微软升级 Azure AI Foundry：上线 GPT-4.5，支持私网智能体与百模协同

企业部署大模型最头疼的往往不是选哪个模型，而是数据怎么出不去、账单怎么不爆表，以及几百个智能体怎么不打架。

微软给旗下的企业级平台 Azure AI Foundry 塞进了一大批重磅更新。除了刚发布的 OpenAI 旗舰大模型 GPT-4.5 开启预览，微软还把小模型家族、定制微调工具以及一套能协调数百个智能体干活的系统端了出来。

从大块头到小钢炮，模型库凑齐了

这次更新最抢眼的当然是 GPT-4.5。微软直接把它接进了 Azure OpenAI 服务和 GitHub Copilot Chat 企业版。按官方公布的数据，相比 GPT-4o，GPT-4.5 的幻觉率从 61.8% 骤降到 37.1%，准确率则从 38.2% 冲到了 62.5%，情商和理解细微语境的能力都有明显提升。

但微软显然没打算让所有人把预算全砸在 GPT-4.5 身上。随着平台模型数量突破 1800 个，这次上线的其他模型都在拼性价比和专精能力。

自家的 Phi 家族拿出了两个新成员。一个是打通了文本、语音和视觉的 Phi-4-multimodal，专门用来给线下自助终端等场景看图听声；另一个是只有 38 亿参数的 Phi-4-mini，拥有 128K 上下文，官方称其推理速度提升了 30%，代码和数学表现比不少大模型还要强。

图像方面补齐了 Stability AI 的 Stable Diffusion 3.5 Large 和 Stable Image Ultra 等模型。搜索重排领域加入了支持 100 多种语言的 Cohere Rerank v3.5。语音端则推了 GPT-4o 的音频与实时交互预览版，声网 Agora 已经在用它跑低延迟的多语言对话服务。

蒸馏大模型，再让几百个智能体进内网

如果嫌大模型调用太贵，微软这次给出了一个标准的蒸馏工作流。开发者可以通过 Stored Completions API 和配套 SDK，把 GPT-4.5 这类顶尖大模型的知识压缩提炼到轻量小模型里，既压低了延迟和调用成本，又能留住特定任务上的表现。

此外，针对需要极高逻辑严谨度的场景，微软拿出了强化微调技术，通过奖励正确推理路径来训练模型。针对微调后的模型，平台除了按 Token 计费，还新增了基于预置吞吐量单位的固定资源计费。

最接地气的还是安全和落地架构。企业做智能体最怕数据泄露，微软这次推出了自带虚拟网络功能。智能体交互、数据处理和接口调用全程锁在企业自己的虚拟局域网里，根本不走公网。富士通借此打造的销售提案智能体，官方称让销售额提升了 67%。

为了解决单打独斗的问题，微软实验室还发布了 Magma 多智能体目标管理架构。这套系统可以同时调度和协调数百个智能体并行工作，专门用来啃供应链优化这类超复杂的工业级硬骨头。

为什么重要

我们认为，微软这套组合拳打得非常精明。大模型厂商还在卷单个模型的跑分，微软已经在帮企业算总账了。

对企业和开发者来说，最大的价值是打通了一条务实的落地路径。你不需要在超高智力但贵得肉疼的 GPT-4.5，与便宜但容易犯傻的小模型之间做单选题。拿 GPT-4.5 跑高价值任务并作为教师模型，把知识蒸馏给自建的 Phi-4-mini 或 Mistral 定制模型，再把它塞进安全的私有网络里，这套打法在成本和合规上都极具可行性。

对行业而言，微软正在把大模型从单纯的接口调用，推向工业化的流水线作业。竞争焦点已经从你家模型聪明多少，转移到了多智能体协同框架、网络隔离和定制化基建上。能够协调数百个智能体的 Magma 架构，很可能会逼着亚马逊云和谷歌云加速拿出类似的企业级调度方案。

不过隐患依然存在。虽然 GPT-4.5 幻觉率大幅下降，但 37.1% 的水平在极度严肃的金融、法律或医疗核心业务里依然偏高。数百个智能体并行协作的 Magma 固然诱人，但一旦其中几个链路出现级联错误，调试和追责的难度也将呈指数级上升。