Microsoft Build 2026:
7 собственных моделей MAI — догонит ли Microsoft OpenAI и Anthropic?

Если вы используете GitHub Copilot, Azure или следите за стратегическим расхождением Microsoft vs OpenAI, Build 2026 обязателен к прочтению: Satya Nadella и Mustafa Suleyman представили 7 собственных моделей MAI — включая первый reasoning-флагман MAI-Thinking-1, изображения MAI-Image-2.5, транскрипцию MAI-Transcribe-1.5, голос MAI-Voice-2, код MAI-Code-1-Flash и локальное AI-оборудование Surface RTX Spark Dev Box. Этот гайд охватывает: контекст зависимости от OpenAI на $13 млрд, параметры и цены каждой модели, реальный смысл бенчмарков, семимерный анализ, подключение в 6 шагов и FAQ.

SECTION 01 Зачем Microsoft строит собственные модели MAI: три риска зависимости от OpenAI

За семь лет Microsoft вложила в OpenAI более $13 млрд; GPT на Azure — ключевой столп AI-стратегии. Глубокая зависимость создаёт структурные риски:

• Неконтролируемые расходы: каждый API-вызов оплачивается OpenAI — чем больше масштаб, тем тоньше маржа;
• Технологический суверенитет: нет контроля над темпом моделей, источниками данных и владением весами;
• Контрактные ограничения: исходное соглашение явно ограничивало собственное обучение крупных моделей Microsoft.

Перелом в конце 2025: переговоры, снятие лимитов на размер моделей, явное разрешение Microsoft независимо преследовать «суперинтеллект». Mustafa Suleyman на Build 2026:

«Мы получили «свободу» от контракта с OpenAI примерно полгода назад — разрешение преследовать суперинтеллект со своим IP, своими данными и своим compute. Это очень раннее начало.»

Build 2026 — первый публичный показ этого «собственного мозга» — и начало независимого AI-пути от OpenAI. Это совпадает с трендом custom silicon и compute-стратегии: контроль затрат, суверенитет данных и каналы дистрибуции.

SECTION 02 7 моделей MAI подробно: параметры, бенчмарки, цены и доступность

На keynote — 6 моделей + 1 Flash-вариант + Dev Box. Таблица суммирует статусы; детали по каждой модели ниже.

MAI-Thinking-1 — reasoning-флагман

Кратко: первая reasoning-модель Microsoft, enterprise-код и математический reasoning, приоритет cost-efficiency.

Sparse MoE означает: при инференсе активны только 35B параметров — значительно меньше плотных флагманов вроде GPT-5.5 или Claude Opus. Стоимость инференса заметно ниже — главный дифференциатор.

Что бенчмарки означают на самом деле (не верьте маркетингу слепо):

• Technical Report формулирует «competitive with Sonnet 4.6 across a wide range of benchmarks» — Sonnet это mid-tier Anthropic, не флагман Opus;
• Сравниваемые версии устарели: актуальный флагман — Claude Opus 4.8 (SWE-Bench Pro 69,2%); Microsoft использовал Opus 4.6 двухверсийной давности (53,4%);
• GPT-5.5 на SWE-Bench Pro — 58,6%, тоже выше MAI-Thinking-1.

Вывод: MAI-Thinking-1 — конкурентоспособная mid-tier reasoning-модель с сильной cost-efficiency, но абсолютная производительность позади текущих флагманов Anthropic / OpenAI.

MAI-Image-2.5 — текст-в-изображение & изображение-в-изображение

Первая модель Microsoft с text-to-image и image-to-image; Arena.ai редактирование изображений #2, text-to-image #3. Возможности: Text-to-Image, стилевой перенос Image-to-Image и локальное редактирование, Control with Preservation (семантическая структура сохраняется). Интегрирована в PowerPoint, OneDrive и Azure Foundry Model Catalog.

