Microsoft 部署兩款 MAI 專用模型：Excel 裡比肩 GPT-5.6，成本大降

以前大家總覺得，想要大模型辦好複雜的專業活，就只能砸錢呼叫體積最大、價格最貴的旗艦模型。

微軟現在拿出的這套方案，正好把這個邏輯反了過來。

在 6 月的 Build 大會上，微軟提出了所謂的「爬坡機制」，也就是把真實業務資料、模型和執行環境綁在一起的迭代飛輪。現在，微軟正式公開了這項機制在自研 MAI 模型上的落地成果，而且直接塞進了兩個王牌工具裡：GitHub Copilot 和 Excel。

從寫程式碼到算表格，小模型也能打平旗艦

其實從 6 月開始，微軟就已經悄悄在 GitHub Copilot 裡上線了名為 MAI-Code-1-Flash 的模型，每天有數百萬開發者在使用。

實測資料相當紮實。在 VS Code 場景下，它的程式碼採納率比 GPT-5.4 Mini 和 Claude Haiku 4.5 高出約 10%。更關鍵的是開發者的黏性，跨天再次使用的比例分別比後兩者高出 6% 和 11%。

而且它並沒有靠拼命吐字來刷存在感。資料顯示，它的中位數 token 消耗比這兩款同級別模型少了 10%，同時開發者主動發起的互動輪次反而更多了。

更有意思的是 Excel 上的實驗。微軟沒有給 Excel 從頭訓一個新模型，而是直接拿 MAI-Code-1-Flash 作為起點，把它扔進 Excel 的強化學習環境裡繼續調優，測試寫程式碼的能力能不能遷移到電子表格這種知識型工作上。

生產環境的實際流量反饋顯示，這個專門針對表格調教出來的 MAI 模型，在處理絕大多數常見任務時的表現，已經能打平 GPT-5.6。

更划算的是部署成本。它不僅比通用大模型輕巧便宜，還能直接跑在 Nvidia A100 和 H100 級別的顯示卡上，根本不需要微軟去搶最新的下一代加速卡。

微軟表示，這套結合產品執行環境去跑特定智慧體的爬坡方法，接下來會繼續擴充套件到 Copilot Chat、Outlook 和 PowerPoint 等更多產品線裡。

為什麼重要

對於每天跟程式碼或表格打交道的普通使用者來說，這件事帶來的最大改變是體驗更輕快了。你不一定非要花大價錢去等昂貴的大模型慢吞吞推理，這些垂直調優過的專用小模型反應更快、對工具的理解更準，而且中位數 token 消耗還更少，屬於那種立刻就能感知到的效率提升。

在行業層面，這看起來是微軟向外界亮出的一記算力解法。過去幾年，全行業都在被算力緊缺和昂貴的推理成本卡脖子。微軟證明了一件事：只要你掌握真實的產品閉環和評估環境，就能用相對較小的專精模型在特定場景下把 GPT-5.6 這種龐然大物換下來。更妙的是，它讓手頭大批的 A100 和 H100 顯示卡重新煥發了第二春，大大減輕了基礎設施的折舊和換代焦慮。

從策略上看，我們認為微軟這步棋走得非常清醒。它不再單純給外部基礎模型當管道工，而是依託自己的端到端產品棧——從使用者互動介面、執行環境到評估體系——自己跑強化學習飛輪。它的聰明之處在於把程式碼邏輯直接遷移到表格邏輯，省去了海量的基礎預訓練成本。不過這種路線也有其侷限，垂直智慧體在特定路徑上能迅速逼近甚至匹敵大模型，但一旦脫離了預設的工作流或者遇到極端長尾的跨領域問題，它的魯棒性可能依然不如頂級通用模型。但在日常辦公室場景裡，這種小而精的組合拳已經足夠打亂大模型廠商的定價體系了。