Microsoft 自家 reasoning / coding AI 登場：Copilot 會唔會少靠 OpenAI？

Microsoft 喺 Build 2026 一口氣拎出七個自家 MAI 模型，最有指標性嘅唔係圖片或語音，而係 MAI-Thinking-1 同 MAI-Code-1-Flash。前者係 Microsoft AI 第一個高階 reasoning 模型，後者係為 GitHub Copilot 同 VS Code workflow 而做嘅 coding 模型。對開發者嚟講，重點唔係又多一個模型名，而係 Copilot 背後嘅模型供應開始由 OpenAI-only，變成 Microsoft 可以自己落場調度。

發生咩事

Microsoft 話 MAI-Thinking-1 係 35B active、約 1T total parameters 嘅 MoE 模型，技術報告報出 SWE-Bench Pro 52.8%、AIME 2025 97.0%、LiveCodeBench v6 87.7%。呢啲係官方 benchmark，唔等於第三方實測；但方向好清楚：Microsoft 想證明自己唔只做 app layer，而係連模型、data、RL environment 同 Azure infrastructure 都要掌握。

MAI-Code-1-Flash 更貼近日常開發。Microsoft 話佢用 clean、appropriately licensed data，由 Microsoft end-to-end 建，正逐步推畀 GitHub Copilot individual users 喺 VS Code model picker 同 Auto picker 使用。官方 benchmark 對 Claude Haiku 4.5：SWE-Bench Pro 51.2% 對 35.2%，並聲稱 SWE-Bench Verified 可少用最多 60% tokens。因為係 rollout，唔係每個帳戶都會即刻見到，實際要以 VS Code model picker 為準。

對 Copilot workflow 嘅影響

對 GitHub Copilot，最可能先出現嘅唔係 UI 大改，而係 Auto picker 喺唔同任務揀唔同模型：簡單補 code 用輕模型，repo 問答、refactor、寫 test、跑 agent 時先用更貴或更慢嘅 reasoning 模型。GitHub Copilot 由 2026 年 6 月 1 日起已全面轉用 AI Credits 計費，所以 token 用量同 latency 唔只係技術數字，會直接變成成本同手感問題。

對公司 IT team 嚟講，呢個會改變採購同治理問題。以前係問「用唔用 Copilot」，之後會問「邊啲 team 可以用邊啲模型、budget 點封頂、generated code 點 review」。如果 MAI-Code-1-Flash 真係可以喺常見 coding agent 任務用少啲 tokens，佢就唔單止係新模型，而係 Microsoft 控制 Copilot 成本曲線嘅工具。

Foundry 同香港可用性

MAI-Thinking-1 目前更似企業級預覽，而唔係一般人即刻開得嚟玩嘅模型。Microsoft model card 寫明佢經 Azure Foundry private preview 申請 early access，定價按 deployment type 同 tokens 等因素計，但未公開港幣價。Microsoft Learn 現時列到嘅 MAI-Image-2 / 2e region 包括 West Central US、East US、West US、West Europe、Sweden Central、South India，未見 East Asia；而 Azure East Asia 係香港 SAR region，所以 MAI-Thinking-1 / MAI-Code-1-Flash 嘅香港 Azure region、港幣收費同企業 rollout 都係 [待確認]。

真正訊號

呢件事唔等於 Microsoft 即刻同 OpenAI 分手；官方仍然話 partnership 係核心，OpenAI API 同 Azure 仍有深度綁定。不過 Microsoft 同時講明要自給自足，仲話 MAI 模型會放上 Foundry、OpenRouter、Fireworks、Baseten。呢個係雲端平台常見打法：唔押單一模型，將模型變成可替換嘅供應層，真正鎖住用戶嘅係 Copilot、VS Code、GitHub、Azure policy、billing 同 enterprise data flow。

現階段最務實嘅睇法係：日常 Copilot 用家會先感受到 MAI-Code-1-Flash 帶嚟嘅速度、成本同 Auto picker 變化；建 agent workflow 或 enterprise Foundry 嘅團隊，先需要跟 MAI-Thinking-1。落 production 前，最好用自己 repo、CI、security review 同 budget 上限試，因為官方 benchmark 贏，唔代表你嘅 codebase 一定贏。

參考來源

• The Verge — Microsoft’s first advanced reasoning AI is here — original report
• Building a hill-climbing machine: Launching seven new MAI models — Microsoft AI 官方總公告，確認七個模型、clean data、Foundry / OpenRouter / Fireworks / Baseten 分發方向。
• MAI-Thinking-1 — 官方模型頁，確認 35B active、約 1T total parameters、private preview 同 Foundry early access。
• MAI-Thinking-1: Building a Hill-Climbing Machine technical report — 官方技術報告，提供 SWE-Bench Pro、AIME、LiveCodeBench 等 benchmark 數字同訓練背景。
• Introducing MAI-Code-1-Flash — 官方 coding 模型文章，確認 VS Code / GitHub Copilot rollout、Auto picker、benchmark 同 token efficiency 說法。
• MAI-Thinking-1 model card — 官方 model card，確認 Azure Foundry private preview、256K context、pricing 未列實數。
• Foundry Models sold by Azure — Microsoft Learn 文件，用嚟核對已公開嘅 MAI 模型 region availability。
• Azure regions list — Microsoft Learn 文件，確認 East Asia region physical location 係 Hong Kong SAR。

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。