在刚刚举行的Build2026开发者大会上，微软公布了七款内部前沿人工智能模型。尽管其中五款是对既有模型的更新，但此次发布的核心意图明确：通过推出首款“推理”模型，微软正试图摆脱对OpenAI及Anthropic的单一依赖，构建自主可控的AI栈。

此次发布的旗舰模型MAI-Thinking-1，被微软定义为在“干净数据”上从头训练的产物，未采用第三方模型的蒸馏技术。该模型拥有350亿活跃参数，采用混合专家架构（MoE），支持256k令牌长上下文窗口，足以容纳约600页文档，并具备函数调用及灵活的开发者指令添加功能。

极致性价比与内部落地

成本控制是MAI系列模型的关键优势。微软声称，在取得相似或更佳效果的前提下，MAI模型的成本仅为其他前沿模型的1/4到1/2。随着计费模式转向按实际令牌用量收费，微软已将MAI-Code-1-Flash设为GitHub Copilot的默认模型。数据显示，相较于此前在GitHub Copilot、VS Code和Excel Copilot中使用的Claude模型，新模型所需的令牌量最多减少60%。

目前，MAI模型已在微软生态中广泛落地：MAI-Image-2.5服务于PowerPoint和OneDrive，MAI-Transcribe-1.5负责Copilot、Teams及Dynamics 365联络中心的转录工作。此外，MAI模型还将登陆Windows系统，首批支持配备全新NVIDIA/MediaTek N1X SoC的Arm设备，通过本地化部署进一步降低用户与企业的双边成本。

打造数据护城河与安全壁垒

微软正利用MAI模型构建其商业护城河。通过对Thinking-1进行微调，微软在Excel Copilot等场景中实现了与GPT-5.4相当的效果，但成本效率高出10倍。这一能力同样向企业客户开放，例如为麦肯锡和Land O’Lakes定制的私有模型，在处理特定工作负载时，成本效率均比GPT-5.5高出10倍。

在安全与合规层面，微软强调Thinking-1专为安全性训练，而非事后加装护栏。模型完全基于公开可用且授权的人类生成数据（涵盖网页、代码、书籍等30万亿令牌）从头训练，坚决不使用预训练期间由语言模型生成的合成数据，也不使用开源训练数据集。这一策略旨在帮助企业规避类似Anthropic所面临的数十亿美元版权和解风险，确保数据隐私与治理水平。

除了Azure和Foundry平台，MAI模型也已上架Fireworks、Baseten和OpenRouter等第三方平台，显示出微软向外输出能力的决心。

“爬山法”与人文主义视角

微软将其构建MAI模型及提供前沿调优服务的过程称为“爬山法”（hill climbing）。这一增量优化术语，相较于Anthropic和OpenAI推崇的“递归自我改进”概念，显得更为稳健和令人安心。

微软CEO萨提亚·纳德拉在演讲结尾重申，人工智能的宗旨是服务人类而非取代人类。他呼吁行业避免技术集中权力、削弱人类能动性的局面，这与当前部分前沿实验室的夸张论调形成了鲜明对比。通过提供更优的经济效益、治理水平及更低的风险承诺，微软正试图在企业级AI市场确立新的竞争基准。