Microsoft AI 週報：自有模型堆疊達到關鍵規模

2026 年中對 Microsoft 的 AI 策略而言是關鍵轉折點。該公司已組建完整的自有模型堆疊——從客製化晶片到雲端前沿模型，再到 Windows 裝置端 AI——而這已不再只是理論。正式流量正逐步流經 Microsoft 自家的模型。

彭博社本月初證實，Microsoft 正將 Excel 和 Outlook 中數以萬計的提示查詢，從 OpenAI 與 Anthropic 模型路由至自家的 MAI 模型。GitHub Copilot 預計於八月開始轉用 MAI-Code-1-Flash 作為預設後端。Phi Silica 則透過 Windows Update 定期接收元件更新。對於工程主管而言，問題已不再是 Microsoft 能否打造自己的模型——而是你是否應該開始圍繞這些模型進行建構。

MAI 系列：從零訓練，而非蒸餾

由 Microsoft AI 執行長 Mustafa Suleyman 在 2026 年 Build 大會發表的七款 MAI 系列模型，代表了 Microsoft 在 AI 獨立性上最強勢的宣示。這些模型採用從頭訓練的方式，使用商業授權且可溯源追蹤的數據，並透過 Microsoft 的「爬坡機」管線（Hill-Climbing Machine）及 Maia 200 加速器——具備 1,400 億個電晶體與 216GB HBM3e 記憶體的 3 奈米晶片——進行訓練。

MAI-Thinking-1：前沿級別，但尚待獨立驗證

旗艦推理模型採用稀疏混合專家架構（sparse Mixture-of-Experts），在約 1 兆總參數中，活躍參數約為 350 億個，並配備 256K token 的上下文窗口。Microsoft 自行公布的基準測試成績相當亮眼：AIME 2025 達 97.0%、SWE-Bench Verified 達 73.5%，以及在 Surge 盲測人類評估中，評審員在 1,276 項任務中偏好其勝過 Claude Sonnet 4.6。

需要注意的是：這些是自行公布的分數。彭博社與 ByteIota 的獨立報導指出，MAI-Thinking-1 在實際使用中大致與 DeepSeek V3.2 相當——能力不錯，但並非對現有前沿模型有明顯飛躍。該模型仍處於私人預覽階段，尚無公開定價。現階段而言，它是一個值得關注的訊號，而非採購決策的依據。

MAI-Code-1-Flash：立即的企業影響力

這是當前最具實際影響力的模型。MAI-Code-1-Flash 擁有約 50 億活躍參數（總參數 1,370 億），已全面在 GitHub Copilot 各層級及 Azure Foundry API 上線。它在 SWE-Bench Pro 取得 51.2% 的成績——領先 Claude Haiku 4.5 達 16 個百分點——同時 token 使用量最多減少 60%。每百萬輸入 token 成本為 0.75 美元，每百萬輸出 token 成本為 4.50 美元，大規模使用時約為 GPT-4o 的三分之一價格。

Microsoft 已確認，MAI-Code-1-Flash 將於 2026 年 8 月成為 Copilot 的預設模型，並設有三個月的 GPT-4 Turbo 備援窗口期至 11 月。如果你的工程團隊正在使用 GitHub Copilot，無論你是否已規劃好，這項轉換都已在你的路線圖上。

專用 MAI 模型：影像、轉錄、語音

其餘 MAI 模型涵蓋了文字與程式碼之外的多種模態：

• MAI-Image-2.5 在 Arena.ai 影像編輯排行榜名列第二，已整合至 PowerPoint 及 OneDrive。Flash 變體提供約三分之一價格的低成本生成方案。
• MAI-Transcribe-1.5 支援 43 種語言，FLEURS 詞錯誤率僅 4.86%——為所有競爭者中最低——且速度約為競品的 5 倍。該模型已陸續部署至 Teams、Copilot 及 Dynamics 365 客服中心。
• MAI-Voice-2 支援 15 種以上語言，具備自然的文字轉語音能力、從短樣本進行語音適配，以及內建防止語音複製濫用的保護機制。

以上三款模型均已於 Azure Foundry 正式上線。

Phi-4：小型語言模型的黃金標準

在 3.8B 至 15B 參數範圍內，沒有其他廠商能與 Microsoft 的 Phi-4 系列匹敵。涵蓋七款不同變體——支援推理、視覺、多模態及邊緣場景——加上 MIT 授權，使其成為業界最具吸引力的小型語言模型組合。

