微軟發布 7 款 MAI 自研 AI 模型：
能追上 OpenAI 和 Anthropic 嗎？

過去七年，微軟向 OpenAI 累計投入超過 130 億美元，Azure 上的 GPT 模型是其 AI 戰略核心支柱。深度依賴帶來三類結構性隱患：

• 成本失控：每次 API 呼叫須向 OpenAI 付費，規模越大利潤越薄；
• 技術主權缺失：無法掌控模型迭代節奏、資料來源與權重所有權；
• 合約限制：原協議明確限制微軟自訓大規模模型。

轉折點在 2025 年底。雙方重新談判，新協議移除模型規模限制，明確允許微軟獨立追求「超級智慧」。Mustafa Suleyman 在 Build 2026 形容：

「我們大約在六個月前才正式從與 OpenAI 的合約中『獲得自由』，被允許用自己的 IP、自己的資料、自己的算力去追求超級智慧。這是非常早期的開始。」

Build 2026 是微軟第一次公開向世界展示這顆「自研大腦」的成果——也宣告微軟正式走上獨立於 OpenAI 的自研 AI 之路，但第一代產品距離「全球頂尖四大實驗室」仍有客觀差距。

開發者與企業此刻的核心痛點：

• 資訊噪音：發布會強調「對標 Claude Opus 4.6」，技術報告實際寫的是 Sonnet 4.6 梯隊，容易誤判選型；
• 可用性割裂：MAI-Thinking-1 仍在私有預覽，真正已上線的是 MAI-Code-1-Flash 與多模態 API；
• 資料合規焦慮：金融、醫療、法律客戶須釐清 MAI Fine-tune 與 OpenAI API 的資料所有權差異；
• 成本測算困難：MoE 架構啟用參數僅 35B，但定價、延遲與 GPT-5.6 如何橫向對比缺乏一手表；
• 本機 vs 雲端：Surface RTX Spark Dev Box 宣稱本機跑 120B+ 模型，與按 Token 付費的雲端路線如何分工尚不清晰。

Build 2026 一口氣發布覆蓋文字推理、影像、語音、轉錄、程式設計的完整技術棧。下表為發布概覽，後文逐款展開關鍵參數。

MAI-Thinking-1 — 推理旗艦

微軟首款推理模型，主打企業級程式設計與數學推理，性價比優先。採用稀疏 MoE（Mixture of Experts）：總參數約 1T（兆），推理時僅啟用 35B，上下文 256K tokens；從零預訓練，無第三方蒸餾；訓練資料為企業級 clean data，商業授權、可追溯。

基準數據的真實含義（別被行銷話術誤導）：

• 技術報告實際表述是 「competitive with Sonnet 4.6 across a wide range of benchmarks」——Sonnet 是 Anthropic 中端模型，不是旗艦 Opus；
• 比較基準版本已過時：目前 Anthropic 旗艦是 Claude Opus 4.8（SWE-Bench Pro 69.2%），微軟選用的是兩個版本前的 Opus 4.6（53.4%）；
• GPT-5.5 的 SWE-Bench Pro 為 58.6%，同樣高於 MAI-Thinking-1 的 52.8%。

結論：MAI-Thinking-1 是有競爭力的中端推理模型，MoE 帶來顯著推理成本優勢；論絕對效能，與目前 Anthropic / OpenAI 旗艦仍有差距。

MAI-Image-2.5 — 文生圖與圖生圖

• Text-to-Image：Arena.ai 文生圖榜排名 #3；
• Image-to-Image：風格遷移、局部編輯；Arena.ai 影像編輯榜 #2；
• Control with Preservation：編輯時保留原始語意結構（不破壞構圖）；
• 已整合 PowerPoint、OneDrive，並在 Azure Foundry Model Catalog 上線。

MAI-Transcribe-1.5 — 語音轉文字

• 支援 43 種語言（含自動語言偵測）；
• FLEURS 平均詞錯誤率（WER）4.9%（產業最低之一）；Artificial Analysis WER 2.4%（綜測第 3）；
• 處理速度 276× 即時（1 小時音訊秒級轉錄）；相比 1.4 版延遲改善 5.7 倍；
• Contextual Biasing：關鍵字偏置，提升專業術語準確率；
• 定價 $0.36 / 音訊小時；FLEURS 43 語言基準上超過 Scribe V2、Whisper-large-V3、GPT-4o-Transcribe 和 Gemini 3.1 Flash；
• 典型場景：Teams 會議記錄、客服中心轉錄、GitHub Copilot 程式碼註解語音輸入、無障礙工具。

