微软的编程模型终于不当配角了:MAI Code 2 拿 96% 的分数、只收 5% 的钱,但先看清三处“但是”
2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。

一句话:微软的编程模型,第一次不是来凑数的
2026 年 11 月 17 日,微软在 Ignite 大会上发布了 MAI Code 2 和 MAI Code 2 Flash,两个自家从头训练的编程模型,同一天进 GitHub Copilot 的模型选择器。这不是微软第一次做编程模型——今年 10 月的 MAI-Code-1.1-Flash 还是个轻量级配角,只能干解释代码、改改小地方的活。这一次不一样:大模型 MAI Code 2 对标的是 GPT-6.1 Sol 和 Claude Opus 5.5 这种旗舰,小模型 Flash 则冲着日常高频任务的性价比去的。微软还同步放出了一份 22 页的模型卡,把参数规模、训练数据量、基准分数、安全评测全摊在桌上,连“哪些地方还不行”都写进去了。
这篇文章讲清楚五件事:两款模型到底是什么来头,微软那组“96% 的分数、5% 的价格”是怎么算出来的,数字背后有哪三处“但是”,谁能用、在哪用、花多少钱,以及模型卡里那页不太好看的安全评测说了什么。
两款模型:一个干重活,一个跑高频
MAI Code 2 和 Code 2 Flash 出自同一个模型家族:解码器 Transformer 加稀疏混合专家层,带一个视觉编码器,训练配方和数据配比基本相同,差的主要是规模。大模型 MAI Code 2 有 770 亿个激活参数、总参数约 2.8 万亿,预训练吃了约 50 万亿个 token,又补了约 1500 亿个 token 把上下文拉长到 100 万。小模型 Flash 是 120 亿激活参数、总参数约 3980 亿,预训练约 25 万亿个 token,其中文字 22 万亿、图像 3 万亿,做法是对一个更大的微软内部教师模型做 logit 蒸馏。两个模型都支持文字和图像输入,上下文窗口 105 万个 token,单次输入上限 92.2 万个 token、输出上限 12.8 万个 token,推理强度可以在低、中、高、极高、最高五档之间调,拿延迟和成本换质量。
微软对两款模型的分工说得很直白。大模型负责“把代码做到能上线的那种活”:跨文件实现功能、深挖 bug、多文件重构、对着整个仓库推理、做界面。Flash 负责高频小活:解释代码、定点修改、修常规 bug、快速迭代。两个模型都不是为通用聊天准备的,模型卡里写明:它们没针对通用对话、医疗、法律或金融建议做优化,也不适合不经人工复核就拿去做影响人的决策。
训练上有个细节值得注意:强化学习阶段直接在生产环境里用的 GitHub Copilot CLI 和 VS Code 智能体框架里跑,微软的说法是,这样离线练出来的改进才能原样搬到开发者真实的工作流里。相比之下,很多模型的评测是在与产品脱节的裸测 harness 里跑的,分数好看、到产品里未必一样。微软这次把评测也放在了同样的 Copilot CLI harness 里,至少在方法上先把“自卖自夸”的口子收窄了一点。
两个模型还有一个共同点:都带视觉编码器,能把截图、界面草图、图表直接当作输入。微软把“看图写代码”列为核心能力之一,盲测里 64% 的偏好率也是在前端应用任务上拿到的。对造应用的人来说,这意味着以后给模型发一张界面截图、让它先出第一版,比只用文字描述更可能是日常操作。当然,视觉能力到底有多可靠,要等真实用户用过才知道,模型卡里没有单独给视觉任务列分数。
为什么是现在:微软要把模型这件事攥在自己手里
理解这次发布,要先看它的位置。MAI Code 2 家族是微软从头训练的,不是拿别人的模型微调改名;上一代 MAI-Code-1.1-Flash 还是 50 亿激活参数的轻量模型,主要干解释代码的活,一个月后 2 代直接做到 770 亿激活参数、瞄准复杂长期软件工程。发布选在 Ignite 大会开幕日,同一天模型就进了 Copilot 的选择器,同一天 Ignite 上还发布了一批其他模型。节奏很明确:微软不想再让“微软的编程模型”这个说法停留在配角上。
渠道的顺序也值得留意。第一站是 Copilot,这是微软手里最大的开发者入口,模型发布当天就能触达全部订阅用户;第二站是 Foundry,给想自己搭应用和智能体的开发者留了接口;第三站才是 OpenRouter、Vercel、Hermes、OpenCode、Kilo 这些第三方平台,而且微软只给了名单、没给时间表。先自家用户、再平台、最后才去外面抢市场,这是一条很克制的扩张路线。定价也一样:推广价五折到 2027 年 5 月 17 日,先用低价把使用量换回来,再谈标准价。
