7 моделей MAI Microsoft на Build 2026

Зачем Microsoft строит свои модели: зависимость на $13 млрд и свобода контракта в конце 2025

За семь лет Microsoft вложила более 13 миллиардов долларов в OpenAI. GPT-модели на Azure стали основой AI-стратегии. Эта глубокая зависимость создала три структурных риска:

1. 01

   Неконтролируемые расходы: Каждый API-вызов платит OpenAI. При масштабировании маржа сжимается.

2. 02

   Нет технического суверенитета: Microsoft не контролирует темп итераций, источники данных и владение весами.

3. 03

   Контрактные ограничения: Исходное соглашение явно запрещало Microsoft самостоятельно обучать крупномасштабные модели.

4. 04

   Утечка data flywheel: Enterprise fine-tuning на OpenAI API при определённых условиях может улучшать конкурентов.

5. 05

   Отставание по итерациям: Anthropic на Opus 4.8, OpenAI на GPT-5.6 — Microsoft ждёт релизов третьих сторон.

Перелом наступил в конце 2025. Стороны пересогласовали договор. Новое соглашение сняло ограничения по размеру моделей и явно разрешило Microsoft самостоятельно идти к superintelligence. Глава Microsoft AI Mustafa Suleyman сформулировал так:

Build 2026 стала первой публичной демонстрацией этого внутреннего мозга — и заявлением, что путь независимости от OpenAI только начинается.

Остальные пять MAI-моделей: image, голос, транскрипция и code

MAI-Image-2.5 / Flash — text-to-image и image-to-image

Первая image-модель Microsoft с поддержкой text-to-image и image-to-image. Место #2 в leaderboard редактирования Arena.ai и #3 в text-to-image. Возможности: Text-to-Image, Image-to-Image style transfer, Control with Preservation (сохраняет семантическую структуру при правках). Интегрирована в PowerPoint и OneDrive, в каталоге Azure Foundry.

MAI-Transcribe-1.5 — speech-to-text

Поддерживает 43 языка с автоопределением. Средний WER FLEURS 4,9%, WER Artificial Analysis 2,4% (3-е место), скорость обработки 276× realtime (час аудио за секунды). Latency улучшена в 5,7× vs версия 1.4. Функция Contextual Biasing повышает точность доменных терминов. Цена: $0,36 / аудио-час. Обходит Scribe V2, Whisper-large-V3, GPT-4o-Transcribe и Gemini 3.1 Flash в бенчмарках. Типичные сценарии: заметки Teams, транскрипция поддержки, голосовой ввод Copilot.

MAI-Voice-2 — мультиязычный TTS

• Zero-shot voice cloning: Клонирование голоса из секунд референс-аудио
• Emotional style control: Настраиваемый тон, темп и эмоциональная окраска
• Языковое покрытие: 15+ новых языков
• Вывод: MP3 24 kHz; цена $22 / 1M символов
• Flash-вариант: Ультра-низкая latency для realtime voice agents, скоро

Интегрирован в Azure Foundry, VS Code, Dynamics 365 и Microsoft Copilot.

MAI-Code-1-Flash — coding assistant (доступен сейчас)

Inference-эффективная coding-модель для GitHub Copilot и VS Code — работает в вашей IDE сегодня. Контекст 256K, встроена в GitHub Copilot (включая CLI), VS Code и GitHub Actions. Цена: $0,75 / 1M input tokens, $4,5 / 1M output tokens. SWE-Bench 51%, обходит Claude Haiku 4.5 с явными преимуществами по скорости и стоимости. FrontierNews.ai назвал её MAI-моделью с наиболее прямым ежедневным влиянием на разработчиков.

Все 7 моделей: обзор доступности

Руководство доступа для разработчиков: 6-шаговый runbook и цитируемые hard data

6-шаговый runbook доступа

1. 01

   Подтвердить доступные модели: MAI-Code-1-Flash, Image-2.5, Transcribe-1.5 и Voice-2 в общем доступе; Thinking-1 требует заявки на приватную превью.

2. 02

   Включить Azure Foundry: Перейдите на ai.azure.com и найдите MAI-модели в Model Catalog.

3. 03

   Заявка на MAI-Thinking-1 preview: Найдите «MAI-Thinking-1» в Model Catalog и нажмите Apply, или перейдите на microsoft.ai/models/mai-thinking-1.

4. 04

   Пользователи GitHub Copilot: MAI-Code-1-Flash уже backend-модель Copilot (CLI и inline suggestions VS Code) — изменения конфигурации не нужны.

5. 05

   API-вызовы: Используйте Azure OpenAI-совместимый интерфейс с api_version 2026-05-01 и model mai-code-1-flash.

6. 06

   Сосуществование мульти-моделей: Один Foundry workspace может вызывать MAI и GPT-5.6, маршрутизация по сложности задачи.

import openai

client = openai.AzureOpenAI(
    azure_endpoint="https://<your-resource>.openai.azure.com/",
    api_key="<your-api-key>",
    api_version="2026-05-01"
)

response = client.chat.completions.create(
    model="mai-code-1-flash",
    messages=[
        {"role": "system", "content": "You are an expert software engineer."},
        {"role": "user", "content": "Refactor this Python function to use async/await: ..."}
    ],
    max_tokens=2048
)
print(response.choices[0].message.content)

Цитируемые hard data

• Активные параметры MAI-Thinking-1: 35B (sparse MoE, ~1T total) — стоимость inference значительно ниже плотных флагманов
• Скорость MAI-Transcribe-1.5: 276× realtime, $0,36/аудио-час, FLEURS 43 языка WER 4,9%
• Compute Surface Dev Box: 1 PFLOPS, 128 ГБ unified memory, 100 Вт TDP, локально 120B+ модели
• Цена MAI-Code-1-Flash: $0,75/M input + $4,5/M output, SWE-Bench 51%
• Разрыв SWE-Bench Pro: MAI-Thinking-1 52,8% vs Opus 4.8 69,2% (~16 пунктов)

Cloud-only MAI API снижают стоимость inference, но цепочки iOS signing, локальные Xcode builds, Metal inference и CI 24/7 всё ещё требуют физических macOS-узлов. Surface Dev Box выходит осенью только в США без цены, VM дают overhead производительности и риск EULA. Для более стабильной production-среды для iOS CI/CD и автоматизации AI-агентов аренда Mac Mini в облаке VpsMesh обычно лучший выбор: физический Apple Silicon, root-доступ и предсказуемая месячная цена — в дополнение к MAI-Code-1-Flash на слое inference. Copilot генерирует код; cloud Mac выполняет builds и signing.

Источники: Microsoft AI: MAI-Thinking-1 · Azure AI Foundry Blog · Surface RTX Spark Dev Box · The Verge · VentureBeat