MAI-Voice-2 — 多語言 TTS

• Zero-shot 語音複製：數秒參考音訊即可合成指定說話人；
• 情感風格（Emotion Styles）：控制語氣、語速、情感色彩；
• 新增 15+ 語言（完整名單尚未全部公開）；
• 輸出 MP3，24 kHz 取樣率；定價 $22 / 1M 字元；
• Flash 版：超低延遲變體，適合即時語音 Agent，「即將推出」；
• 整合：Azure Foundry、VS Code、Dynamics 365、Microsoft Copilot。

MAI-Code-1-Flash — 程式設計助手（對開發者影響最直接）

• 上下文 256K tokens，面向高頻使用的低延遲、低成本推理；
• 已內建 GitHub Copilot（含 CLI）、VS Code、GitHub Actions；
• 定價：$0.75 / 1M 輸入 tokens，$4.5 / 1M 輸出 tokens；
• SWE-Bench 51%，超過 Claude Haiku 4.5，速度/成本優勢明顯。

FrontierNews.ai 評價：在 7 款 MAI 模型中，MAI-Code-1-Flash 可能是對開發者日常影響最直接的一款——不需要等待私有預覽，今天就在 VS Code 裡跑著。

Satya Nadella 在發布會上稱其為 「dream machine」——一台面向開發者的緊湊型桌面主機，核心邏輯是把雲端 AI 算力搬到桌面，直接挑戰「按 Token 付費」模式。

開箱即用預裝環境：WSL 2（含原生 GPU 直通 + CUDA）、Visual Studio Code + GitHub Copilot、PowerShell 7（預設 Shell）、Python、Node.js、Git、NVIDIA CUDA/cuDNN、AI Toolkit for VS Code、Windows ML、Microsoft Foundry CLI。

能跑什麼？本機執行 120B+ 參數模型（如 Llama 4、Qwen 3 等）；1M token 上下文互動速度流暢；可 Fine-tune 原本需要雲端 GPU 執行個體的模型規模。

開賣資訊：2026 年秋季在美國開賣；通路僅限 Microsoft.com 官網；價格尚未公布；一般消費者也可購買，非僅企業。當你在本機跑 120B 模型時，就不需要向 OpenAI/Anthropic 支付 API 費用——這對快速迭代開發者與嚴格資料駐留企業意義重大。

Mustafa Suleyman 在 Build 2026 說了一句格外直接的話：

「目標是證明我們能成為全球頂尖的四大 AI 實驗室之一。目前不在其中，但這正是我來微軟的目的——我要在全球範圍內建構最好的前沿模型，完全多模態，從零開始。」

目前公認的「三大」是 Google DeepMind、OpenAI、Anthropic。微軟公開承認自己不在其中——這本身就是重大戰略訊號。

已經做到的事（客觀優勢）：

• 獨立訓練能力：MAI-Thinking-1 全程無蒸餾，從零完成；
• 多模態覆蓋：文字推理、影像、語音、轉錄、程式設計已全覆蓋；
• 企業資料安全：商業授權資料、權重可控、Azure 資料駐留；
• 成本競爭力：同等任務成本據稱低於 GPT-5.5 10 倍；
• 產品分發通路：GitHub Copilot（數千萬開發者）、M365、Teams；
• MAI-Code-1-Flash 已上線，開發者已在用。

尚未追上的差距：

• SWE-Bench Pro：MAI-Thinking-1（52.8%）vs Claude Opus 4.8（69.2%）— 仍有約 16% 差距；
• 模型迭代速度：Anthropic 已到 Opus 4.8，OpenAI 已到 GPT-5.6；微軟第一代才剛出來；
• 訓練基礎設施：自研算力建設中，與 Google TPU、NVIDIA H100 叢集尚有差距；
• 生態工具成熟度：Claude Code、OpenAI Codex 生態累積更完善；
• MAI-Thinking-1 仍在私有預覽，一般開發者無法存取。

真正的變局：微軟在下一步棋——把 AI 競爭從「誰的模型最強」轉向「誰的系統最好用」：

• MAI-Code-1-Flash 內建於 GitHub Copilot，7,500 萬開發者每天都在用微軟模型，無需知道模型叫什麼；
• Surface RTX Spark Dev Box 把「本機 AI 主權」包裝成硬體產品；
• 企業資料可安全留在 Azure 內部並用於 Fine-tune MAI，掌握「資料飛輪」——而用 OpenAI/Anthropic API 的企業，資料反而在餵養競爭對手。

短中長期判斷：

• 短期（1–2 年）：純模型智力測試上仍落後 OpenAI 與 Anthropic 旗艦；第一代 MAI 可用但不是最強；
• 中期（3–5 年）：Suleyman 團隊「Hill-Climbing Machine」訓練體系成熟後迭代將加快；Azure 分發 + GitHub 生態，有真實機會進入「四大」；
• 核心洞察：比賽不一定是誰 benchmark 最高，而是誰在開發者工作流、企業資料主權與硬體側控制更多摩擦點——這一層微軟優勢比任何 benchmark 更難複製。

