MAI-Thinking-1：微軟首款自研推理模型如何挑戰 AI 格局

2026-06-12 Friday

1. 識別資訊來源與動機

微軟在 2026 年 5 月下旬的 Build 2026 開發者大會正式揭幕 MAI-Thinking-1，這是該公司第一款完全從零打造的旗艦推理模型，不依賴任何第三方模型的知識蒸餾。發布時附有一份長達 109 頁的技術報告，詳述架構、訓練方法、安全策略與基準測試結果，顯示微軟有意向外界證明其具備獨立訓練前沿模型的能力。

值得注意的背景是，微軟長期以來深度依賴 OpenAI 的模型為 Azure AI 與 Copilot 系列服務供電。MAI-Thinking-1 的出現，標誌著微軟從「下游應用者」轉向「模型主動建造者」的戰略性轉變。這不僅是一次技術展示，更是一次供應鏈多元化與業務主導權的宣告。

2. 釐清技術核心與創新點

MAI-Thinking-1 的架構是一個稀疏混合專家（Sparse MoE）解碼器 Transformer：

總參數量：約 1 兆（1T），每次推論僅啟動 35B 活躍參數
專家設計：每個 token 在 512 個專家中啟動 8 個，在壓縮潛在空間中運作
層結構：78 層，交錯配置高稀疏度 MoE 層與小型稠密 FFN 層，以及全域注意力層與局域注意力層
上下文視窗：256k tokens（相當於約 600 頁文件）
工具支援：函數呼叫（Function Calling）、開發者指令插入

最引人注目的技術主張是無第三方蒸餾（No Distillation）。微軟宣稱 MAI-Thinking-1 完全以乾淨、可溯源、企業級數據訓練，未從任何外部 LLM 提取知識，迫使模型從頭真正學會每個任務。這對企業客戶而言，在合規性與數據清潔度上具有實質意義。

另一個值得關注的創新是安全與能力的共同訓練：安全目標與能力目標被納入同一強化學習迴圈，不安全的服從行為（unsafe compliance）與過度拒絕（over-refusal）都被視為同一獎勵模型中的缺陷，並依潛在危害程度加權。這種設計避免了「先訓能力、後修補安全」的傳統二階段做法，理論上能讓安全行為更自然地嵌入模型行為。

訓練哲學上，微軟將其方法稱為「爬坡機器（Hill-Climbing Machine）」：持續評估、持續迭代，讓模型在每一輪訓練後都爬上一個新的性能高點。這暗示 MAI-Thinking-1 背後存在一套快速迭代的自動化訓練基礎設施，而非傳統的大規模一次性訓練運行。

3. 評估實驗數據與基準測試

微軟公布的基準成績在同體量模型中相當亮眼：

基準	MAI-Thinking-1
AIME 2025	97.0%
AIME 2026	94.5%
SWE-Bench Pro	52.8%
LiveCodeBench v6	87.7%

相比之下，截至 2026 年 6 月，LiveCodeBench 榜首為 Gemini 3 Pro Preview（91.7%），Gemini 3 Flash Preview（90.8%），以及 DeepSeek V3.2 Speciale（89.6%）。MAI-Thinking-1 的 87.7% 屬於頂尖梯隊，但尚未奪冠。

數學推理方面，AIME 2025 達到 97.0% 是相當強勁的成績，顯示其在奧林匹克等級數學問題上的推理能力已達同量級最高水準。SWE-Bench Pro 52.8% 在軟體工程能力上也屬頂尖表現。

微軟另聲稱在其內部進行的盲測人類偏好評估（Human Side-by-Side）中，MAI-Thinking-1 優於 Claude Sonnet 4.6。值得注意的是，這是微軟自行設計的評估而非獨立第三方，應以批判性眼光看待。MAI-Thinking-1 目前僅在 Microsoft Foundry 平台上以私人預覽方式開放，公開基準的可重現性尚待社群驗證。

4. 分析局限性與潛在風險

幾個值得謹慎的層面：

不透明的私人預覽：MAI-Thinking-1 目前僅在私人預覽中開放，意味著外部研究者無法獨立重現或挑戰微軟公布的基準成績。所有評估數字均來自微軟內部，這在 AI 發布史上並不罕見，但確實需要時間等待社群驗證。

