Microsoft 在 Ignite 发布 MAI 系列模型以替代自家产品中的外部 AI 模型
Microsoft AI(MAI)在 Ignite 上一次性发布七个新模型,主打以更低成本替代其产品中使用的 OpenAI 模型。
Microsoft AI(MAI)在 Ignite 上一次性发布七个新模型,主打以更低成本替代其产品中使用的 OpenAI 模型。
Microsoft 在 Ignite 2026 上发布 MAI 系列七款模型,包括 MAI Cyber 2 Flash、MAI Code 2、MAI Image 2.7 等,主打高性价比。
微软于11月17日正式推出决策AI模型 Microsoft-Decision-1.1,目前已在 Microsoft Foundry、OpenRouter 和 Vercel 平台上线。
微软在 Ignite 2026 大会上发布其首款语音对语音模型 MAI Realtime 1,基础语音使用费为每音频分钟 0.01 美元,涉及推理时按每百万输入 token 1 美元、每百万输出 token 5 美元计费。
推荐理由:原文给出了MAI Realtime 1 的定价结构、与 GPT Realtime 2.1 的基准对比以及 API 兼容范围,读者可据此判断其实际成本与迁移门槛。
微软在 Ignite 2026 上宣布 Dragon Copilot Transcribe 正式采用 MAI-Transcribe-2,承担全部医患对话转写任务,并实现多语言工作流约 50% 的错误率下降。该模型月处理约 1000 万次患者就诊场景,覆盖全美约三分之一医师,支持多种语言及混说场景,FLEURS 60 种语言平均词错误率为 5.2%,限时价格为每小时音频 0.10 美元。
微软发布 MAI Image 2.7 及 MAI Image 2.7 Flash 图像生成与编辑模型,并在 Microsoft Foundry 开启公开预览,每千张成本分别约为 35 美元和 10 美元。
微软 AI 部门发布面向企业安全团队的专用网络安全 AI 模型 MAI Cyber 2 Flash。该模型在 CyberGym-E2E 基准上取得 92.3% 的任务成功率,略高于 GPT-6 Astra 的 91.5%,且每任务成本不足后者的 2%。
微软在 Ignite 2026 活动发布 MAI Code 2 和 MAI Code 2 Flash,并在 GitHub Copilot 上线。MAI Code 2 单次任务成本为 $0.309,约为 Claude Opus 5.5 的 5%,性能达到 GPT-6.1 Sol 的约 98%。
Microsoft 发布首个语音转语音模型 MAI Realtime 1,基础语音交互价格为每分钟 $0.01。该模型在 Big Bench Audio 和 Tau-Voice 基准测试中在质量、速度和价格方面优于 GPT Realtime 2.1,并兼容 OpenAI Realtime API 以简化迁移。
Microsoft 宣布推出针对编码和网络安全领域的 AI 模型。
Microsoft 发布 MAI-Code-1.1-Flash,这是一个 137.9B 参数的 MoE 编码模型,已通过量化将权重从 276GB 压缩至 53GB,使其能在配备 128GB 统一内存的 NVIDIA RTX Spark 设备上本地运行。
微软发布 MAI-Image-2.7-Preview 图像编辑模型,宣布其在全球图像编辑模型中排名第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst (max)。
Nvidia 发布 Nemotron 3.5 Super VL 及轻量级 Bolt 模型,Super VL 为 120 亿参数大模型,支持企业级 Agent 任务,并声称在特定任务上快于 Anthropic 和 OpenAI 模型。
微软发布前沿预训练基座模型MAI-Base-2,Mustafa Suleyman表示其性能强于OpenAI的GPT-5.6 Sol基座模型(绰号Spud),且训练算力消耗仅为后者的四分之一。微软使用了对OpenAI系统的技术信息进行私下对比,公开宣称在最大AI合作伙伴面前占据优势,表明微软正在认真对待前沿模型的独立研发。
微软宣布完成新一代基础模型 MAI-Base-2 预训练,性能强于所有参测开源权重模型,总参数规模 2.8T、活跃参数 80B。该模型在 6,000 个 NVIDIA GB200 GPU 上训练 38 天,平均浮点算力利用率 21%,有效吞吐量 89%,微软称其预训练算力效率是 DeepSeek-V4-Pro-Base 的 4~12 倍。
Meta 和苹果合作,可在两台配备 512GB 统一内存的 Apple M5 Ultra Mac Studio 上,通过 MLX 框架本地运行 Meta 开源权重模型 Muse Spark Open。
Microsoft AI 完成 MAI-Base-2 预训练,该 MoE 模型拥有 800 亿激活参数和 2.8 万亿总参数。MAI-Base-2 在保留评估中优于 DeepSeek-V4-Pro-Base,其预训练效率比参考模型高 4-12 倍。
推荐理由:Microsoft 公布了 MAI-Base-2 预训练细节,包括 scaling 法则、MoE 优化和数据管道,展示了前沿基础模型的构建路径。
