2026 年 8 月标志着微软第一方 AI 战略的一个转折点。MAI 模型家族——完全在微软自有的 Maia 200 芯片上内部训练——现已开始路由生产环境中的 Copilot 流量。Phi-4 以 MIT 许可证覆盖七个边缘场景。Florence-2 支撑着整个 Azure AI Vision，但面临 30 天内关键旧版 API 退役的期限。而 Aion 1.0 正准备取代 Phi Silica，成为 Windows 的端侧模型。如果你正在绘制自己的 AI 依赖关系图，本周正是重新评估"Copilot 驱动"在底层到底意味着什么的时候。
MAI 家族：从 Build 大会发布到生产流量
在 Build 2026 大会上，微软 AI 首席执行官 Mustafa Suleyman 发布了 MAI 家族——七个使用"Hill-Climbing Machine"流水线从零训练的模型。完全不蒸馏自 OpenAI、Anthropic 或任何第三方实验室。所有模型均运行在 Maia 200 加速器上：3nm 芯片，拥有 1400 亿晶体管和 216GB HBM3e。
三个月后，这不再是一个路线图故事。彭博社在 7 月证实，如今数以万计的 Excel 和 Outlook 提示词被路由到 MAI 模型，而非第三方 API。Microsoft 365 Copilot 作为任务分类编排层运作——邮件起草、话题摘要、电子表格公式、VS Code 编码、图像生成和安全扫描全部路由到 MAI。GPT-5.6 等前沿第三方模型仍是复杂多步推理的"首选模型"，但普通任务层现在属于 MAI。
MAI-Code-1.1-Flash：便宜 75%，原生支持视觉
MAI-Code-1.1-Flash 于 8 月 11 日正式发布（GA），成本较上一代降低 75%——输入 $0.20/百万 tokens，缓存 $0.02/百万，输出 $1.20/百万。Token 流式传输快 25%，任务消耗的 token 少 25%，并新增原生视觉输入，支持截图转代码工作流。基准测试：SWE-Bench Verified 72.6%，Terminal-Bench 2.1 62.9%（提升 22%），.NET 任务提升 15%。现已覆盖所有 GitHub Copilot 层级。MAI-Code-1-Flash 将于 9 月 10 日弃用——请立即迁移。
MAI-Thinking-1：旗舰推理模型公开预览
MAI-Thinking-1 于 8 月 12 日在 Foundry 进入公开预览。总参数约 962B / 激活参数约 34.7B，上下文 256K，是微软的前沿推理模型。自报成绩：AIME 2025 97.0%，AIME 2026 94.5%，SWE-Bench Pro 约 52.8%——与 Claude Opus 4.6 相当。定价待定。
MAI-Image-2.6 与 MAI-Cyber-1-Flash
MAI-Image-2.6 于 8 月 10 日进入私有预览，随即在 Arena 文生图榜单上位居第二（1336 Elo），并在 3D 图像类别中排名第一——在该类别击败 GPT Image 2。显著进步：文本渲染 +91 Elo，整体较 2.5 版本 +79 Elo。
MAI-Cyber-1-Flash 于 8 月 3 日作为 Project Perception 的一部分进入公开预览。它以 GPT-5.4 一半的计算成本处理 90% 的漏洞扫描，CyberGym 得分从 88.4% 跃升至 95.95%。
Phi-4：边缘产品组合持续深化
Phi-4 家族仍是业界最全面的小语言模型组合——七个 MIT 许可变体，参数规模覆盖 3.8B–15B。没有任何其他厂商能达到这样的广度。
Phi-4（14B）在 MMLU 上以 84.8% 的成绩媲美 Llama 3.3 70B，而显存占用少 4–5 倍。Phi-4-mini（3.8B）可在 8GB 内存和 Raspberry Pi 5 上运行，已随 Windows 12 Copilot+ PC 出货，在纯 CPU 模式下于 Intel Xeon 6 上达到 1,955 tokens/秒。Phi-4-reasoning-vision-15B 将 SigLIP-2 视觉编码器与 Phi-4-Reasoning 骨干网络配对，支持推理模式切换和屏幕接地（screen grounding）——使其成为 15B 参数规模下最佳的本地视觉推理候选。
