微軟推 7 款自研模型,瞄準企業 AI 的 token 成本
Tech News

微軟推 7 款自研模型,瞄準企業 AI 的 token 成本

圖片:微軟
TechLab 編輯部·

微軟在 Ignite 2026 公布 7 款自研 AI 模型,將程式開發、資安、影像生成、語音互動與模型路由拆分為不同產品。對企業而言,這波發布的重點在於降低長期推理成本:與其讓所有工作都交給大型通用模型,微軟希望以任務專用模型和路由機制,讓較便宜的模型承接日常工作。

不過,目前可見的效能與成本比較主要是微軟的聲稱。iThome 報道未列出完整測試設定、計費方式、可用地區或 Azure 部署條件,因此企業在採購或遷移工作流前,仍要按自身程式碼、資料權限和工作量驗證實際成本。

將高頻工作交給專用模型

在開發場景,MAI Code 2 鎖定企業日常 coding 任務。微軟宣稱,它的效能可達 GPT-6.1 Sol 的 98%,但完成任務的成本約為後者四成。若這項比例能在企業的實際專案中重現,對大量生成、修改及檢查程式碼的團隊尤其重要,因為成本會隨使用頻率、上下文長度和重試次數累積。

資安方面,MAI Cyber 2 Flash 用於持續監控、漏洞掃描與修補。iThome 指出,微軟以 CyberGymE2E 測試為例,宣稱其表現與 GPT-6 Astra 相當,成本不足 2%。這類模型若能以較低成本反覆執行掃描或分流告警,有機會令資安團隊更容易把 AI 納入高頻流程;但修補建議是否準確、能否安全執行,仍取決於企業的驗證、權限控制與人工覆核安排。

圖片:微軟

路由決定成本能否真正下降

微軟同時推出 Decision 1.1,負責為不同任務選擇合適模型。這是整套策略的關鍵環節:企業即使同時採用多個模型,若無法準確判斷哪些請求需要最強模型,哪些可由較快、較便宜的模型處理,token 支出仍可能持續上升。

分析而言,模型路由也帶來新的管理課題。企業需要界定資料可送往哪些模型、何時可自動切換,以及低成本模型答錯時如何升級處理。成本最佳化不只涉及單次呼叫價格,也涉及錯誤輸出造成的重工、延誤和風險。

部署控制權成為企業考量

iThome 報道指出,微軟亦推出 MAI Licensed Weights,讓企業取得模型權重,並可在自身 Azure 環境部署及客製化。這類安排可讓企業對內部資料和調整後的模型成果保留較多控制權,較適合對資料處理邊界有明確要求的工作流。

其餘模型包括影像生成及編輯用的 MAI Image 2.7,以及針對低延遲語音對話的 MAI Realtime 1。微軟把模型組合擴展至多種工作類型,反映企業 AI 的競爭焦點正由單一模型能力,延伸至如何依工作內容分配模型、控制資料和壓低持續使用成本。

下一步值得觀察的是,微軟會否公布各模型的可用範圍、定價及更完整的測試方法;企業則需要以自身工作流比較品質、延遲、治理需求與總成本,而非只按官方的單項成本比例作決策。

延伸閱讀

AI 輔助說明: 本文由 AI 協助整理。


參考來源

本文根據原文及公開資料整理;資料有出入時,以原文及官方資料為準。

分享:WhatsAppThreadsTelegramFacebook