Microsoft 用 hill-climbing 方法推出面向 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，这是我们集数据、模型和 harness 于一体的飞轮。今天，我们很高兴分享 Microsoft 内部的两个示例：为 GitHub Copilot 和 Excel 中的智能体工作负载专门打造的 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 如何被用作起始检查点，在 Excel 评估上继续爬坡，最终得到两个高效、专用的模型。

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，它在使用更少 token 的同时，表现优于其他同等规模的模型。

• 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 GPT 5.4 Mini 相比，开发者跨多天回访的可能性高出 6%，与 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 提供了一个测试，用来检验内置于 MAI-Code-1-Flash 的能力能否迁移到其训练领域之外，即从智能体编程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。

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、智能体以及产品特定的评估——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。

除了 GitHub Copilot 和 Excel 之外，我们目前正在将这种爬山方法扩展到微软的智能体产品系列中，以训练高效模型：Copilot Chat、Outlook、PowerPoint 等。

相关报道