如果說 Build 2025 標誌著 Microsoft 打造自有 AI 模型的意圖，那麼 Build 2026 就是交付成果的一年。
6 月 2 日，Microsoft 揭曉了七個內部 MAI（Microsoft AI）模型——這是其第一方 AI 有史以來最大規模的發布。由 Mustafa Suleyman 的團隊從零開始開發，零蒸餾自 OpenAI 或任何第三方，這是 Microsoft 宣示自己是模型建構者，而非經銷商。
對 CTO 與工程主管而言，訊號很明確：Microsoft 自有的模型生態系已達到臨界規模。以下是本次發布的內容、其意涵與未來方向。
MAI 系列：七個模型，一個策略
Build 2026 主題演講以 MAI 模型系列為核心——這是 Microsoft 建構於「Hill-Climbing Machine」訓練管線之上的全新旗艦專有 AI 模型線。
MAI-Thinking-1：真正的前沿競爭者
最受矚目的是 MAI-Thinking-1，一個稀疏混合專家模型，約 350 億個活躍參數（總計約 1 兆），以及 256K 權杖的上下文視窗。
基準測試將其置於前沿等級領域：
- AIME 2025： 97.0%
- AIME 2026： 94.5%
- SWE-Bench Pro： 53% — 在編碼方面匹敵 Claude Opus 4.6
- 盲測人類評分者（透過 Surge）在並排評估中偏好它勝過 Sonnet 4.6
Microsoft 將其定位為「該層級中成本效益最高的前沿等級模型」。至關重要的是，該公司僅以商業授權資料從零開始訓練——沒有蒸餾自 OpenAI 或任何其他外部模型。對於一直警惕其他前沿模型中 IP 污染風險的企業買家而言，這點至關重要。
MAI-Code-1-Flash：專為開發者工作流程打造
在 50 億參數下，MAI-Code-1-Flash 的表現遠超其規模。在 SWE-Bench Pro 上獲得 51.2% 的分數，它在所有四個核心編碼基準上都以 16 個百分點的差距（51.2% 對 35.2%）超越 Claude Haiku 4.5，同時使用最多 60% 更少的權杖。
此模型直接在 GitHub Copilot 生產環境與授權程式碼儲存庫上訓練，已跨越所有 Copilot 層級推出——Free、Student、Pro、Pro+ 與 Max。它可直接從 VS Code 模型選擇器中選用。對於大規模運作 Copilot 的團隊而言，僅權杖效率就能轉化為可觀的成本節省。
支援性 MAI 模型：影像、轉譯與語音
MAI-Image-2.5 較前一代跳升 75 個 Elo 點數，目前在 Arena 排行榜上影像編輯名列第二。它已於 PowerPoint 上線並推展至 OneDrive。MAI-Transcribe-1.5 以 2.4% 的字詞錯誤率處理 43 種語言——以 276 倍即時批次速度在 15 秒內轉譯一小時音訊。MAI-Voice-2 支援 15 種語言，可從 5–60 秒的參考音訊進行零樣本語音複製，對前一代有 72% 的盲測偏好。
策略備註： Microsoft 首次在非 Azure 推理平台上發布這些模型——OpenRouter、Fireworks AI 與 Baseten。這是刻意的散發策略。Microsoft 希望其模型無處不在，而不只是在自己的封閉花園內。
Phi-4 系列：密度、多樣性與新穎架構
Phi-4 系列持續成為 Microsoft 最高產的開放權重模型線，本月帶來兩個重要新增項目。
Phi-4-mini-flash-reasoning：SambaY 架構
在僅 38 億參數下，Phi-4-mini-flash-reasoning 引入了 SambaY——一種混合解碼器架構，結合 Mamba（狀態空間模型）、滑動視窗注意力與完整注意力層，並交錯閘控記憶單元。
這是真正脫離原生 Transformer 的架構變革，結果說明一切：
| 基準測試 | Phi-4-mini-reasoning (3.8B) | DeepSeek-R1-Distill-Llama-8B | Llama-3.2-3B |
|---|---|---|---|