还有一个背景不能忽略:微软一边是 OpenAI 最大的合作方,一边在自己养模型。MAI Code 2 的发布并没有改变 Copilot 里其他模型的位置——GPT-6.1 Sol、Claude Opus 5.5、Gemini 4 系列都还在选择器里,Fusion 的自动分配也在照常工作。微软的打法不是“换掉别人”,而是“在自家货架上多摆一个自己的选项,而且是便宜的那个”。对用户来说,这意味着选择器里的竞争更直接了:同一个任务,贵模型和便宜模型的差距,第一次可以按每个任务几毛钱来算。
标题数字:96% 的分数,5% 的价格
微软发布博客的标题就点明了主题:日常编程、可以承受的价格。核心数字是四项基准上的平均值:DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 和 FrontierCode v1.1,都是瞄准 Copilot 里日常企业编程任务的基准。按微软的算法,MAI Code 2 平均通过率 63.2%,GPT-6.1 Sol 是 64.1%,Claude Opus 5.5 是 65.3%。三个模型分数咬得很紧,差距不到两个百分点。但每个任务的平均成本差远了:MAI Code 2 是 0.309 美元,GPT-6.1 Sol 是 0.761 美元,Opus 5.5 是 6.306 美元。换成微软的说法,就是 98% 的 GPT-6.1 Sol 性能、40% 的成本,96% 的 Opus 5.5 性能、5% 的成本。
模型卡里还给了三项基准的分项数字,能看出大模型和小模型的真实差距。DeepSWE 1.1 上 Code 2 是 73.2%,Flash 是 59.9%;TerminalBench 2.1 上 Code 2 是 84.6%,Flash 是 78.3%;SWE-Atlas 上两者几乎打平,Code 2 是 43.1%,Flash 反而略高一点,44.8%。也就是说,Flash 在终端任务和深度软件工程任务上明显弱于大模型,但在代码问答、写测试和重构这类任务上并不吃亏。这和微软给 Flash 的定位是一致的:高频小活不用上大模型。
Flash 自己的对标对象也不是旗舰:微软说它在三项日常高频编程基准上,表现与 GPT-6 Luna 和 Claude Haiku 5.5 相当,成本分别是两者的 65% 和 20%。另外一个有意思的数字来自盲测:258 名评审在不知道模型身份的情况下,对比前端应用的美观度和功能,64% 的时候更喜欢 MAI Code 2 的结果,而不是 GPT-6 Sol 的。这个数字在发布后从 67% 修正到了 64%,博客现在写的是 64%。
先看清三处“但是”
数字好看,但有三处必须先说清楚,否则很容易被标题带偏。
第一处“但是”在价格上。微软 headline 里那个“5% 的成本”,是按推广价算的。GitHub 定价页上,MAI Code 2 的推广价是每百万输入 token 0.50 美元、缓存输入 0.025 美元、输出 2.50 美元,有效期到 2027 年 5 月 17 日;到期后标准价翻倍,变成 1.00 美元、0.05 美元和 5.00 美元。Flash 的推广价是 0.05 美元、0.005 美元和 0.25 美元,到期后同样翻倍。拿标准价重算,MAI Code 2 每个任务的成本大约是 0.62 美元,仍然不到 GPT-6.1 Sol 的 0.761 美元、远低于 Opus 5.5 的 6.306 美元,但“5%”这个数字本身只在推广期内成立。2027 年 5 月之后,故事要重讲一遍。
第二处“但是”在分数上。MAI Code 2 的平均通过率 63.2%,是三者里最低的。微软的标题强调的是性价比,不是绝对性能:花二十分之一的钱,拿到 96% 的分数,这是笔划算的买卖;但如果你要的是天花板最高的那个模型,MAI Code 2 不是。评测方法也全是微软自己定的:MSBench 评估平台、Copilot CLI 1.0.102 框架、关掉子智能体、最高推理强度、每个任务跑三遍取平均、基础设施报错算失败。这些条件对三个模型一视同仁,但整个实验设计、基准选择和成本口径都是发布方定的,至今没有第三方独立复现。
