Microsoft представила семь моделей ИИ MAI

Microsoft анонсировала семь моделей семейства MAI на конференции Build 2026. Модели разделены на пять функциональных групп: генерация и редактирование изображений, транскрибация аудио, синтез речи, рассуждения и кодирование. В направлениях изображений и речи есть по две версии: полнофункциональная и облегчённая Flash для задач с высокой нагрузкой и низкой задержкой.

Модель для изображений MAI-Image-2.5 предназначена для работы с максимально возможным качеством. По данным компании, она заняла второе место в рейтинге Arena по редактированию изображений и третье место в генерации изображений из текста. Разработчик указал возможности точного локального редактирования, понимание сцены, освещения и перспективы, а также сохранение черт лица при смене позы. Версия MAI-Image-2.5-Flash оптимизирована для скорости и снижения затрат. Стоимость MAI-Image-2.5 установлена в $5 за 1 млн входных текстовых токенов, $8 за 1 млн входных токенов изображений и $47 за 1 млн выходных токенов изображений; Flash-версия предлагается по $1,75, $1,75 и $19,50 соответственно.

MAI-Transcribe-1.5 создана для перевода речи в текст и, по оценке Microsoft, показывает высокую точность для 43 языков. Компания приводит данные по лучшему среднему показателю ошибок на бенчмарке FLEURS и указывает, что модель работает до пяти раз быстрее конкурирующих решений. MAI-Transcribe-1.5 уже начали интегрировать в продукты Microsoft, включая Copilot, Teams, GitHub и Dynamics 365 Contact Centre.

В направлении синтеза речи представлены MAI-Voice-2 и MAI-Voice-2-Flash. MAI-Voice-2 поддерживает 15 языков и предлагает управление эмоциональной окраской голоса. Flash-версия ориентирована на голосовые агенты с минимальной задержкой. В обе модели встроены механизмы защиты от несанкционированного клонирования голоса; все аудиовыходы помечаются водяными знаками, что по замыслу разработчика должно снизить риск злоупотреблений при использовании синтеза речи.

MAI-Thinking-1 — модель, сфокусированная на рассуждениях; она построена на архитектуре Mixture of Experts с 35 миллиардами активных параметров и контекстным окном в 256 тысяч токенов. В приведённых результатах модель набрала 97% на математическом тесте AIME 25 и показала 52,8% на программном бенчмарке SWE Bench Pro. Microsoft отмечает, что эти показатели достигнуты без специальной донастройки под бенчмарки и без дистилляции. MAI-Thinking-1 оптимизирована под фирменный чип Maia 200, что по данным компании даёт прирост производительности на ватт в 1,4 раза при сквозном запуске.

Лёгкая модель для кода MAI-Code-1-Flash имеет примерно пять миллиардов параметров и в тестах набрала 51% на SWE Bench Pro. Microsoft начала развёртывание этой модели как одну из стандартных в Visual Studio Code и интегрировала её в GitHub Copilot CLI.

Microsoft сообщает, что модели уже внедряются в её корпоративные и пользовательские продукты, а Flash-версии предназначены для массовых сценариев с ограниченным бюджетом и высокими требованиями по задержке. Компания планирует расширять языковую поддержку в голосовых моделях и продолжать оптимизацию производительности для разных платформ.