| AIME | 57.5 | 43.3 | 6.7 |
| MATH-500 | 94.6 | 86.9 | 44.4 |
| GPQA Diamond | 52.0 | 47.3 | 25.3 |
3.8B 模型在競賽數學上超越 8B 蒸餾模型值得注意。SambaY 架構提供比標準 Phi-4-mini-reasoning 高達 10 倍的吞吐量，並降低 2–3 倍延遲。在 MIT 授權下發布，這對於 GPU 預算受限的內部部署或邊緣部署可立即採用。
Phi-4-Reasoning-Vision-15B
於 3 月發布，這個 15B 多模態模型結合 SigLIP-2 視覺編碼器與 Phi-4-Reasoning 骨幹，在視覺基準測試上與約 10 倍其規模的模型競爭力相當：AI2D 84.8%、ChartQA 83.3%。其 imm 與 <nothink> 模式讓開發者能在推理深度與延遲之間彈性權衡。
Phi-4-Medium 與 Orca-3
兩個專有中層模型在 Build 2026 上發布。Phi-4-Medium 以 128K 上下文視窗鎖定生產應用，在 HumanEval 上達到 82%，價格比 OpenAI 標準費率低約 40%。Orca-3 處理範本驅動的任務——JSON 驗證、電子郵件草擬與記錄剖析。
Aion 1.0：裝置端 AI 作為平台策略
Microsoft 也在 Build 2026 上宣布 Aion 1.0——Windows 的裝置端 AI 模型系列，取代 Phi Silica 成為內建 SLM。
Aion 1.0 Instruct 在 Edge Canary/Dev 中為開發者預覽，可在 CPU、GPU 或 NPU 上執行（無需專用 GPU），處理摘要、改寫、意圖偵測與協助工具。計畫於 2026 年 7 月在 Hugging Face 上開放權重。
Aion 1.0 Plan（14B，32K 上下文）鎖定裝置端代理工作流程——推理、工具呼叫、檔案管理與子代理協調。將在未來幾個月隨 Windows 內建於支援的硬體上發布。
這是 Windows Agent Framework（在 Build 開源）底層的模型層，搭配 Copilot Runtime API 進行本機 Win32/WinUI 3 推理。Nadella 對「未計量智慧」的論述——Aion 裝置端、RTX Spark 中等權重、雲端前沿推理——清晰闡述了 Microsoft 從邊緣到雲端的 AI 架構。
Project Polaris：Copilot 的第一方未來
Project Polaris——一個具有各語言專用子模組的 MoE 編碼模型——將自 2026 年 8 月起取代 GPT-4 Turbo 成為預設的 GitHub Copilot 模型。它執行於 Microsoft 自訂的 Maia AI 加速器上，相比 Nvidia 硬體降低了推理延遲。三個月的回退期讓團隊可視需要繼續使用 GPT-4。對企業客戶而言，Maia 晶片 + 第一方模型意味著 Microsoft 從訓練到推理掌控整個堆疊。
這一切意味著什麼
幾個策略脈絡交會於此：
獨立於 OpenAI 是真實的。 MAI-Thinking-1 證明了在沒有 OpenAI 資料下的前沿能力。多平台散發策略確認了他們在競爭，而非避險。
密度優於原始規模。 14B 模型與 70B 級替代方案競爭，3.8B 模型超越 8B 蒸餾對手——Microsoft 押注效率作為差異化優勢。
架構創新持續。 Phi-4-mini-flash-reasoning 中的 SambaY 顯示在合理情況下，Microsoft 會超越原生 Transformer。
全堆疊掌控正在加速。 Maia 晶片 + Aion + Windows Agent Framework + Foundry + 第三方平台 = Microsoft 從晶片到應用建構自有 AI 堆疊。
對工程主管而言，評估準則正在轉變。問題不再是「我應該使用 Microsoft 的 AI 模型嗎？」，而是「Microsoft 的哪些第一方模型，以及放在我堆疊的哪個位置？」
答案日益是「全部」——從邊緣的 Aion 到雲端的 MAI-Thinking-1，Phi-4 填補其間每個位置。