2026 年 8 月標誌著微軟第一方 AI 戰略的轉折點。公司不再僅僅是建構模型——而是在大規模地將生產環境 Copilot 流量路由到自有模型上。本月 MAI-Code-1-Flash 成為 GitHub Copilot 預設模型。MAI-Cyber-1-Flash 於 8 月 3 日透過 Project Perception 進入公開預覽。MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 均已進入公開預覽。一個隱藏的全雙工語音模型也在 MAI Playground 中被發現。
對於 CTO 和工程負責人來說，問題不再是微軟是否有自己的模型——而是你的架構是否已為它們做好準備。
MAI 家族：從研究到生產
微軟的 MAI 家族在 Build 2026 上發布，包含七款雲端模型，全部使用「Hill-Climbing Machine」管線從零訓練——零蒸餾來自 OpenAI、Anthropic 或任何第三方實驗室。四個月後，這些模型正從展示走向生產工作負載。
MAI-Code-1-Flash：GitHub Copilot 的新預設模型
本月最具影響力的變化是 MAI-Code-1-Flash 成為所有層級 GitHub Copilot 的預設模型。這個 137B 總參數 / ~5B 活躍參數的稀疏 MoE 模型在 SWE-Bench Pro 上達到 51.2%——領先 Claude Haiku 4.5 達 16 個百分點。微軟報告在 VS Code 中程式碼接受率比 GPT-5.4 Mini 和 Claude Haiku 4.5 高約 10%，中位數 token 使用量低約 10%。
定價為每百萬輸入 token $0.75、每百萬輸出 token $4.50，經濟性極具競爭力。GPT-4 Turbo 作為回退保留至 2026 年 11 月，之後 MAI-Code-1-Flash 成為唯一預設模型。同一檢查點還驅動 Excel 公式生成，被稱為「在大多數常見任務上與 GPT-5.6 相當」。該模型也可透過 OpenRouter、Fireworks AI 和 Baseten 取得——遷移路徑存在。
MAI-Thinking-1：有前景但未經驗證
旗艦推理模型（約 962B 總參數 / ~34.7B 活躍，256K 上下文）仍在 Azure Foundry 私人預覽中。自報告基準表現強勁——AIME 2025 上 97.0%，SWE-Bench Pro 上 52.8%，在 Surge 盲測中 1,276 項任務優於 Claude Sonnet 4.6。然而，彭博社和 ByteIota 的獨立報導將其實際使用大致等同於 DeepSeek V3.2——有能力，但並非明確飛躍。公開預覽預計「數週內」。CTO 應將基準視為有前景但未經驗證，直到獲得獨立 API 存取。
MAI 擴展：影像、語音和安全
MAI-Image-2.5-Pro 與成本故事
MAI-Image-2.5-Pro 於 7 月 23 日進入公開預覽，完成三層產品線：MAI-Image-2.5（正式可用，每百萬影像輸出 token $47）、Flash（正式可用，$19.50/百萬）和 Pro（預覽，$106/百萬）。生產驗證令人信服——PowerPoint 報告與 GPT-Image-2 相比 GPU 成本降低 84%，OneDrive 儲存率提高 26%、P95 延遲降低 25%，Bing Image Creator 現已 100% 使用內部模型。
MAI-Voice-2-Flash 與 Realtime 驚喜
MAI-Voice-2-Flash 進入公開預覽——速度為 MAI-Voice-2 的 2 倍，成本低 32%（每百萬字元 $15）。同時，全雙工語音模型 MAI Realtime 於 8 月 2 日在 MAI Playground 中被發現。它原生處理音訊輸入輸出，無需中間文字步驟，支援 17 種語言。尚無官方公告，但表明微軟正在將即時對話語音作為一流能力來建構。
MAI-Cyber-1-Flash 與 Project Perception
Project Perception 是微軟基於 MAI-Cyber-1-Flash（137B / ~5B 活躍，源自 MAI-Thinking-1 訓練）的新型代理安全平台。在 CyberGym 上得分 95.95%——排名第一，以約一半的成本領先第二名 12 個百分點。平台部署紅隊（攻擊）、藍隊（分診）和綠隊（補丁）代理。微軟已在 90% 的內部漏洞掃描中使用，GPT-5.4 處理複雜升級。公開預覽需審核——非一般開放。
Phi-4：開源邊緣模型
