微软自研编码模型进入 Copilot
MAI Code 2 和面向高吞吐任务的 Code 2 Flash 已在 GitHub Copilot 和 Microsoft Foundry 正式可用。微软自测显示 Code 2 的编码表现接近所选 GPT 和 Claude 模型,成本对比采用了限时五折价格。
AI 深度解读
微软把自研编程模型 MAI Code 2 和 MAI Code 2 Flash 放进了 GitHub Copilot。原文最值得关注的是微软给出的性价比主张:在自家评测里,MAI Code 2 拿到了两款对手 96% 至 98% 的平均编程成绩,成本分别约为对手的 5% 和 40%。
对每天用 Copilot 改代码的团队,选模型可以具体到每一类任务。局部修复用便宜模型能不能一次过?跨文件改动又会不会因为返工反而更贵?微软的跑分提供了试用理由,团队自己的任务才能回答这两个问题。
两款模型怎么选
11 月 17 日,微软在旧金山的 Ignite 2026 发布了 7 款自研 MAI 模型。两款编程模型当天正式可用,入口包括 GitHub Copilot 的模型选择器、Copilot Fusion 和 Microsoft Foundry。这是微软首次把自研编程模型作为 Copilot 的正式选项,与 OpenAI 和 Anthropic 的模型并列。
MAI Code 2 是面向智能体编程的旗舰款。微软把它定位在深度调试、多文件实现、全仓库推理、UI 开发和将代码交付到生产的任务上。MAI Code 2 Flash 更小、更快,面向代码解释、局部编辑、常规修复和快速迭代这类高频工作。微软也明确说,两款模型目前都还没有针对基础科学研究或超长时间运行的智能体任务做调优。
96% 至 98% 的成绩是怎么算的
按微软自己的测试,MAI Code 2 的平均编程成绩达到 GPT-6.1 Sol 的 98%,成本约为后者的 40%。和 Claude Opus 5.5 相比,成绩达到 96%,成本是后者的 5%。两组数字都取自四项基准的平均值,分别是 DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 和 FrontierCode v1.1。
这里有两个口径。98% 和 96% 是相对平均成绩,无法直接换算成你仓库里的任务通过率。40% 和 5% 则按限时五折促销价计算,活动结束后价差会收窄。原文没有给出独立复测结果,也没有给出 Flash 的对应跑分或成本对比。
模型选择器为什么影响团队成本
模型选择器让你手动换模型,Copilot Fusion 则可以在模型之间路由,也就是把不同任务交给不同模型。原文认为,如果低价模型能稳定完成常规工作,团队就有理由把更贵的模型留给难查的故障或复杂的跨文件修改。
作者也把这次上线放进微软的平台策略里看。除了让自研模型进入 Copilot,微软还将把 GPT 6.2 引入 Foundry,并通过 MAI Licensed Weights 向可信客户开放微软 AI 模型的权重。作者据此判断,微软想掌握更多自己出售的技术环节。原文没有给出它对 OpenAI 的依赖已经下降多少。
我的判断
按任务选模型,比全团队固定用一款高价模型更有机会省钱,前提是便宜模型能在本团队的代码库里稳定交付。比如改一个组件的交互文案和排查跨包的状态同步故障,审查和验证的成本差很多。前者一次通过,低价就有价值。后者如果多跑几轮,还要人手动收拾改动范围,账面价差很容易被吃掉。
微软给出的是自测跑分和促销期成本。至于自动路由比手动选模型能省多少、实际有多少任务需要升级模型,原文没给对照数据。作者提到的「最难的 20%」是个待验证的问题,团队可以用自己的任务记录来估算。
能拿来做什么
- 从最近合并的 PR 里挑几项局部修复和跨文件改动,用同一份任务描述和验收条件试跑。局部改动先试 MAI Code 2 Flash,跨文件实现先试 MAI Code 2,并用团队当前的默认模型作对照。
- 每次试跑记录测试是否通过、有没有改到任务范围之外、返工几轮,以及审查花了多久。能拿到账单数据时,按最终验收通过的任务算成本,再用常规价重算一遍。
- 试用 Copilot Fusion 时,拿同一批任务和手动选模型的结果做比较,记录哪些任务需要重新分配模型,再决定哪些日常工作适合交给自动路由。