微軟第一方 AI 技術棧剛剛跨越了一道門檻：每一層要不是已投入生產，就是已進入公開預覽。MAI 模型家族——完全在微軟自家的 Maia 200 晶片上從零訓練，未從 OpenAI、Anthropic 或任何第三方實驗室進行任何蒸餾——在不到三個月內從 Build 2026 的發布公告變成落地現實。對於正在梳理供應商依賴關係的 CTO 來說，問題不再是「微軟有沒有自己的模型？」，而是「它們到底有多強，我該在什麼上面做標準化？」
本週內容涵蓋 MAI-Thinking-1 的公開預覽、MAI-Code-1.1-Flash 與 MAI-Image-2.6 的成本經濟學、兩個硬性遷移截止日期，以及已確認的 Phi Silica 到 Aion 的過渡。
MAI-Thinking-1：首個完全自研的前沿推理模型
8 月 12 日，MAI-Thinking-1 在 Microsoft Foundry 上進入公開預覽——這是微軟首個完全從零訓練的前沿推理模型。架構：稀疏混合專家（MoE），總參數約 1 兆、啟動參數 350 億，上下文視窗 256K。
自報數據相當亮眼：AIME 2025 達 97.0%，AIME 2026 達 94.5%，SWE-Bench Pro 達 52.8%，與 Claude Opus 4.6 持平。微軟還聲稱在 1,276 項任務上與 Claude Sonnet 4.6 的盲測偏好對比中勝出。
給工程團隊的誠實提醒：獨立基準測試仍然稀缺。彭博社與 ByteIota 的早期第三方分析認為，MAI-Thinking-1 在實際使用中大致與 DeepSeek V3.2 相當。這不是否定——而是背景資訊。公開預覽的意義就在於，你現在可以在 Foundry 上用它運行自己的評測套件，而不是輕信廠商數字。
MAI-Code-1.1-Flash：第一方程式碼模型的經濟帳
MAI-Code-1.1-Flash 於 8 月 11 日正式發布（GA），現已成為所有 GitHub Copilot 層級的預設程式碼模型。重點是成本：輸入 $0.20/100 萬 token、輸出 $1.20/100 萬 token——比原版 MAI-Code-1-Flash 降價 75%——同時 token 串流速度快 25%，每個任務消耗的 token 少 25%。
能力提升與價格同等重要。MAI-Code 系列首次加入原生影像輸入，支援截圖轉程式碼工作流。SWE-Bench Verified 提升至 72.6%，Terminal-Bench 2.1 躍升 22% 至 62.9%，.NET 任務提升 15%。內部 ScreenShot2WebApp 得分 42.1% 說明視覺程式設計之路仍處於早期——但方向已經明確。
棄用提醒：MAI-Code-1-Flash 將於 9 月 10 日退役。如果你把提示詞或評測固定在它上面，請本週內完成遷移。
MAI-Image-2.6：競技場排行榜第二名
MAI-Image-2.6 於 8 月 10 日發布，隨即登上 Arena 文生圖排行榜第二名，領先 Google、Meta 與 xAI——僅次於 OpenAI。影像編輯排名第三。整體 Elo 較 2.5 提升 +79，文字渲染提升 +91，反映在排版、人像與照片級商業輸出上的實質品質躍升。
CTO 最該關注的數字：微軟稱生產中 GPU 成本較 GPT-Image-2 降低 84%。這就是 Maia 200 軟硬體協同設計的故事——晶片與模型一起打造——也是 MAI-Code 降價的同一模式。第一方經濟學正在成為結構性優勢，而非行銷話術。
專用安全模型：MAI-Cyber-1-Flash
MAI-Cyber-1-Flash 自 8 月 3 日起透過 Project Perception 進入公開預覽，是微軟進軍專用安全 AI 的起點——用為任務訓練的模型做漏洞偵測，而不是把通用大模型指過去。對安全團隊而言，這是對「萬事皆微調」路線的第一方回答：一個具安全專項訓練的專用模型，透過 Copilot 編排層路由。
語音與轉錄
