@MicrosoftAI：Microsoft AI 發布 MAI 系列模型實現端到端自主訓練。 Microsoft AI 此次推出的 MAI 系列模型涵蓋推理、程式撰寫、影像、語音…

Microsoft AI 發布 MAI 系列模型實現端到端自主訓練。 Microsoft AI 此次推出的 MAI 系列模型涵蓋推理、程式撰寫、影像、語音與轉錄等多個領域，皆採用從零開始的訓練方式，不依賴第三方模型蒸餾，並強調資料來源的透明度與授權合法性。Mustafa Suleyman 指出，這套「爬坡機器」（Hill-Climbing Machine）系統旨在透過持續的資料優化、強化學習與硬體協同設計，確保模型效能能隨運算資源投入而穩定提升。 旗艦推理模型 MAI-Thinking-1 作為 Microsoft AI 的核心推理模型，MAI-Thinking-1 是一款中型規模的稀疏混合專家（MoE）模型，具備 35B 活躍參數與約 1T 總參數。 效能表現：在軟體工程基準測試中與 Claude Opus 4.6 表現相當，並在數學與科學推理上展現強大能力。 企業級功能：支援 256k token 的 context window，具備函式呼叫（function calling）能力，並相容於 Chat Completions API。 開發理念：強調「能力應透過學習獲得而非繼承」，並透過 Microsoft 的強化學習架構，將安全性訓練納入能力提升的循環中，避免模型因過度安全限制而拒絕合法請求。 高效能程式開發模型 MAI-Code-1-Flash 專為 GitHub Copilot 設計的 MAI-Code-1-Flash，旨在提升開發者日常工作流程的效率。 基準測試：在 SWE-Bench Pro 測試中以 51.2% 的成功率超越 Claude Haiku 4.5 的 35.2%，且在 SWE-Bench Verified 測試中，以減少 60% 的 token 用量達成更高準確率。 實戰優化：模型直接在 GitHub Copilot 的生產環境 harness 中進行訓練，能更精準地處理多步驟的程式開發任務，如閱讀程式碼、編輯檔案與執行測試。 部署：目前已陸續向 Visual Studio Code 的 GitHub Copilot 使用者開放。 多媒體生成與處理模型 MAI-Image-2.5：分為標準版與 Flash 版，在 Arena 影像編輯榜單排名第二。支援精確的局部編輯（如替換物件、移除模糊），並能保持人臉與識別標誌的一致性。 MAI-Transcribe-1.5：支援 43 種語言，在 FLEURS 基準測試中表現優異，處理一小時音訊僅需不到 15 秒，速度較同類模型快 5 倍。新增「關鍵字偏好」（Keyword Biasing）功能，可提升領域專有名詞的識別準確度達 30%。 MAI-Voice-2：支援 15 種語言，具備情感控制（如興奮、耳語）與跨語言的語碼轉換（code-switching）能力。透過 5 至 60 秒的參考音訊即可進行零樣本（zero-shot）語音合成，並內建嚴格的授權與防濫用機制。 前沿調校與未來願景 Microsoft AI 提出了「前沿調校」（Frontier Tuning）概念，允許企業在專屬的強化學習環境（RLE）中，利用自身的工作流程資料對模型進行微調。 實例應用：Microsoft 與 Mayo Clinic 合作，將共同開發專屬的醫療前沿 AI 模型，結合 Mayo Clinic 的臨床專業知識與 Microsoft 的基礎 AI 能力，旨在提升診斷準確度與治療規劃。 基礎設施：所有模型皆與 Microsoft 自研的 Maia 200 加速器協同設計，並已達成 1.4 倍的效率提升。 開放策略：除了 Microsoft Foundry，這些模型也將透過 OpenRouter、Fireworks 與 Baseten 等平台提供給開發者使用。 Microsoft AI 強調其目標是建立「人文主義超級智慧」（Humanist Superintelligence），確保 AI 系統始終作為人類的輔助工具，在人類的意圖與監督下運作，而非取代人類。原文：https://easyvibecoding.app/curated/1720