微软上线 MAI-Code-1.1-Flash：推理成本砍掉 75%，速度提升 25%

写代码用 AI 确实爽，但无论对开发者还是对平台来说，背后狂跳的算力账单都让人肉痛。

微软给 GitHub Copilot 装上了一台新引擎：MAI-Code-1.1-Flash。作为一款主打轻量高效的编程主力模型，它已经正式进入 GitHub Copilot 生产环境。

相比 6 月在微软 Build 大会上亮相的 1.0 版本，新模型最狠的地方在于把推理成本直接砍掉了 75%。与此同时，它的 Token 输出速度提升了 25%，完成同一任务所需的 Token 数量也降低了 25%。

专治水土不服的实战派

大模型在基准跑分榜上刷分是一回事，进终端敲代码又是另一回事。

微软表示，这次的改动完全是听了开发者的吐槽。大家平时最需要的不是抽象的数学逻辑，而是实打实的命令行（CLI）支持和 .NET 场景。于是团队集中火力优化了这两块，最终让新模型在 Terminal-Bench 2.1 上的得分暴涨 22%，.NET 任务表现提升了 15%。

为了让代码真正实用，微软在 GitHub Copilot 内部超过数十万个强化学习环境中对模型进行了打磨。

成效很快在真实业务中显现出来：线上代码存活率提升了 4%，开发者的回访率增加了 9%。说白了，生成出来的代码不是被看一眼就删掉，而是真被程序员留下来合进了仓库。

256K 上下文塞进端侧，推理费直接归零

更让人眼前一亮的是端侧落地的规划。

微软后续披露，MAI-Code-1.1-Flash 支持 3-bit 量化，不仅大幅降低了对硬件显存和内存的占用，还硬生生保留了完整的 256K 超长上下文窗口。在 SWE-Bench Verified 和 Terminal-Bench 2.1 上，它的编程表现基本追平了全精度版本。

这也给 GitHub Copilot 的模型路由带来了全新的打法：合规、常规的代码补全直接交由开发者本地硬件运行，推理费用直接变成零；只有遇到更庞杂、需要极强推理能力的任务时，再自动转给云端大模型。

不过想在本地尝鲜门槛不低，微软推荐本地设备的运行内存最好超过 120GB。按照计划，这项实验性支持将在月底前陆续进入 GitHub Copilot 独立客户端、CLI 以及 VS Code。

为什么重要

对一线开发者来说，这种提速降本意味着肉眼可见的体验改善。光标等待响应的时间短了 25%，生成的废话少了四分之一。如果你的工作站配置足够高，未来甚至能在断网或严格保密的情况下，免费享受到 256K 窗口的端侧智能补全。

而对微软和 GitHub 来说，这一步走得相当精明。Copilot 采用固定订阅制，用户敲的代码越多，云端消耗的算力就越重。把推理单价砍掉四分之三，再通过本地端侧分流一部分日常请求，直接卸下了平台最沉重的算力负担，把利润空间实打实留给了自己。

我们认为，MAI-Code-1.1-Flash 印证了编程 AI 的新趋势：无脑堆砌千亿参数去刷榜的时代已经到头了。未来的战场属于针对真实生产场景精调、推理飞快、成本极低的小钢炮，配合端云协同的混合架构，才是让 AI 真正扎进日常开发的正解。