MAI-Voice-2 已 GA，支援 15 種語言與短樣本聲音複製；MAI-Voice-2-Flash 在公開預覽中提供 2 倍速度、成本降低 32%。MAI-Transcribe-1.5 支援 43 種語言，號稱速度為競品的 5 倍。值得注意的是，一個全雙工的 MAI Realtime 語音模型已在 MAI Playground 中被發現，但尚未正式發布——這是未來方向的訊號。
Phi-4：開源權重邊緣組合
Phi-4 家族依然是業界最全面的開源權重小模型組合：七個 MIT 授權變體，參數從 3.8B 到 15B。最新成員 Phi-4-reasoning-vision-15B（2026 年 3 月）將 SigLIP-2 視覺編碼器與推理主幹結合，支援螢幕接地（screen grounding），並可按需切換推理模式——是同尺寸下最佳的本地視覺推理候選。
兩個數字在客戶對話中反覆出現：Phi-4（14B）以 84.8% 的 MMLU 追平 Llama 3.3 70B 等級，但 VRAM 用量少 4–5 倍；Phi-4-mini（3.8B）在 Intel Xeon 6 純 CPU 模式下達到每秒 1,955 token。對於資料主權或氣隙隔離部署，通往可用 AI 的入門路徑依然沒有比 MIT 授權的 Phi 權重更便宜的選擇。
Florence-2：距離硬性切換還有 13 天
Florence-2 依然是 Azure AI Vision Image Analysis 4.0 背後的視覺引擎，用單一權重集處理 12 種以上視覺任務，包括 164 種語言的 OCR。微軟已確認不計畫推出 Florence-3——優先穩定性而非發布速度。
真正重要的截止日期：舊版 Azure Vision API（v1.0–3.1）將於 9 月 13 日硬性退役——只剩 13 天。如果還有任何工作負載在呼叫舊 API，遷移到基於 Florence-2 的 Image Analysis 4.0 SDK 就是本清單上優先順序最高的事項。
Turing：事實上已退役
2025–2026 年沒有任何實質更新。MAI 已接管 Turing 服務的所有生產工作負載。如果你的架構圖裡還畫著 Turing 模型，那這些圖現在只是歷史文件——請規劃替代方案。
Aion 1.0：端側過渡時程已確定
Phi Silica 到 Aion 的過渡現在有了硬性日期：Aion Instruct 獨立測試包 10 月 1 日，Windows Insider 推送 10 月 23 日，11 月 24 日正式發布（GA）——屆時 Phi Silica 將從零售裝置中移除。
Aion 1.0 Instruct 可在 CPU、GPU 或 NPU 上運行——無需專用 AI 硬體——預計開放權重，且不再需要 Limited Access Feature token。Aion 1.0 Plan（14B，32K 上下文）面向端側代理工作流：推理、工具呼叫、檔案管理、子代理編排。一個遷移坑：現有 Phi Silica LoRA 需要針對 Aion 重新訓練。
Copilot：第一方編排層
Copilot 仍然是一個多供應商編排器——任務分類層將每次互動路由到最佳模型。MAI 負責郵件起草、摘要、試算表、程式設計、影像生成、轉錄與安全掃描。GPT-5.6 與 Claude 繼續參與複雜的多步推理與創意工作。微軟的預測：到 2026 年底，大多數商品化 Copilot 任務將完全運行在 MAI 上。請圍繞這條軌跡規劃成本與資料落地方案。
行動清單
- 在 9 月 10 日前將 MAI-Code-1-Flash 遷移到 1.1-Flash——降價 75% 且支援影像輸入
- 在 9 月 13 日前將舊版 Azure Vision API 遷移到 Image Analysis 4.0——硬性退役
- 在 Foundry 上自行評測 MAI-Thinking-1——獨立數據勝過廠商宣傳
- 評估 MAI-Image-2.6 的成本帳——若大規模生成影像，GPU 成本較 GPT-Image-2 降 84%
- 審計 Turing 依賴，並提前規劃 Phi Silica LoRA 重訓——應對 11 月 24 日 Aion 切換
Kevin Kaminski 是 Big Hat Group Inc. 創辦人，一家專注於 AI 採用策略的微軟合作夥伴。關注 https://x.com/kkaminsk 獲取對微軟 AI 模型生態的持續分析。