微软在 11 月 17 日的 Ignite 2026 上一口气放出七款 MAI 品牌模型,七款的叙事是同一条:不追求通用智能,只追求在某个具体岗位上、以某个具体价格把活干完。
发了什么
这批包括企业编码用的 MAI Code 2 和 Code 2 Flash、做安全工作的 Cyber 2 Flash、图像模型 Image 2.7、实时语音 Realtime 1,其余几款填的是同一逻辑下的窄槽位——小、专、按量用得起,而不是拿来演示。
最该被验证的那句话
微软说 MAI Code 2 在编码任务上能达到 GPT-6.1 Sol 约 98% 的质量,价格约为其四成。如果这在真实仓库上成立,这就是整场发布里商业意义最大的数字,因为编码才是企业真正按量付费的负载。
两个保留。所谓 98% 几乎肯定是整个基准集的平均值,而编码质量不是线性的——最后那两个百分点通常住着跨文件重构和隐蔽的并发 bug。另外,一个多错二十分之一的模型即便便宜六成,把工程师抓错的时间算进去,也很可能更贵。
为什么专用模型在赢
前沿模型被训练成「什么都能接受」,而这份通用性你要按每个 Token 付费。一个编码模型可以砍掉多模态分支、长文写作调优、以及只在消费级聊天里才需要的安全行为,把省下来的投到价格和延迟上。
这套模式还顺带解决采购问题。那些不放心把代码发给通用助手的公司,往往能接受一个只面向代码、且托管在自己租户里的模型。划定范围既是成本论证,也是安全论证。
安全模型值得单看
Cyber 2 Flash 值得从另一个角度看。安全工作是最典型的「既要快、又要便宜、还必须被严格限制」的场景——你要它大量读日志,又不要它自作主张。一个为这活儿训出来的模型,比一个被提示词硬拽过去的通用模型,在审计时好解释得多。
缺的部分
没有独立评测,Code 系列也没有公开上下文窗口和工具调用行为。对 Agent 编码来说,工具调用比裸质量更重要,而厂商很少把它放在首页。
价格也不止那个比例:四成是只针对缓存输入,还是输入输出都算,会实质性改变对比结果。
怎么测
把仓库最近十次修 bug 的提交还原成任务重跑一遍。评分看补丁能不能应用、测试过不过,不看 diff 写得好不好看。然后算「每个被合并补丁的成本」,把人审时间算进去。决定要不要换的是这个数,不是那个 98%。