Azure 定价：输入 $0.07/百万，输出 $0.14/百万，混合 $0.088/百万。Phi-4 视觉和音频变体预计 10 月推出。
对 CTO 的战略价值：离线、本地部署和数据主权 AI 部署，零许可摩擦。
Florence-2：旧版 API 的 30 天期限
Florence-2 仍是微软的视觉基础模型，为 Azure AI Vision Image Analysis 4.0 提供支撑。目前没有规划 Florence-3——微软优先考虑稳定性而非发布速度。该模型以单一权重集处理 12 种以上的视觉任务：检测、分割、描述、接地、覆盖 164 种语言的 OCR，以及密集区域描述。
关键提示： 旧版 Azure Vision API（v1.0–3.1）将于 2026 年 9 月 13 日退役——距今 30 天。请在此之前迁移到基于 Florence-2 的 Image Analysis 4.0 SDK。Florence-2-large（770M）在 TextVQA 上达到 81.5%（无需外部 OCR），LoRA 微调在专用数据集上显示超过 98% 的精度。原生 C#/.NET NuGet 包支持本地 ONNX 执行。
这是硬性退役，而非软性弃用。
Aion 1.0：端侧过渡
Aion 1.0 是微软的"不限量智能"布局——零云依赖，每次推理零边际成本。Aion 1.0 Instruct（轻量级 SLM）可在 CPU/GPU/NPU 上运行，无需专用 GPU；现已通过 Edge Canary 提供开发者预览，10 月 1 日开放独立测试，11 月 24 日正式发布（GA）。值得注意的是，它取消了曾让 Phi Silica 令开发者头疼的 Limited Access Feature token 要求。Aion 1.0 Plan（14B，32K 上下文）处理端侧智能体工作流——推理、工具调用、子智能体编排——并通过 Windows Agent Framework 随 Copilot+ PC 出厂内置。
Phi Silica 正被逐步淘汰：5 月的 AMD 优化将响应速度提升了 30%，但该模型将于 11 月 24 日从零售设备中移除。微软表示，LanguageModel 和 ImageDescription API 的兼容性将得到保留。
研究发布：Orchard 与 EvoLib
微软研究院本月发布了两个 MIT 许可框架。Orchard（8 月 3 日）是一个用于训练 AI 智能体的 Kubernetes 原生框架——领域配方在约 3B 激活参数下于 SWE-bench Verified 达到 69.7%，GUI 智能体在 WebVoyager 上达到 74.1%。EvoLib（7 月 30 日）通过测试时学习（test-time learning）在数学、代码和智能体任务上带来 11–20% 的提升，且不改变模型权重。两者均围绕黑盒 LLM 运作。
全栈布局
微软现在是与 Google 和 Apple 并列的、拥有完整 AI 产品组合的三家公司之一：定制芯片（Maia 200）、云前沿模型（MAI）、开放权重边缘 SLM（Phi-4）、端侧模型（Aion 1.0）、视觉基础模型（Florence-2）、编排（Copilot 路由）以及智能体框架。整个技术栈可以在无第三方依赖的情况下端到端评估——尽管对大多数企业而言，混合路由仍然务实。
行动清单
- 在 9 月 10 日前将 MAI-Code-1-Flash 迁移到 1.1-Flash —— 节省 75% 成本并获视觉输入
- 在 9 月 13 日前将旧版 Azure Vision API 迁移到 Image Analysis 4.0 —— 硬性退役
- 更新 Copilot 依赖假设 —— MAI 模型现已处理大多数普通任务，影响成本和数据驻留规划
- 评估 Aion 1.0 用于端侧场景 —— 10 月 1 日开放测试包；Phi Silica 过渡截止日期为 11 月 24 日
- 测试 Phi-4-mini 用于离线/边缘部署 —— 在 8GB 内存的企业硬件上即可运行
Kevin Kaminski 是 Big Hat Group Inc. 的创始人，该公司是专注于 AI 采用战略的微软合作伙伴。关注 https://x.com/kkaminsk 获取对微软 AI 模型生态系统的持续分析。