MAI-Transcribe-1.5 — речь-в-текст

43 языка по всему миру (с автоопределением), средний WER FLEURS 4,9%, Artificial Analysis WER 2,4% (3-е место в общем рейтинге). Скорость 276× реального времени (1 час аудио за секунды), в 5,7 раз быстрее v1.4. Contextual Biasing повышает точность терминологии. Цена $0,36 / аудио-час — на бенчмарке FLEURS 43 языка опережает Scribe V2, Whisper-large-V3, GPT-4o-Transcribe и Gemini 3.1 Flash. Типичные сценарии: протоколы Teams, транскрипция call-центра, голосовые комментарии кода в GitHub Copilot.

MAI-Voice-2 — мультиязычный TTS

Zero-shot клонирование голоса (секунды референс-аудио), эмоциональный контроль (тон, темп, окраска), 15+ новых языков, MP3 24 kHz. Цена $22 / 1M символов, Flash-вариант с ultra-low latency «скоро». Интегрирован в Azure Foundry, VS Code, Dynamics 365, Microsoft Copilot.

MAI-Code-1-Flash — coding-ассистент

Модель кода, оптимизированная для GitHub Copilot и VS Code, уже в продакшене — вероятно, MAI с наибольшим ежедневным влиянием на разработчиков. Контекст 256K, встроена в GitHub Copilot (включая CLI), VS Code, GitHub Actions. Цена $0,75 / 1M input tokens, $4,5 / 1M output tokens. SWE-Bench 51%, выше Claude Haiku 4.5, явные преимущества по скорости/стоимости.

SECTION 03 Surface RTX Spark Dev Box: локальные модели 120B+ — «dream machine»

Satya Nadella назвал её «dream machine» — ключевая логика: перенести cloud AI compute на рабочий стол, напрямую бросить вызов модели pay-per-token.

Предустановлено: WSL 2 (native GPU passthrough + CUDA), VS Code + GitHub Copilot, PowerShell 7, Python, Node.js, Git, NVIDIA CUDA/cuDNN, AI Toolkit for VS Code, Windows ML, Microsoft Foundry CLI.

Что запускается: локальные модели 120B+ параметров (Llama 4, Qwen 3 и др.), плавное взаимодействие с контекстом 1M tokens, fine-tuning в масштабах, требующих cloud GPU instances.

Продажи: осень 2026, только США через Microsoft.com, цена не объявлена, также для потребителей (не только enterprise). Локальные 120B-модели означают отсутствие API-платежей OpenAI/Anthropic — интересный параллель с обсуждением TCO локального compute vs облачной аренды: Dev Box решает локальный inference Windows/Linux; CI iOS/macOS и Apple Silicon agents всё ещё требуют dedicated hardware.

SECTION 04 Догонит ли Microsoft OpenAI и Anthropic? Семимерная матрица решений

Mustafa Suleyman на Build 2026, необычно прямо:

«Цель — доказать, что мы можем войти в четвёрку лучших AI-лабораторий мира. Пока нет — именно поэтому я в Microsoft: строить лучшие frontier-модели глобально, полностью мультимодальные, с нуля.»

Признанная «большая тройка» — Google DeepMind, OpenAI, Anthropic. Microsoft публично признаёт, что не в их числе — само по себе сильный сигнал.

Уже достигнуто: собственное обучение (MAI-Thinking-1 без дистилляции), полное мультимодальное покрытие, enterprise data security, cost competitiveness (те же задачи заявлены в 10 раз дешевле GPT-5.5), мощная дистрибуция (GitHub Copilot, десятки миллионов разработчиков), MAI-Code-1-Flash в продакшене.

Остающиеся разрывы: flagship SWE-Bench Pro ~16% позади; темп моделей (Anthropic Opus 4.8, OpenAI GPT-5.6 vs первая генерация Microsoft); training infrastructure в стадии строительства; MAI-Thinking-1 ещё в Private Preview.

Настоящий сдвиг: Microsoft играет в другую игру — от «чья модель сильнее» к «чья система удобнее»: MAI-Code-1-Flash в GitHub Copilot означает 75 млн разработчиков ежедневно на моделях Microsoft; Surface RTX Spark Dev Box упаковывает «локальный AI-суверенитет» в hardware; enterprise-данные остаются в Azure при fine-tuning MAI — data flywheel у Microsoft.

