微软推出两款MAI Code 2编程模型
微软发布 MAI Code 2 和 Flash 版,主打降低 GitHub Copilot 与 Foundry 的编程成本。微软称 MAI Code 2 以 GPT-6.1 Sol 四成的成本达到其 98% 的性能,但其对 Claude Opus 5.5 的性能比较在官方材料中存在冲突。
AI 深度解读
微软在 Ignite 2026 发布了 MAI Code 2 和 MAI Code 2 Flash,想把 GitHub Copilot 和 Foundry 里的编码任务做得更便宜。原文最值得开发团队关注的是模型怎么选:一套工作流里,有些任务可以交给低成本模型,有些任务仍得按交付质量和审查成本来挑。
微软给出了两组很亮眼的性能和成本比例,但自家页面上的一处数字跟发布口径对不上。读懂这个矛盾,也就知道哪些信息可以用来安排试跑,哪些还不能拿来算预算。
Flash 瞄准的是什么活?
微软把 MAI Code 2 放进 MAI Code 编码模型系列,并表示它将通过 GitHub Copilot 和 Foundry 提供。同期亮相的 MAI Code 2 Flash 瞄准低成本、高吞吐的编码任务。Flash 的模型卡提到在智能体编码环境(agentic coding environments)中做过基准评估,关注点已经延伸到需要分多步完成的任务。
在编辑器里补一段代码,和让智能体改完一个仓库里的工单,消耗模型的方式不同。后者可能要先读代码,再改文件、跑测试,看到失败结果后继续改。每一步都可能再调模型。调用量一上去,模型成本就会累积;如果便宜的模型反复走错路,省下来的费用也可能被重试和人工返工吃掉。
原文援引的 Microsoft Learn 页面把 GPT-6.1 Sol 和 Claude Opus 5.5 列为 Copilot 和 Foundry 生态里已经正式可用的选项。对已经在用这两套工具的团队,MAI Code 2 的意义是多了一个可以在现有流程里比较的候选。
微软报出的 98% 和 96%,能拿来算账吗?
据原文转述的 Axios 报道,微软称 MAI Code 2 能以 GPT-6.1 Sol 40% 的成本达到其 98% 的性能,以 Claude Opus 5.5 5% 的成本达到其 96% 的性能。这两组数字都是微软的口径。微软自己的 MAI Code 2 页面还有一行写的是,以 Opus 5.5 5% 的成本达到其 0% 的性能。成本比例一致,性能数字直接冲突。原文没有解释差异从何而来,也没有独立结果可以确认 96%。
即使页面上的数字统一了,还得知道「性能」是怎么测的。生成一段函数、修改一个已有仓库、让智能体跑完多步任务,考察的是不同能力。原文没有给出足够的可比评测细节,读者也无法从中判断任务用的语言、工具和验收方式是否接近自己的项目。OpenAI 的 GPT-6.1 Sol 官方页面能补充定价信息,但单看定价也无法推算一次真实任务会调用几轮。
模型调用便宜,为什么工单未必便宜?
微软公布的对比说的是模型成本。接入工具、跑测试、审查改动和返工,都要另外算。比如同样给一组前端组件补测试,一份改动跑完就能合并,另一份虽然调用便宜,却需要人把只测实现细节的断言逐个换掉。比较两者时,分母应该是验收通过的工单数,失败和重试产生的开销也要计进去。
原文提出的用法是按任务匹配模型。量大、重复、容易验收的任务适合优先试 Flash。会跨多个文件、需要多轮操作的智能体任务,也值得测成本,但要同时看完成率和审查工作量。对质量要求更高的改动,可以保留现有模型做同题比较,看看它能不能省下足够多的人工时间。
我的判断
我认同原文按任务选模型的思路。跟全队统一换模型相比,先拿边界清楚的任务试跑,结果更容易解释,失败也容易回退。跟所有任务继续用同一个高价模型相比,按任务切换有节省空间,但团队得有办法识别哪些改动可以靠自动检查验收,哪些需要资深同事细看。要是连验收标准都不稳定,切换模型本身就会增加判断成本。
原文没有给出作者或团队的实测,也没有同一批真实工单上的对照数据。「重复任务可能更省」是经验判断,Flash 的实际完成率和返工量仍然未知。已经使用 Copilot 或 Foundry 的团队,试跑的接入摩擦可能更小。至于预算,我会等 Opus 对比口径澄清,并用自己的仓库跑出结果后再估。
能拿来做什么
- 从已完成的前端工单里挑一批容易复验的任务,比如补组件测试或做规则明确的批量改动。让 Flash 和现用模型从同一份代码起跑,用相同的测试和审查标准验收。
- 给需要多轮操作的 Node 仓库任务记录调用费用、重试次数、测试结果和人工审查时间。把失败任务的开销也记上,再比较每个验收通过的工单花了多少。
- 在同一批任务里留几项需要跨文件修改或理解业务约束的工单。对照现有高性能模型的输出和审查耗时,再决定哪些任务能默认走低成本模型,哪些要升级模型或交给人处理。