MAI 模型亦可在 OpenRouter、Fireworks AI、Baseten 等平台呼叫（Build 2026 宣布），權重可在這些平台直接 Fine-tune。

六步接入指南（以 MAI-Code-1-Flash API 為例）：

1. 建立 Azure OpenAI 資源：登入 Azure Portal，在目標區域建立支援 Foundry 的 OpenAI 服務執行個體。
2. 部署 MAI-Code-1-Flash：在 Azure AI Foundry Model Catalog 中選擇模型並建立部署端點。
3. 取得 API Key 與 Endpoint：在資源「金鑰和端點」頁複製 Key 與 HTTPS 端點 URL。
4. 設定 API 版本：使用 2026-05-01 或 Foundry 文件標註的最新預覽版本。
5. 用 OpenAI SDK 呼叫：見下方 Python 範例，model 參數填 mai-code-1-flash。
6. 申請 MAI-Thinking-1 私有預覽：造訪 Microsoft Foundry，在 Model Catalog 搜尋「MAI-Thinking-1」並提交存取申請；公開預覽預計數週內推出。

import openai

client = openai.AzureOpenAI(
    azure_endpoint="https://<your-resource>.openai.azure.com/",
    api_key="<your-api-key>",
    api_version="2026-05-01"
)

response = client.chat.completions.create(
    model="mai-code-1-flash",
    messages=[
        {"role": "system", "content": "You are an expert software engineer."},
        {"role": "user", "content": "Refactor this Python function to use async/await: ..."}
    ],
    max_tokens=2048
)
print(response.choices[0].message.content)

可引用硬核數據（EEAT）：

• MAI-Thinking-1 啟用參數：稀疏 MoE 總參數 ~1T，推理僅啟用 35B，推理成本顯著低於密集大模型
• MAI-Transcribe-1.5 速度：276× 即時，定價 $0.36/音訊小時
• MAI-Code-1-Flash 定價：輸入 $0.75/1M tokens，輸出 $4.5/1M tokens，SWE-Bench 51%
• Surface RTX Spark Dev Box：128GB 統一記憶體、1 PFLOPS、100W TDP，本機可跑 120B+ 參數模型
• 微軟 OpenAI 累計投資：過去七年超過 130 億美元；2025 年底新協議移除自訓規模限制

FAQ 速查：

• MAI-Thinking-1 現在可以用了嗎？目前私有預覽，須在 Azure Foundry 申請；公開預覽預計數週內推出。
• 真的能對標 Claude Opus 嗎？行銷說「對標 Opus 4.6」，技術報告實際是對標 Sonnet 4.6；目前 Opus 4.8 SWE-Bench Pro 69.2% vs MAI-Thinking-1 52.8%，差距約 16%。
• Surface RTX Spark Dev Box 多少錢？價格尚未公布，預計 2026 年秋季在美國 Microsoft.com 開賣。
• 開發者現在能用哪款？MAI-Code-1-Flash、MAI-Image-2.5、MAI-Transcribe-1.5、MAI-Voice-2 已正式上線；MAI-Thinking-1 需申請私有預覽。
• MAI 與 OpenAI 模型在 Azure 能共存嗎？可以，同一 Foundry 工作區可同時呼叫 MAI 與 GPT-5.6。
• MAI-Code-1-Flash 和 GitHub Copilot 什麼關係？已成為 Copilot 後端模型之一（CLI 與 VS Code 內聯建議），無需變更設定。
• 與 OpenAI 的核心區別？資料所有權——Azure 內 Fine-tune MAI 的資料承諾不離開你的環境，不用於訓練微軟基礎模型；對金融、醫療、法律客戶至關重要。

延伸閱讀與資訊來源（發版後請再次開啟連結核對）：

Microsoft AI — Introducing MAI-Thinking-1

MAI-Thinking-1 Technical Report (PDF)

Microsoft Build 2026 MAI Keynote Transcript

New MAI models in Microsoft Foundry

Surface RTX Spark Dev Box — Microsoft Devices Blog

The Verge — Microsoft and OpenAI broke up

VentureBeat — Microsoft AI chief on OpenAI contract

純雲端 MAI API 與 Surface Dev Box 本機推理各有短板：筆電無法 7×24 常駐 Agent 閘道、共享執行個體上多開發者搶占 GPU 導致上下文污染、以及 Windows 開發機休眠中斷長週期 Fine-tune。對於需要穩定跑 GitHub Copilot CLI、多 Agent 編排與 iOS CI/CD 流水線的生產環境，CALMVPS 裸機 Mac Mini 租賃提供獨占 Apple Silicon、120 秒交付與按月彈性計費：在獨立節點上設定 Azure Foundry 金鑰與 Copilot 工作流後，即可 7×24 承接程式設計與 Agent 任務，無需重構整套基礎設施。查看定價方案了解月租檔位。