此次发布的旗舰模型 MAI-Thinking-1，被微软定义为在 " 干净数据 " 上从头训练的产物，未采用第三方模型的蒸馏技术。该模型拥有 350 亿活跃参数，采用混合专家架构（MoE），支持 256k 令牌长上下文窗口，足以容纳约 600 页文档，并具备函数调用及灵活的开发者指令添加功能。
极致性价比与内部落地
成本控制是 MAI 系列模型的关键优势。微软声称，在取得相似或更佳效果的前提下，MAI 模型的成本仅为其他前沿模型的 1/4 到 1/2。随着计费模式转向按实际令牌用量收费，微软已将 MAI-Code-1-Flash 设为 GitHub Copilot 的默认模型。数据显示，相较于此前在 GitHub Copilot、VS Code 和 Excel Copilot 中使用的 Claude 模型，新模型所需的令牌量最多减少 60%。
目前，MAI 模型已在微软生态中广泛落地：MAI-Image-2.5 服务于 PowerPoint 和 OneDrive，MAI-Transcribe-1.5 负责 Copilot、Teams 及 Dynamics 365 联络中心的转录工作。此外，MAI 模型还将登陆 Windows 系统，首批支持配备全新 NVIDIA/MediaTek N1X SoC 的 Arm 设备，通过本地化部署进一步降低用户与企业的双边成本。
打造数据护城河与安全壁垒
微软正利用 MAI 模型构建其商业护城河。通过对 Thinking-1 进行微调，微软在 Excel Copilot 等场景中实现了与 GPT-5.4 相当的效果，但成本效率高出 10 倍。这一能力同样向企业客户开放，例如为麦肯锡和 Land O ’ Lakes 定制的私有模型，在处理特定工作负载时，成本效率均比 GPT-5.5 高出 10 倍。
在安全与合规层面，微软强调 Thinking-1 专为安全性训练，而非事后加装护栏。模型完全基于公开可用且授权的人类生成数据（涵盖网页、代码、书籍等 30 万亿令牌）从头训练，坚决不使用预训练期间由语言模型生成的合成数据，也不使用开源训练数据集。这一策略旨在帮助企业规避类似 Anthropic 所面临的数十亿美元版权和解风险，确保数据隐私与治理水平。
除了 Azure 和 Foundry 平台，MAI 模型也已上架 Fireworks、Baseten 和 OpenRouter 等第三方平台，显示出微软向外输出能力的决心。
" 爬山法 " 与人文主义视角
微软将其构建 MAI 模型及提供前沿调优服务的过程称为 " 爬山法 "（hill climbing）。这一增量优化术语，相较于 Anthropic 和 OpenAI 推崇的 " 递归自我改进 " 概念，显得更为稳健和令人安心。
微软 CEO 萨提亚 · 纳德拉在演讲结尾重申，人工智能的宗旨是服务人类而非取代人类。他呼吁行业避免技术集中权力、削弱人类能动性的局面，这与当前部分前沿实验室的夸张论调形成了鲜明对比。通过提供更优的经济效益、治理水平及更低的风险承诺，微软正试图在企业级 AI 市场确立新的竞争基准。
【星途科讯 图文丨司徒景琛】
