Microsoft 发布用于 GitHub Copilot 和 Excel 的专用 MAI 模型

模型

超级智能团队

2026年7月23日

模型

超级智能团队

更好的模型，更少的参数，更少的 token

在6月的Build大会上，我们介绍了我们的爬坡–机器，这是我们集成的数据、模型和 harness 飞轮。今天，我们很高兴分享 Microsoft 内部的两个示例：专为 GitHub Copilot 和 Excel 中的智能体工作负载打造的 MAI 模型。

早期结果令人鼓舞。在我们的实际产品部署中，我们看到部署在 Excel 中的 MAI 模型在最常见的任务上与 GPT-5.6 不相上下，同时更具成本效益。

下图展示了在 GitHub Copilot harness 中后训练的 MAI-Code-1-Flash 如何被用作起点检查点，在 Excel 评估上继续爬坡，最终得到两个高效、专用的模型。

Line graph showing pass rates on SWE Bench (VS Code and Base) across model checkpoints, with data points labeled "Code" and "Excel." Pass rates increase over checkpoints, starting below 72% and peaking at 86%.

GitHub Copilot 中的 MAI-Code-1-Flash

自6月在 GitHub Copilot 中推出 MAI-Code-1-Flash 以来，数百万开发者已将其用于日常工作，它的表现优于其他同等规模的模型，同时使用的 token 更少。

在 VS Code 中，它的代码接受率比 GPT 5.4 Mini 和 Claude Haiku 4.5 高出约10%。

与使用 GPT 5.4 Mini 相比，开发者跨多天回访的可能性高出6%，与使用 Claude Haiku 4.5 相比高出11%。

它的中位 token 使用量比 GPT-5.4 mini 和 Claude Haiku 4.5 低10%，同时用户发起的轮次更多。

MAI 模型已在 Excel 中上线

Excel 提供了一项测试，用以检验内置于 MAI-Code-1-Flash 的能力能否迁移到其训练领域之外，即从智能体编码转向智能体知识工作。为此，我们在 Excel 强化学习环境中进一步训练了 MAI-Code-1-Flash 检查点，以学习电子表格中的工具和知识工作流。最终得到的模型精通 Excel 工作流，运行起来更高效、成本更低。

Flowchart titled "The Excel climb" showing an Excel RL Environment with action, review, execute, and update steps, linked to input, output, grader, and updated model weights.

来自生产流量的用户反馈表明，Excel 中 MAI 模型的质量在最常见的任务上与 GPT-5.6 不相上下。除了直接的模型成本节省外，这个更小、更高效的模型可以部署在 Nvidia H100 和 A100 级 GPU 上，而不必仅依赖最新一代加速器，这显著降低了 Microsoft 的部署成本。

从产品栈内部训练智能体模型

这些结果指向一个更广泛的战略。通过访问整个产品栈——模型、运行它的 harness、智能体以及特定于产品的评估——我们可以持续爬坡，训练出高效、强大的模型，能够完成以往由更大、更昂贵的模型处理的任务。

除 GitHub Copilot 和 Excel 之外，我们目前正在将这种爬坡方法扩展到 Microsoft 的智能体产品系列中，训练高效模型：Copilot Chat、Outlook、PowerPoint 等。