微軟亮出自研 MAI 模型家族：最高砍掉 89% GPU 成本

過去大半年，大模型廠商都在拼命捲上下文長度和推理 token，恨不得把所有任務都塞給最貴的最大模型。微軟現在卻反過來，開始算細賬了。

在微軟最新的第四季度財報電話會上，Satya Nadella 披露了一組資料，微軟隨後也在官方部落格公佈了背後的整套 MAI 系列小模型。上個季度他們悄悄上線了十幾個針對專門場景的小模型，覆蓋程式碼、安全、影像、語音和轉錄，把各個業務線裡的 GPU 成本直接砍掉了 50% 到 89%。

把 90% 的粗活分給小弟

這套打法的核心邏輯其實很直白：殺雞不要用牛刀。

這週剛上線的 MAI-Cyber-1-Flash 就是個典型。它在 CyberGym 安全基準測試上拿到了 96% 的分數，成績超過了 Mythos，成本卻只有之前頂配方案的一半，而且只需要部署在 H100 上。

微軟的安排是，讓這個小模型去處理日常 90% 的安全防禦任務。至於剩下的 10% 極難問題，才交給艦隊裡最貴、體量最大的 GPT-5.4。

在日常辦公場景裡，微軟也是這麼幹的。在 GitHub Copilot 裡，從 6 月開始就有數百萬開發者每天在使用 MAI-Code-1-Flash。在 VS Code 裡的實測中，它的程式碼採納率比 GPT-5.4 Mini 和 Claude Haiku 4.5 高出 10%，中位 token 用量還少了 10%。

微軟甚至把這個程式碼底模放進 Excel 的強化學習環境裡專門訓練，讓它在常見表格任務上的表現逼近 GPT-5.6。關鍵在於它足夠小，用老一代的 A100 或 H100 就能跑，不用搶最昂貴的新卡。

從 Office 到醫院，成本全線跳水

除了寫程式碼，微軟把整個主力產品矩陣都換上了自研小模型。

影像方面，MAI-Image-2.5-Flash 已經成為 Bing Image Creator 的端到端預設模型。它進了 PowerPoint 之後，把 GPU 成本直接壓低了 84%；進了 OneDrive 之後，核心編輯場景的儲存率提升了 26%，token 效率高了 2.5 倍。

語音客服也是大頭。T-Mobile 和 EasyJet 等客戶用來做智慧客服的 Dynamics 365 Contact Center，換上 MAI-Voice-2-Flash 後，GPU 成本最高省了 89%。

而在醫療領域，支援 58 種語言的 MAI-Transcribe-1.5 接入了 Dragon Copilot。上個季度 17 萬名醫療工作者靠它處理了 2800 萬次問診，轉錄和語種識別的錯誤率相對下降了 50%。

微軟甚至把模型和自研晶片 Maia 200 做了軟硬體協同設計，實測每瓦效能又提升了 40%。

為什麼重要

我們認為，微軟這一步走得極其清醒，可以說是頭部大廠在商業化落地上的分水嶺。

對普通使用者和企業客戶來說，最直接的好處是工具響應更快、日常更穩。你不用為了寫個 Excel 公式或生成一張 PPT 配圖，去排隊等待高昂的前沿大模型吐字。特別是對於呼叫中心、程式碼補全和醫療問診這種高併發場景，成本砍掉一半以上，意味著企業終於能把 AI 規模化鋪開，而不是測完概念就因為賬單太貴撤退。

對整個行業而言，微軟此舉基本給所謂的前沿模型崇拜潑了一盆冷水。過去大家都盯著榜單上的通用全能大模型，但現實是大部分工業界場景根本不需要通才。把專用小模型調教好，配合專門的測試腳手架和環境，完全能用十分之一的成本打出甚至更好的效果。

更值得琢磨的是微軟關於韌性的表態。微軟在文章裡直言，任何企業都必須假設自己依賴的模型可能會因為安全事故、商業分歧或地緣政治變化而突然消失。微軟把外圍框架、記憶、動作空間和底層模型徹底解耦，說白了就是在減少對 OpenAI 單一模型的硬繫結。看起來，誰能把替代方案掌握在自己手裡，誰才能在長跑裡活得從容。