Microsoft 部署两款 MAI 专用模型：Excel 里比肩 GPT-5.6，成本大降

以前大家总觉得，想要大模型办好复杂的专业活，就只能砸钱调用体积最大、价格最贵的旗舰模型。

微软现在拿出的这套方案，正好把这个逻辑反了过来。

在 6 月的 Build 大会上，微软提出了所谓的「爬坡机制」，也就是把真实业务数据、模型和运行环境绑在一起的迭代飞轮。现在，微软正式公开了这项机制在自研 MAI 模型上的落地成果，而且直接塞进了两个王牌工具里：GitHub Copilot 和 Excel。

从写代码到算表格，小模型也能打平旗舰

其实从 6 月开始，微软就已经悄悄在 GitHub Copilot 里上线了名为 MAI-Code-1-Flash 的模型，每天有数百万开发者在使用。

实测数据相当扎实。在 VS Code 场景下，它的代码采纳率比 GPT-5.4 Mini 和 Claude Haiku 4.5 高出约 10%。更关键的是开发者的黏性，跨天再次使用的比例分别比后两者高出 6% 和 11%。

而且它并没有靠拼命吐字来刷存在感。数据显示，它的中位数 token 消耗比这两款同级别模型少了 10%，同时开发者主动发起的交互轮次反而更多了。

更有意思的是 Excel 上的实验。微软没有给 Excel 从头训一个新模型，而是直接拿 MAI-Code-1-Flash 作为起点，把它扔进 Excel 的强化学习环境里继续调优，测试写代码的能力能不能迁移到电子表格这种知识型工作上。

生产环境的实际流量反馈显示，这个专门针对表格调教出来的 MAI 模型，在处理绝大多数常见任务时的表现，已经能打平 GPT-5.6。

更划算的是部署成本。它不仅比通用大模型轻巧便宜，还能直接跑在 Nvidia A100 和 H100 级别的显卡上，根本不需要微软去抢最新的下一代加速卡。

微软表示，这套结合产品运行环境去跑特定智能体的爬坡方法，接下来会继续扩展到 Copilot Chat、Outlook 和 PowerPoint 等更多产品线里。

为什么重要

对于每天跟代码或表格打交道的普通用户来说，这件事带来的最大改变是体验更轻快了。你不一定非要花大价钱去等昂贵的大模型慢吞吞推理，这些垂直调优过的专用小模型反应更快、对工具的理解更准，而且中位数 token 消耗还更少，属于那种立刻就能感知到的效率提升。

在行业层面，这看起来是微软向外界亮出的一记算力解法。过去几年，全行业都在被算力紧缺和昂贵的推理成本卡脖子。微软证明了一件事：只要你掌握真实的产品闭环和评估环境，就能用相对较小的专精模型在特定场景下把 GPT-5.6 这种庞然大物换下来。更妙的是，它让手头大批的 A100 和 H100 显卡重新焕发了第二春，大大减轻了基础设施的折旧和换代焦虑。

从策略上看，我们认为微软这步棋走得非常清醒。它不再单纯给外部基础模型当管道工，而是依托自己的端到端产品栈——从用户交互界面、执行环境到评估体系——自己跑强化学习飞轮。它的聪明之处在于把代码逻辑直接迁移到表格逻辑，省去了海量的基础预训练成本。不过这种路线也有其局限，垂直智能体在特定路径上能迅速逼近甚至匹敌大模型，但一旦脱离了预设的工作流或者遇到极端长尾的跨领域问题，它的鲁棒性可能依然不如顶级通用模型。但在日常办公室场景里，这种小而精的组合拳已经足够打乱大模型厂商的定价体系了。