第三处“但是”在能力边界上,微软自己写在了博客和模型卡里:这两个模型“明确还没有针对更难的问题做调优,比如基础科学研究和非常长期的智能体工作”。换句话说,它们的舒适区是企业日常编程——功能实现、调试、重构、做界面;超出这个圈子,比如从零做一个研究项目、跑几个月的长期智能体任务,微软不保证。模型卡还补了几条:发布时只针对英文代码生产做了优化,知识截止到 2026 年 8 月,太长的智能体会话里模型可能重复调工具、不好好用已有代码、偏离指令、或者没验证完就停下,高推理强度不一定总能提高结果。
谁能用、在哪用、花多少钱
发布当天,两个模型就进了 GitHub Copilot。MAI Code 2 面向 Pro、Pro+、Max、Business 和 Enterprise 订阅;Flash 的覆盖更广,免费版和学生版也能用,但免费版和学生版只能通过自动选模型用到它,不能手动点选。两个模型都只提供给年付订阅用户。选模型的地方很多:VS Code、Visual Studio、Copilot CLI、云端智能体、Copilot 应用、github.com、GitHub Mobile、JetBrains、Xcode 和 Eclipse 都能选。Flash 还多一个去处:微软 Foundry 里的有限预览,可以通过兼容 OpenAI Responses API 的接口调用,做自定义应用和智能体。
价格按用量计费,走 Copilot 的 AI 积分体系,1 个积分等于 0.01 美元。按推广价算,Code 2 每百万 token 输入 0.50 美元、输出 2.50 美元;Flash 是输入 0.05 美元、输出 0.25 美元。对比一下,Opus 5.5 在 Copilot 里是输入 4.00 美元、输出 20.00 美元。也就是说,哪怕按 2027 年 5 月之后的标准价,Code 2 的输入输出价格也只有 Opus 5.5 的四分之一。微软还说,未来会把两个模型放到 OpenRouter、Vercel、Hermes、OpenCode 和 Kilo 上,但没给时间表。
已经在用上一代模型的人要注意一个时间点:MAI-Code-1.1-Flash 计划在 12 月 18 日退役,保存过的配置里如果还点名了它,需要在这之前改掉。从 1.1 到 2 代,微软的编程模型只用了大约一个月就从“轻量助手”变成了“能干重活的通用模型”,迭代速度本身也是个信号:这个系列还在快速爬坡,现在的结论可能很快就过时。
模型卡里不太好看的那一页:安全
模型卡最值得细看的不是基准分数,而是安全评测那几页。微软给两个模型的安全风险定了级:化学、生物、放射性和核武器(CBRN)是 High,进攻性网络行动也是 High,理由是评估显示模型“可能帮助中等技能的对抗者开发已知的 CBRN 武器、帮助专家级对抗者开发新型 CBRN 武器”,以及“可能帮助低到中等技能的攻击者发起高破坏性的网络攻击”。微软说这个评级和其他同类模型一致,比如 GPT-5.6 Luna 和 GPT-5.6 Sol 也是 High,并且部署时配了缓解措施:两层生物安全与网络安全分类器、滥用监控。
具体数字上,智能体安全基准 AgentHarm 里,有害任务的完成率 Code 2 是 11.68%、Flash 是 10.23%,越低越安全;AgentDojo 的攻击成功率分别是 0.02% 和 0.00%,但完成用户真实任务的效用分数是 84.73% 和 88.08%。SABER 的“安全且能干”分数只有 39.96% 和 41.20%,OpenAgentSafety 的“安全且完成”分数是 39.92% 和 37.01%。这些数字说明一件事:在“又要把活干完、又不能干坏事”这个标准下,两个模型都远没到可以放心的程度。模型卡自己的结论也留了余地:在内部评估里,MAI Code 2 家族“与 GPT-5.6 Sol 的对齐程度相似,但不如 GPT-6”。
对造应用的人来说,模型卡的建议很实在:把模型输出当草稿,合并前先复核、测试、安全扫描;有副作用的操作要有人在环;让智能体跑在最小权限的沙箱里;小心来自不可信仓库内容、网页和工具输出的提示注入。这些话对任何编程模型都适用,但微软把它写进自己模型的官方文档,至少说明发布方没有假装问题不存在。