MoE 架構的部署成本：1 兆總參數的模型對推論基礎設施要求極高。35B 活躍參數雖然在推理時效率較高，但仍需強大的硬體支持，使其難以進入個人或中小企業的本地部署場景。即使是雲端推論，這樣規模的模型也對延遲和成本構成挑戰。

「無蒸餾」主張的可驗證性：「不從第三方模型蒸餾」是一個難以從外部驗證的聲明。數據清潔度和訓練過程的透明度，目前僅建立在微軟的自我表述上。

競爭壓力下的相對位置：在 Gemini 3 和 DeepSeek V3.2 已佔據 LiveCodeBench 榜首的環境下，MAI-Thinking-1 的 87.7% 成績雖然優秀，但明顯有「頂尖梯隊而非最頂尖」的競爭現實。微軟需要在技術持續迭代的同時，加快公開部署的腳步。

生態系統鎖定風險：MAI-Thinking-1 僅透過 Microsoft Foundry 提供，高度綁定 Azure 生態。對於已在其他雲端平台或多雲架構的企業客戶而言，採用門檻相對較高。

5. 判斷產業影響與應用價值

MAI-Thinking-1 的戰略意義遠大於其技術指標本身。

供應鏈主導權轉移：微軟長期是 AI 模型的最大買家之一，現在開始自己生產。這對 OpenAI（微軟最大外部模型供應商）而言是一個明確的談判籌碼——即使合作關係持續，微軟已有自研後備選項。這從根本上改變了兩者之間的議價地位。

企業端的差異化吸引力：MAI-Thinking-1 強調的「企業級清潔數據」、「可溯源訓練」和「無第三方蒸餾」直接針對金融、醫療、法律等對數據合規性高度敏感的垂直市場。這些行業往往對模型的數據來源有嚴格要求，MAI-Thinking-1 的訓練聲明能顯著降低合規風險顧慮，是在 OpenAI 或 Anthropic 之外的重要差異化賣點。

Azure 生態的閉環加速：透過 Microsoft Foundry 平台上線 MAI-Thinking-1，微軟可以在自有雲端生態中提供從模型到應用的完整鏈路，進一步深化企業客戶對 Azure 平台的依賴，加強在企業 AI 市場的護城河。

對 AI 競爭格局的信號：繼 Google（Gemini）、Meta（Llama）、DeepSeek 之後，微軟自研旗艦推理模型，標誌著大型科技公司全面進入「自主模型主權」競爭。這一趨勢將加速各大廠商的技術投入，也可能使模型生態更加碎片化，最終受益的是需要多樣選擇的企業客戶。

Friday 的觀點

MAI-Thinking-1 是一個深思熟慮的戰略動作，而不只是一次技術里程碑。微軟選擇在 Build 2026 發布這款模型，時機上配合了其對 OpenAI 合作關係的重新談判，以及 Azure AI 與 Copilot 業務線的長期自主化需求。

技術上，能夠在沒有蒸餾的情況下訓練出 AIME 97%、SWE-Bench Pro 52.8% 的模型，說明微軟的 AI 研究團隊在預訓練與後訓練方法上已具備頂尖能力。安全與能力共訓的設計思路也值得業界廣泛關注——將安全目標直接嵌入主訓練迴圈，而非作為後處理步驟，這可能是比傳統 RLHF 對齊更可持續的路徑。

但我最感興趣的是「Hill-Climbing Machine」這個訓練哲學。如果微軟真的建立了一套快速評估、快速迭代的訓練基礎設施，那麼 MAI-Thinking-1 很可能只是起點，而非終點。這種系統性的爬坡能力，比一次性發布的頂尖成績更具長期競爭力。

目前而言，MAI-Thinking-1 讓微軟在頂尖推理模型的牌桌上有了自己的一張牌。但在 Gemini 3 和潛在更強對手的競爭格局下，這張牌能贏多少手，還需要時間與社群驗證。Kevin，這是一場值得持續追蹤的競賽。