當前產品線

Phi-4 基礎版在 MMLU 上取得 84.8%——與 Llama 3.3 70B 和 Qwen 2.5 72B 相當——但 VRAM 需求量僅需後者的 4 至 5 分之一。Phi-4-mini 可在 8GB RAM 的機器及 Raspberry Pi 5 裝置上執行，VRAM 需求約為 3GB（Q4 量化）。Phi-4-reasoning-plus 在 AIME 2025 數學資格賽中表現優於 OpenAI 的 o1-mini。

對企業架構師而言，最值得關注的是 Phi-4-reasoning-vision-15B。該模型於 2026 年 3 月發布，結合 SigLIP-2 視覺編碼器與 Phi-4-Reasoning 骨幹架構，可在推理與非推理模式之間切換——無須對每個輸入都強制執行思維鏈。其螢幕定位能力（透過座標識別 UI 元素）使其成為自主 UI 代理與 RPA 工具的基礎。在僅 15B 參數下即可與需 10 倍算力的模型競爭，使其成為本地端視覺推理工作負載的強力候選。

值得注意的一項限制：Phi-4 基礎版的上下文窗口僅 16K——在同類模型中偏短。如果需要長上下文處理能力，Phi-4-mini 的 128K 窗口雖在單位參數品質上略低，但仍是更合適的選擇。

Phi-3 與 Phi-3.5 已正式被取代。Microsoft 建議所有新專案使用 Phi-4-mini。舊版變體仍可在 Hugging Face 上以 MIT 授權取得，但已列入 Foundry 模型退役時程表。

Aion 1.0：裝置端 AI 作為平台層

於 2026 年 Build 大會發表的 Aion 1.0 是 Microsoft 最新的裝置端模型系列——它代表了本地 AI 截然不同的做法。

Aion 1.0 Instruct 是一款輕量級小型語言模型，適用於摘要、改寫、意圖分類及無障礙功能。可在 CPU、GPU 或 NPU 上執行，無需專用 GPU，目前已在 Edge Canary/Dev 版本中提供，預計本月可在 Hugging Face 上取得開放權重。

Aion 1.0 Plan 則是更具企圖心的產品：一款具備 140 億參數與 32K 上下文窗口的模型，專為裝置端代理工作流程設計——涵蓋推理、工具呼叫、檔案管理及子代理協調。該模型隨 Windows Agent Framework（於 2026 年 Build 大會開源）內建於具備足夠效能的 Windows 裝置，並需配備 Copilot+ PC（≥40 TOPS NPU，如 Snapdragon X Elite、Intel Lunar Lake）或 NVIDIA RTX 30 系列以上／AMD Radeon RX 9060 系列以上 GPU。

關鍵區別在於：Aion 1.0 Plan 不是聊天機器人。它是一個代理執行環境，能夠理解使用者意圖並在本地協調子代理。對於正在建置 Windows 原生 AI 應用的工程團隊而言，這是「無計量智慧」的基礎——沒有雲端依賴、每次推論的邊際成本為零。

Phi Silica：可服務化的 Windows 平台元件

Phi Silica 值得關注，因為它代表了一種新的營運典範：AI 模型作為作業系統元件。這款針對 NPU 最佳化的 Transformer 模型隨 Windows Copilot+ PC 出貨，並透過 Windows Update 定期接收更新，附帶版本號碼、更新日誌及針對各晶片廠商的知識庫套件。

2026 年 5 月的更新（v1.2605.856.0）帶來了 AMD 專屬最佳化，宣稱裝置端回應速度最高提升 30%。實驗性 GPU 路徑現已將本地 AI 擴展至非 Copilot+ PC，支援 NVIDIA RTX 30 系列以上顯示卡（6GB VRAM）。開發者需透過 Windows App SDK 取得 Limited Access Feature 解鎖 Token。

如果你正在組織內部署 Copilot+ PC，Phi Silica 早已在運作中——並且持續更新——無論你是否追蹤它。IT 團隊應將其納入庫存與更新監控管理。

Florence-2：低調的支柱

目前尚未發表 Florence-3。2024 年 6 月推出的 Florence-2 依然是 Microsoft Azure AI 服務的事實上視覺引擎——而且有充分理由。其統一的、基於提示的序列到序列架構，以單一組權重處理超過 12 項視覺任務：物體偵測、分割、標題生成、視覺定位、光學字元辨識以及密集區域標題生成。