缓解措施本身也写得很具体。微软给两个模型配了一套两层的生物安全与网络安全分类器:第一层是快速分类器,先判断输入和输出是否涉及生物或网络领域;一旦命中,就升级到第二层,一个专门训练过的安全推理器,按威胁分类决定是否拦截。第二层如果反复触发,会升级给人工复核,处理方式从通知客户到暂停服务不等。这套系统是实时跑在对话之上的,模型本身的安全微调之外又加了一道。值得注意的是,微软同时承认,CBRN 和进攻性网络行动这两个风险的评级是 High,而且“和其他同类模型一致”——这句话等于告诉读者:这个问题不是 MAI Code 2 独有的,是这一代编程模型共同的处境。
与本站已发内容的划界
微软的编程模型在本站不是第一次出现。10 月的文章讲过 MAI-Code-1.1-Flash,那是个只有 50 亿激活参数的轻量模型,定位是 Copilot 里的快速助手;本篇的 MAI Code 2 是 770 亿激活参数的通用模型,定位是复杂、长期的软件工程,Flash 也换成了 120 亿激活参数的新底座。两代之间不只是参数变大:上下文从 1.1 代的规模拉到 105 万 token,多了五档可调推理强度,强化学习直接在 Copilot 的生产框架里跑。读 10 月那篇是了解这个系列的起点,读本篇是看它一个月后长成了什么样。
另外一篇需要划清的是 10 月 28 日的 Copilot Fusion GA 篇。Fusion 是 Copilot 里“不用挑模型、让系统按任务分”的多模型路由,Standard、High、Max 三档;本篇的 MAI Code 2 发布后,微软也把它放进了 Fusion 的 Standard 档。两者的关系是:Fusion 决定“哪个模型干这个活”,MAI Code 2 是“可以被选中的模型之一”。想省事就用 Fusion 自动分配,想对某个模型的行为心里有数,就手动点 MAI Code 2。本篇不重复讲 Fusion 的三档和三种执行方式,只讲新模型本身。
给造应用的人:先拿 Flash 试手,再决定要不要换主力
对正在用 Copilot 造应用的人,最实际的试法是分两步。第一步,把日常高频的小活交给 Flash:解释代码、定点修改、修常规 bug、快速迭代。它在免费版和学生版里也能通过自动选模型用到,价格是全场最低的一档,先看它在你自己的仓库里表现如何。第二步,遇到跨文件重构、深挖 bug、对着整个仓库推理这种重活,再手动切到 MAI Code 2,和你现在用的模型在同一个任务上对比一次:同样的提示词、同样的仓库,看谁的改动更干净、谁的返工更少。
有三件事试的时候要记下来。第一,推广价到 2027 年 5 月 17 日到期,算账的时候按标准价再算一遍,别拿推广价做长期预算。第二,微软自己说了,长周期智能体任务和基础科学研究不在它的舒适区里,别拿它去测那些。第三,模型卡里写明的限制要当真:英文代码之外、冷门语言和框架上的表现没有充分评估过,知识截止到 2026 年 8 月,太长的会话质量会下滑。试用结论只对你自己的仓库和任务有效,别人的基准分数代替不了你自己的那一次对比。
最后是三个值得盯着的时间点。第一个是 12 月 18 日,MAI-Code-1.1-Flash 退役,旧配置要提前改掉。第二个是第三方平台的上线时间,OpenRouter、Vercel 这些地方什么时候能选到 MAI Code 2,微软还没给日子。第三个是独立复现:目前所有基准数字都来自微软自己的 MSBench 和 Copilot CLI 框架,有没有第三方跑出接近的结果,是判断“96% 的分数、5% 的价格”到底有多实在的关键。等这三个时间点有了答案,这篇的判断才算完整。
评论 (0)
原始来源
相关文章
2026 年 11 月 17 日,Perplexity 推出 Orchestrator API:一个接口接通 OpenAI、Anthropic、Google、xAI 与 GLM、Kimi、DeepSeek 等开源权重模型,按回答模型的公开价计费、不收平台费。同一模型挂了就换一家部署接着跑,路由功能还能按任务把请求分给不同的模型。
2026 年 11 月 11 日,AWS 开源 UAEF:先把 LangGraph、LangChain、Strands、Bedrock AgentCore 等框架的运行记录翻成统一格式,再用 36 个指标、7 个维度打分,回归超过 5% 就亮灯。评审模型本身也被防了一手:打分要引原文作证,分数不能用来决定安全放行。
2026 年 11 月 10 日,Amp 推出 Boxes:每月 18 美元起的常开小电脑,专门部署你用智能体造出来的软件。每个 box 自带 runner,智能体能直接在上面改生产数据;同一周 Amp 还上线了 Spaces、告别了 Dial、登陆了 Windows——智能体的工作场,正在从笔记本搬到云端。