：Arena.ai 排名 #3
• Image-to-Image：风格迁移、局部编辑
• Control with Preservation：编辑时保留原始语义结构
• 已集成 PowerPoint、OneDrive，并在 Azure Foundry Model Catalog 上线

定价（Foundry 无服务器）

MAI-Transcribe-1.5 — 语音转文字

一句话定位：全球 43 种语言语音转录，FLEURS 基准排名 #1，速度是竞品的 5 倍以上。

横向对比：在 FLEURS 43 语言基准上超过 Scribe V2、Whisper-large-V3、GPT-4o-Transcribe 和 Gemini 3.1 Flash。典型场景：Teams 会议记录、客服中心转录、GitHub Copilot 语音输入、无障碍工具。

MAI-Voice-2 — 多语言 TTS

一句话定位：支持语音克隆的多语言文字转语音，新增 15+ 语言与情感风格控制。

• Zero-shot 语音克隆：数秒参考音频即可合成指定说话人
• 情感风格：控制语气、语速、情感色彩
• 语言覆盖：15+ 新增语言
• 输出：MP3，24 kHz 采样率；定价 $22 / 1M 字符
• Flash 版：超低延迟变体，适合实时语音 Agent，「即将推出」
• 集成：Azure Foundry、VS Code、Dynamics 365、Microsoft Copilot

MAI-Code-1-Flash & MAI-Code-1 — 编程助手

一句话定位：专为 GitHub Copilot 和 VS Code 深度优化的推理效率编码模型，已正式上线。

• 上下文窗口：256K tokens
• 已内置：GitHub Copilot（含 CLI）、VS Code、GitHub Actions
• MAI-Code-1-Flash 定价：$0.75 / 1M 输入 tokens，$4.5 / 1M 输出 tokens
• 基准：SWE-Bench 51%，超过 Claude Haiku 4.5，速度/成本优势明显

FrontierNews.ai 评价：在 7 款 MAI 模型中，MAI-Code-1-Flash 可能是对开发者日常影响最直接的一款——它不需要等待私有预览，今天就在你的 VS Code 里跑着。

硬件：Surface RTX Spark Dev Box

Satya Nadella 称其为 「dream machine」——这不是普通迷你主机。

预装开发环境（开箱即用）

WSL 2（含 GPU 直通 + CUDA）、VS Code + GitHub Copilot、PowerShell 7、Python、Node.js、Git、NVIDIA CUDA/cuDNN、AI Toolkit for VS Code、Windows ML、Microsoft Foundry CLI。

能跑什么模型？

• 本地运行 120B+ 参数模型（Llama 4、Qwen 3 等）
• 1M token 上下文，交互速度流畅
• Fine-tune 原本需要云 GPU 的规模

发售信息：美国（初期）、仅限 Microsoft.com、2026 年秋季、价格尚未公布（消费者也可购买）。核心逻辑是把云端 AI 算力搬到桌面，直接挑战「按 token 付费」模式。

核心问题：微软能追上大部队吗？

Mustafa Suleyman 在 Build 2026 直言：

「目标是证明我们能成为全球顶尖的四大 AI 实验室之一。目前不在其中，但这正是我来微软的目的——我要在全球范围内构建最好的前沿模型，完全多模态，从零开始。」

当前「三大」公认是：Google DeepMind、OpenAI、Anthropic。

已经做到的事（客观优势）

尚未追上的差距

比较维度汇总表

真正的变局：从「最强模型」到「最好用的系统」

1. 01

   当 MAI-Code-1-Flash 内置于 GitHub Copilot，7,500 万开发者每天都在用微软的模型

2. 02

   当 Surface RTX Spark Dev Box 上市，微软把「本地 AI 主权」包装成硬件产品

3. 03

   当企业数据可安全留在 Azure 内 Fine-tune MAI，微软掌握「数据飞轮」

短期（1-2 年）：纯模型智力测试上仍落后 OpenAI 和 Anthropic 旗舰。中期（3-5 年）：Suleyman 团队的「Hill-Climbing Machine」训练体系成熟后，迭代将加快。最重要的洞察：这场比赛不一定是谁得分最高，而是谁在开发者工作流、企业数据主权和硬件侧控制了更多摩擦点。

开发者怎么用？接入指南

当前可用状态

快速调用示例（MAI-Code-1-Flash）

import openai

client = openai.AzureOpenAI(
    azure_endpoint="https://<your-resource>.openai.azure.com/",
    api_key="<your-api-key>",
    api_version="2026-05-01"
)

response = client.chat.completions.create(
    model="mai-code-1-flash",
    messages=[
        {"role": "system", "content": "You are an expert software engineer."},
        {"role": "user", "content": "Refactor this Python function to use async/await: ..."}
    ],
    max_tokens=2048
)
print(response.choices[0].message.content)

MAI-Thinking-1 私有预览：访问 Microsoft Foundry，在 Model Catalog 搜索「MAI-Thinking-1」并申请访问。MAI 模型亦可在 OpenRouter、Fireworks AI、Baseten 上调用（Build 2026 宣布）。

五步落地清单

1. 01

   确认 Azure 订阅与 Foundry 工作区权限

2. 02

   在 Model Catalog 部署 MAI-Image / Transcribe / Voice / Code 模型

3. 03

   更新 VS Code / GitHub Copilot 以启用 MAI-Code-1-Flash

4. 04

   申请 MAI-Thinking-1 私有预览（如需推理旗舰）

5. 05

   在 macOS 图形会话中验收 Copilot 内联建议与 Azure 门户配置

常见问题

结语

微软 MAI 家族标志着从「深度绑定 OpenAI」到「自研 + 分发」的战略转折：MAI-Thinking-1 在成本与数据合规上已有差异化，但旗舰 benchmark 仍落后一代；MAI-Code-1-Flash 却已通过 Copilot 触达数千万开发者。Surface RTX Spark Dev Box 则把本地 120B+ 推理变成可购买的硬件叙事。

对开发者而言，验收 MAI-Code-1-Flash 与 Azure Foundry 配置，往往需要在 macOS 图形会话中操作 VS Code、Copilot 授权与门户设置——纯 Windows/Linux 主力机难以完整复现。相较等待 Dev Box 秋季发售或自购 Mac 的折旧风险，租用远程 Mac 可按需开通、在 VNC 下图形化核对 Copilot 与 Foundry，再决定是否长期投入本地硬件。若你正评估 MAI 接入与 Agent 工作流，可通过 VNCMac 租用云端 Mac：下方主按钮进入中文站购买页。

参考来源：Microsoft AI: MAI-Thinking-1 · 技术报告 PDF · Build 2026 Keynote · Azure AI Foundry Blog · Surface RTX Spark Dev Box · The Verge · VentureBeat。数据截止 2026-07-14。