vLLM Semantic Router团队开源了Decision 3.0系列多模态决策模型,包含0.6B至27B参数的六款模型,支持对图片、视频进行判断,不生成长篇文本。
推荐理由:开源模型直接对标Jev,支持本地部署和多模态输入,为构建结构化AI判断流程提供了可自托管方案。
微软正式发布 Maia 300 人工智能芯片,基于台积电 N2P 制程工艺打造,计划 2027 年部署。Maia 300 配备 288GB HBM4 内存,带宽达到 18TB/s,FP4 算力可达 13.8 PFLOPS。该芯片采用多芯粒设计,SoC 功耗额定值为 950W,双向扩展互连带宽达到 3.2TB/s,单个机架可容纳 96 颗芯片,最多可组建包含 12000 颗加速器的集群。
Microsoft 发布基于 Qwen3.5-9B 构建的决策模型 Decision-1,36 项 benchmark 测试中准确率最高。 模型在 15 万道题目中达到 83.5% 准确率,85ms 延迟,比次优模型快 2.5 倍,输入成本 $0.042/M tokens,输出免费,已在 Microsoft Foundry 和 OpenRouter 上线。
summary_zh: Microsoft 发布基于 Qwen3.5-9B 的 Decision-1 模型,用于加速结构化决策任务,涵盖分类、评估及路由等场景。
微软于当地时间 10 月 9 日宣布推出专用于结构化决策任务的 Microsoft-Decision-1 模型,该模型现已上线 Microsoft Foundry 和 OpenRouter。
Anthropic 发布最快且最廉价的小模型 Claude Haiku 5.5,平均成本比前代低 75%,在 100k tokens 以内请求中价格最高可降 90%。
同一新闻,精选展示《Claude Haiku 5.5 上线 AWS》
微软在 10 月 7 日的活动上表示,计划将 MAI Code 1.1 Flash 模型引入 Windows 11 设备,该模型含 1300 亿个参数,采用 3-bit 量化、上下文窗口 256K,且已集成到 GitHub Copilot 与 VS Code 用于编码、仓库问答、重构和工具调用。
谷歌于 2026 年 10 月 7 日发布 Nano Banana 2.1,这是其 AI 图像生成与编辑模型的升级版本。该模型主要在视觉设计、蒙版编辑和主体一致性三个方面做出改进,支持 1K、2K 和 4K 分辨率输出,并开放给开发者使用。
Aleph Alpha 发布开放权重 LLM Kolibri,采用 781 亿参数 MoE 架构,每个 token 激活约 3.46 亿参数,支持德语和英语。该模型使用 Apache 2.0 协议,在 Hugging Face 提供权重,支持 26 万原生上下文及 100 万扩展上下文,需约 78 GB 显存。
推荐理由:通过对比tokenizer效率与幻觉抑制测试,帮助读者判断该模型在本地化部署与多语言推理中的实际可用性。
Anthropic 发布 Claude Sonnet 5.5,官方称其速度提升超 30%,AI 分析指数得分 56,在多项基准测试中性能对标 Opus 5.5。开发者实测发现该模型处理复杂任务时单任务成本可能达到 7.60 美元,且部分场景下构建成本高达 177 美元,性价比引发争议。
推荐理由:新模型性能逼近旗舰但实际单任务成本偏高,展示了中端模型升级后的真实成本效益。
Microsoft Research 发布 GigaPath-Flash 与 GigaTIME-Flash,通过蒸馏技术将计算成本降低约 50 倍,性能保持在与原版 GigaPath 3% 以内,并采用 Apache 2.0 协议开源。
Microsoft Research 发布 Skala 1.1 深度学习 DFT 泛函,其训练数据量较前代增加 2.5 倍,在 GMTKN55 基准测试中实现加权平均误差 2.8 kcal/mol,精度超越顶级全局杂化泛函且保持 meta-GGA 计算成本。
智谱发布GLM-5.3,基座未变但通过极致后训练Scaling显著提升编程与网络安全能力:内部编程体感较GLM-5.2提升50%,Terminal-Bench 3.0从4.6升至28.3;网络安全上CyberGym达84.5%,ExploitBench 54.4%,ExploitGym两小时完成105项漏洞利用任务。
推荐理由:后训练Scaling带来更强编程与网络安全防御能力,开源与“开源的盾”计划让前沿安全能力不再只属于少数闭源机构。
Mistral AI 发布最新旗舰语言模型 Mistral Large,其在 MMLU 等基准测试中位列全球 API 可用模型第二(仅次于 GPT-4)。该模型原生支持英语、法语、西班牙语、德语和意大利语,拥有 32K 上下文窗口,并具备函数调用功能。
推荐理由:Mistral Large 在 MMLU 等基准上表现强劲,且与 Azure 的合作为多语言推理场景提供了企业级 API 访问途径。
VQ-Diffusion 是中科大与微软提出的条件潜扩散模型,其加噪和去噪过程在由离散向量组成的量化潜空间上进行。文中介绍了 VQ-VAE 编码器将图像转换为离散 token 的流程,并解释了基于 Transformer 的近似逆向过程。