Краткосрочно (1–2 года): чистые тесты интеллекта моделей позади флагманов OpenAI и Anthropic. Среднесрочно (3–5 лет): созревание training-системы «Hill-Climbing Machine» Suleyman плюс Azure-дистрибуция и GitHub-экосистема — реальный шанс войти в «большую четвёрку». Соревнование решается не только бенчмарками, но точками трения в developer workflows, data sovereignty и hardware.

SECTION 05 Как использовать модели MAI: 6 шагов для Azure Foundry и Copilot

1. Проверить доступные модели: MAI-Code-1-Flash, MAI-Image-2.5, MAI-Transcribe-1.5, MAI-Voice-2 в продакшене; MAI-Thinking-1 требует заявки Private Preview.
2. Создать ресурс Azure OpenAI / Foundry: открыть Azure AI Foundry, создать Foundry-проект в целевом регионе, включить Model Catalog.
3. Запросить MAI-Thinking-1 Private Preview (опционально): найти «MAI-Thinking-1» в Model Catalog и подать заявку, или microsoft.ai/models/mai-thinking-1.
4. Настроить API key и endpoint: получить azure_endpoint и api_key в «Keys and Endpoint»; рекомендуемая версия API 2026-05-01.
5. Вызвать MAI-Code-1-Flash (Chat Completions): OpenAI SDK-совместимый интерфейс, имя модели mai-code-1-flash; пользователям GitHub Copilot ничего настраивать — inline suggestions VS Code уже на этой модели.
6. Подключить speech и image API: MAI-Transcribe-1.5 / MAI-Voice-2 через Azure Speech API; MAI-Image-2.5 через serverless endpoint Foundry Model Catalog. MAI также на OpenRouter, Fireworks AI, Baseten.

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)

SECTION 06 Цитируемые технические данные и вывод для разработчиков

• MAI-Thinking-1 активные параметры: 35B (MoE всего ~1T), контекст 256K, SWE-Bench Pro 52,8%, AIME 2026 94,5%.
• MAI-Transcribe-1.5 скорость: 276× реального времени, FLEURS WER 4,9%, цена $0,36/аудио-час.
• Surface RTX Spark Dev Box: 128 ГБ unified memory, 1 Petaflop, 100 Вт TDP, локальные модели 120B+.
• MAI-Code-1-Flash цена: $0,75/1M input + $4,5/1M output tokens, SWE-Bench 51%.
• Совокупные инвестиции Microsoft в OpenAI: $13 млрд+; новое соглашение конца 2025 сняло лимиты собственного обучения.

Официальные и сторонние источники для повторной проверки параметров и цен после релиза:

Microsoft AI: Introducing MAI-Thinking-1

MAI-Thinking-1 Technical Report (PDF)

New MAI models in Microsoft Foundry

Surface RTX Spark Dev Box (Microsoft Devices Blog)

Microsoft and OpenAI broke up — now they're ready to fight (The Verge)

Dev Box выводит локальный Windows inference на передний план, но три сценария остаются слабыми: ① iOS CI с macOS/Xcode не запускается нативно на Windows; ② cross-platform agents с оптимизацией Apple Silicon (Metal, Core ML) не заменяются Windows-устройством; ③ Dev Box сначала только США, цена неизвестна — глобальный деплой сложен краткосрочно. Для production-сред с нативной Apple-мощностью без потерь, стабильным iOS CI/CD и AI Agent automation 7×24 физические облачные Mac-узлы MACNOX обычно оптимальнее: 100% Apple hardware, полный Root, нулевой overhead гипервизора, гибкая аренда день/неделя/месяц — дополняя Dev Box как «локальный Windows inference + macOS cloud CI». См. hardening AI Agent production и выбор AI coding-модели.

SECTION 07 Часто задаваемые вопросы