MAI Code 2 Flash 面向高频代码修改
微软发布 MAI Code 2 和面向日常编码的 Flash 版,两者都采用稀疏混合专家架构,Flash 约有 120 亿活跃参数和百万 token 上下文。微软在选定评测中给出的 Flash 成本约为 GPT-6 Luna 的 65% 和 Claude Haiku 5.5 的 20%。
AI 深度解读
微软把 AI 编程拆成了两笔账。日常改代码、排查报错、跑终端命令,调用频繁,单次成本会不断累积。遇到更难的任务,则可以为更强的模型多花一点。MAI Code 2 Flash 面向前一类,MAI Code 2 面向后一类。
微软给出的核心卖点是,Flash 在三项日常编程评测里和同档模型表现相近,相对成本更低。对已经在用 AI 写代码的团队,这组数字适合用来挑选试用对象。能否省下预算,还得看模型交出的代码有多少能直接通过团队的验收。
Flash 便宜多少,微软测了什么
微软称,MAI Code 2 Flash 在三项面向日常、高频编程的基准评测里,表现与 GPT-6 Luna 和 Claude Haiku 5.5 相近,成本分别是两者的 65% 和 20%。原文未列出这三项评测的名称和单项分数,也没有美元报价。把 20% 直接代入团队账单,会漏掉实际任务中的重试、转用其他模型和人工修正。
大模型 MAI Code 2 的比较覆盖四项评测,分别是 DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 和 FrontierCode v1.1。按微软给出的数字,MAI Code 2 达到 GPT-6.1 Sol 约 98% 的表现,成本约为其 40%。对比 Claude Opus 5.5,它达到约 96% 的表现,成本约为其 5%。这些百分比描述的是微软在所选评测中的比较,具体到某项任务,原文没有提供足够的分数来判断差距。
两个模型怎么分工
两款模型都采用稀疏混合专家架构(Mixture-of-Experts)。可以把它理解成模型内有多组负责计算的模块,每个 token 只用到其中一部分。Flash 约有 120 亿活跃参数,上下文窗口为 100 万 token。活跃参数指参与计算的参数。上下文窗口则表示一次处理能容纳多长的代码、日志和对话。原文只说 MAI Code 2 更大,没有披露它的参数量。
按微软的说法,两款模型都可通过 GitHub Copilot 使用,Flash 还可以通过 MAI Foundry 部署。微软提到了仪表盘、可视化编程和自家产品里的生产使用,但原文没有给出这些场景的任务成功率。模型卡也提到了部署和风控,原文没有展开具体措施。把高频任务交给 Flash、遇到困难再切到 MAI Code 2,是原文据此提出的一种团队做法。微软在所引材料里没有交代自动路由策略。
我的判断
用任务难度分配模型,适合从验收条件明确的工作开始。比如修一个能稳定复现的 Node 报错,或者给现有 React 组件补一个有明确预期的测试,都可以用现有检查判断改动是否可用。跨包重构就难得多。即使补丁通过了类型检查,开发者也可能花不少时间核对行为变化,一次调用省下的钱容易被返工抵消。
原文转述的是微软自己的评测,没有作者独立复测,也没有同一代码库里「全程用大模型」和「先用 Flash、失败再升级」的成本与通过率对照。分档使用目前只能当作经验建议。一直用同一个大模型,省去了判断何时切换的步骤。分档使用能不能更划算,取决于 Flash 有多少任务能一次通过,失败后又要付出多少额外成本。对团队而言,每项通过验收的任务花了多少钱、用了多少人工时间,比单次调用的相对价格更有参考价值。
能拿来做什么
- 从近期已经解决的 React 小改动、Node 报错和终端排障里挑几项高频任务,给不同模型相同的仓库上下文和工具权限,跑同一套类型检查与相关测试。
- 记录每项任务的一次通过情况、重试次数、可见的调用费用和人工修改时间。需要切换模型时,把两次调用都算进这项任务的成本。
- 先在 GitHub Copilot 里试行手动分工。能用现有测试迅速验收的任务先试 Flash,连续修补仍过不了检查,或改动范围超出预期时,再切到 MAI Code 2。