Microsoft przedstawił MAI — siedem modeli AI na Build 2026

Na konferencji Build 2026 Microsoft zaprezentował rodzinę MAI — siedem modeli sztucznej inteligencji podzielonych na pięć grup funkcjonalnych. Firma poinformowała, że modele będą dostępne w ekosystemie Microsoftu i u partnerów oraz że trafią do zastosowań od masowej produkcji po prace badawcze.

W obszarze obrazów zaprezentowano MAI-Image-2.5 oraz MAI-Image-2.5-Flash. MAI-Image-2.5 zajęła drugie miejsce w rankingu Arena w zadaniach edycji obrazu i trzecie w generowaniu obrazu z opisu tekstowego. Microsoft wymienił możliwości precyzyjnej lokalnej edycji, zrozumienia struktury sceny, oświetlenia i perspektywy oraz zachowania rysów twarzy przy zmianie ujęcia. Ceny pełnej wersji to 5 USD za 1 mln wejściowych tokenów tekstowych, 8 USD za 1 mln wejściowych tokenów obrazów i 47 USD za 1 mln wyjściowych tokenów obrazów. Wersja Flash ma ceny 1,75 USD, 1,75 USD i 19,50 USD odpowiednio za te same rodzaje tokenów.

MAI-Transcribe-1.5 ma konwertować mowę na tekst. Microsoft określił go jako „najlepszy na świecie model transkrypcji” i podał, że model osiąga wiodącą dokładność dla 43 języków. W benchmarku FLEURS model uzyskał najlepszy średni wskaźnik błędów i prowadzi w 18 językach. Firma przekazała, że model działa do pięciu razy szybciej niż konkurencyjne rozwiązania. MAI-Transcribe-1.5 jest już integrowany z Copilotem, Teams, GitHubem i Dynamics 365 Contact Centre.

Dla syntezy mowy przedstawiono MAI-Voice-2 oraz MAI-Voice-2-Flash. MAI-Voice-2 generuje głos z naturalną intonacją i oferuje kontrolę zabarwienia emocjonalnego. Model obsługuje 15 języków, a Microsoft zapowiedział rozszerzenia tej listy. W modelu wprowadzono mechanizmy ograniczające nieautoryzowane klonowanie głosu, a wszystkie wyjścia audio będą oznaczane znakiem wodnym. Wersja Flash została zoptymalizowana pod agentów głosowych o niskich opóźnieniach.

MAI-Thinking-1 to model ukierunkowany na rozumowanie. Ma architekturę Mixture of Experts z 35 mld aktywnych parametrów i oknem kontekstowym na 256 tys. tokenów. W teście matematycznym AIME 25 model uzyskał 97%, a w benchmarku programistycznym SWE Bench Pro osiągnął 52,8%. Microsoft poinformował, że model zoptymalizowano pod układ Maia 200 i deklaruje 1,4-krotny wzrost wydajności na wat przy uruchomieniu end-to-end.

MAI-Code-1-Flash to lekki model do generowania kodu o wielkości 5 mld parametrów. W teście SWE Bench Pro uzyskał 51%. Firma podała, że model jest już wdrażany jako domyślny w Visual Studio Code oraz w GitHub Copilot CLI, a koszty eksploatacji mają być niższe niż u podobnych modeli.

Microsoft zapowiedział dalszy rozwój funkcji językowych i poszerzanie liczby języków obsługiwanych przez syntezę mowy. W materiałach prezentacyjnych firma przedstawiła plany integracji modeli z narzędziami dla deweloperów i firm oraz dostępność modeli do zastosowań produkcyjnych.