Florence-2 提供從 0.23B（基礎版，可在 CPU 上部署）到 0.77B（大型，生產級別）等多種變體，為 Azure AI Vision Image Analysis 4.0 提供動力，並支援 164 種語言的 OCR。舊版 Azure Vision API（v1.0–3.1）將於 2026 年 9 月 13 日退役——如果你尚未遷移至基於 Florence 的 Image Analysis 4.0 SDK，這個期限正逐漸逼近。

使用 LoRA 在專業資料集上進行微調，已在特定領域應用中展現超過 98% 的精確度。Hugging Face 社群依然活躍，而原生的 C#/.NET NuGet 套件則可透過 ONNX runtime 輕鬆整合 .NET。

MAI-DS-R1：開放權重的安全後訓練

與從頭訓練的 MAI-Thinking-1 不同，MAI-DS-R1 是 Microsoft 對 DeepSeek-R1（671B）進行後訓練的變體。Microsoft AI 團隊針對安全性與回應性進行了模型修改：對先前被阻擋的提示回應率達 99.3%（提升 2.2 倍），在 HarmBench 上減少超過 50% 的有害內容，同時保留原有模型在數學、程式碼與一般知識領域的推理能力。

該模型以 MIT 授權釋出，提供託管 API（Azure Foundry）與開放權重（Hugging Face）兩種選擇，另包含 FP8 量化變體以降低 VRAM 需求。對於希望在 DeepSeek-R1 的推理能力上加入企業級安全護欄的組織而言，這是最值得評估的版本。

Copilot 模型更換正在進行中

多模型 Copilot 架構並非行銷話術——它是實際運作的生產基礎設施。截至 2026 年 7 月：

• Microsoft 365 Copilot 將 Excel 與 Outlook 的提示路由至 MAI 模型（彭博社已證實）
• GitHub Copilot 將於 2026 年 8 月轉換至 MAI-Code-1-Flash 作為預設模型
• PowerPoint 與 OneDrive 中的影像生成功能使用 MAI-Image-2.5
• Teams 轉錄功能逐步導入 MAI-Transcribe-1.5
• Windows 裝置端推論使用 Phi Silica 與 Aion 1.0
• GPT-5.6 仍然是 Microsoft 365 Copilot 的指定「首選模型」（截至 7 月 9 日），但路由邏輯在經濟效益允許的情況下，已越來越傾向於自有模型

Suleyman 明確表示：「我們付給 Anthropic 很多錢——所以我們的目標是減少並最終消除這項成本。」發展軌跡十分明確。

策略評估

Microsoft 現在是除了 Google 與 Apple 之外，唯一擁有完整 AI 產品組合的公司：客製化晶片（Maia 200）、雲端前沿模型（MAI）、邊緣小型語言模型（Phi-4）、裝置端模型（Aion、Phi Silica）、視覺基礎模型（Florence-2）以及協調層（Copilot）。

對於技術長與工程主管而言，實際可行的結論如下：

1. MAI-Code-1-Flash 是當前最立即的決策點。 如果你使用 GitHub Copilot，模型更換即將到來。立即透過 VS Code 模型選擇器進行測試，並衡量對團隊工作流程的影響。

2. Phi-4 仍然是本地端或邊緣部署的最佳小型語言模型選擇。 MIT 授權、經實證的基準測試成績，以及幾乎涵蓋所有使用案例的變體。從 Phi-4-mini（邊緣場景）和 Phi-4-reasoning-vision-15B（視覺推理任務）開始評估。

3. MAI-Thinking-1 值得關注，但尚未到承諾導入的階段。 私人預覽、自行公布的基準測試、無公開定價。持續追蹤，如果你已有合作關係可申請預覽權限，但不要將 2026 年的架構決策建立在它之上。

4. Florence-2 遷移是期限，而非選項。 舊版 Azure Vision API 將於 2026 年 9 月 13 日退役。立即遷移至 Image Analysis 4.0。

5. Aion 1.0 Plan 是 Windows 原生應用最值得關注的模型。 一個具備工具呼叫與子代理協調能力的 14B 裝置端代理執行環境，是邁向本地代理式 AI 的重要一步。請根據你的 Copilot+ PC 部署時程進行評估。

6. 無論你是否配置，預計 Copilot 中 MAI 模型的使用量將會持續增加。 Microsoft 的成本誘因與將流量路由至自有模型的方向一致。請為一個逐漸遠離 OpenAI、越來越依賴 MAI 的 Copilot 體驗做好規劃。

全方位的 AI 布局已不再是願景。它正在出貨——在正式環境中、大規模地、且明確朝著自給自足的方向前進。

更多 Microsoft AI 每週分析，請追蹤 x.com/kkaminski。