Phi-4 家族在 3.8B–15B 範圍內仍然無可匹敵。七款 MIT 授權模型覆蓋從邊緣部署到多模態推理。
Phi-4-mini（3.8B）於 7 月 19 日推送到 Windows 12 Copilot+ PC——Snapdragon X Elite 上每秒 42 token，Q4 量化下約 3GB VRAM，支援離線程式碼補全和本地影像編輯。對於資料主權和間歇性連線場景，這已具備生產能力。
Phi-4-mini-flash-reasoning 值得特別關注。它使用 SambaY 混合架構——Mamba 狀態空間模型結合滑動窗口注意力、門控記憶單元和差分注意力——實現 10 倍吞吐量和 2-3 倍延遲改善，優於 Phi-4-mini-reasoning。這是對標準 Transformer 的真正架構突破，無需 RL 即可執行。如果你的邊緣 AI 路線圖假設標準 Transformer 經濟學，這個模型改變了計算方式。
Phi-4-reasoning-vision-15B（2026 年 3 月）在多模態推理上有效取代 Florence-2。ScreenSpot v2（GUI 定位）上 88.2%，成為自主 UI 代理和 RPA 工具的基礎。它根據任務動態切換推理模式，避免強制鏈式思考開銷。
Aion 1.0：端側轉型
微軟的端側戰略正圍繞 Aion 1.0 整合。Aion 1.0 Instruct——可在 CPU/GPU/NPU 上執行的輕量級 SLM——處於開發者預覽階段，將取代 Phi Silica 成為生產環境端側 Windows 模型。Aion 1.0 Plan（14B，32K 上下文）是更具雄心的發布：支援推理、工具呼叫和子代理編排的端側代理執行時，透過 Windows Agent Framework。需要 ≥40 TOPS NPU 或合格外接 GPU。
轉型時間表確定：10 月 1 日提供獨立測試套件，10 月 23 日推送 Windows Insiders，11 月 24 日正式發布——Phi Silica 從零售裝置移除。關鍵是，Aion Instruct 不需要 LAF token，不同於 Phi Silica——消除了開發者的一個重大障礙。
Florence-2 與九月截止日期
Florence-2 作為純電腦視覺的企業級主力模型保持穩定——物件偵測、分割、字幕生成、覆蓋 164 種語言的 OCR，單一權重集，MIT 授權。它驅動 Azure AI Vision Image Analysis 4.0。
緊急：舊版 Azure Vision API（v1.0–3.1）將於 2026 年 9 月 13 日退役——距今 35 天。仍在使用舊 API 的組織必須在此之前遷移。Image Analysis 4.0 本身計畫退役日期為 2028 年 9 月 25 日。
Copilot 路由的現實
Copilot 不是單模型產品。任務分類層在選擇模型前對每次互動進行分類。郵件起草、摘要、公式生成、影像生成、Teams 轉錄和安全掃描路由到 MAI 模型。複雜多步推理、創意生成和新穎文件分析路由到前沿第三方模型——GPT-5.6 仍是 Microsoft 365 Copilot 的首選模型。到 2026 年底，微軟預計大多數日常 Copilot 任務將在 MAI 模型上執行。如果你的 Copilot 依賴計畫假設一切使用 OpenAI 模型，它需要更新了。
行動事項
- GitHub Copilot 遷移： 為 11 月 MAI-Code-1-Flash 成為唯一預設模型做準備。趁 GPT-4 Turbo 回退仍可用時立即測試。
- Azure Vision API 遷移： 在 9 月 13 日前遷移到 Image Analysis 4.0。硬截止日期。
- 影像生成成本審查： 評估 MAI-Image-2.5 對比 GPT-Image-2——PowerPoint 中 84% 的 GPU 成本降低是強烈訊號。
- 邊緣 AI 架構： Windows 12 上的 Phi-4-mini 和 Phi-4-mini-flash-reasoning 的 SambaY 架構值得重新審視端側經濟學。
- 安全營運： 如果團隊大規模處理漏洞掃描，申請 Project Perception 存取權限。
- 端側規劃： 如果你使用 Phi Silica 建構，Aion 轉型從 10 月 1 日開始。開始 LoRA 訓練準備。
微軟現在是除 Google 和 Apple 之外唯一擁有完整 AI 產品組合的公司——涵蓋客製化晶片、雲端前沿模型、開源邊緣模型、端側模型、視覺基礎模型、編排和代理框架。對我們其他人來說，問題是我們要多快適應。
本文是 Microsoft AI 週刊系列 的一部分。在 x.com/kkaminsk 關注持續分析。