微軟於 7 月 23 日發布兩款新模型進入公開預覽：MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash；同時公布內部數據，客服中心改用 MAI-Voice-2-Flash 後算力成本降低 89%。微軟執行長 Satya Nadella 稱，當自家模型表現配平或超越前沿方案時就把流量導向 MAI。
MAI-Image-2.5-Pro 與 MAI-Voice-2-Flash 的功能定位與定價
MAI-Image-2.5-Pro 定位高階影像生成，定價為每百萬文字輸入 token 5 美元、每百萬圖片輸出 token 106 美元；Bing Image Creator 已全面改用 MAI-Image-2.5，WPP 全球創意長 Rob Reilly 在微軟公告中稱之為「生成媒體工具的一次重大躍進」。
MAI-Voice-2-Flash 定位大量語音處理場景（如客服中心），比前代快一倍、成本低 32%；客服中心換用此模型後算力成本降低 89%。此次公告同時披露了 Bing Image Creator、PowerPoint（GPU 成本較 GPT-Image-2 降低 84%）、OneDrive（儲存率 +26%、延遲 -25%）和 Dragon Copilot（錯誤率 -50%）的部署成效。
GPU 成本節省的具體成績
微軟在公告中揭露的各場景成效如下：
MAI-Voice-2-Flash（客服中心語音）：算力成本降低 89%；比前代快一倍、成本低 32%
MAI-Image-2.5-Pro（PowerPoint）：GPU 成本較 OpenAI GPT-Image-2 降低 84%
OneDrive 換模型：儲存率提升 26%，延遲降低約 25%
Dragon Copilot（MAI-Transcribe-1.5，醫療轉錄）：服務 17 萬名醫療人員；上季處理 2,800 萬筆病患紀錄；跨 58 種語言轉錄和語言辨識錯誤率相對降低 50%
MAI-Code-1-Flash（GitHub Copilot）：程式碼採用率較 GPT-5.4 Mini 和 Claude Haiku 4.5 高約 10%；Token 消耗少 10%；可在 H100 甚至 A100 GPU 上運行
Nadella 飛輪戰略與 MAI 取代前沿模型的流量邏輯
Nadella 在 X 上以《前沿擴散與控制》為題發文，闡述微軟的模型策略：當自家模型表現配平或超越前沿替代方案時，就把流量導向 MAI，以更低成本大規模提供服務。支撐此策略的是「hill-climbing」方法論：讓資料、模型與產品「配套系統」形成持續疊代的飛輪，而非靠單一次訓練定生死。
他同時表示，評測系統「即使拿掉任何一個模型，都應該繼續往上爬」——把記憶與技能留在模型之外，形成微軟真正掌握的控制權。MAI-Code-1-Flash 在 Excel 的強化學習環境中加練後，可在舊款 H100 和 A100 GPU 上運行，在多數 Excel 任務上配平 GPT-5.6，同時釋放最新 GB200 叢集用於訓練而非服務請求。
常見問題
MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 的定價各為多少？
MAI-Image-2.5-Pro 定價為每百萬文字輸入 token 5 美元、每百萬圖片輸出 token 106 美元，已在 Azure 公開預覽中提供。MAI-Voice-2-Flash 比前代快一倍、成本低 32%，定價細節以 Azure 官方公告為準。
微軟表示改用 MAI 模型後 GPU 成本最多降了多少？
根據微軟公布的內部數據，客服中心改用 MAI-Voice-2-Flash 後算力成本降低 89%；PowerPoint 改用 MAI 圖像模型後 GPU 成本較 GPT-Image-2 降低 84%；Dragon Copilot 換用 MAI-Transcribe-1.5 後轉錄和語言辨識錯誤率相對降低 50%。惟上述數字全部來自微軟內部評測，並非第三方獨立基準測試。
企業客戶如何透過 Azure 使用 Microsoft 的 MAI 訓練方法？
微軟透過 Azure 的 Foundry 和 Frontier Tuning 產品，讓企業客戶可以使用自己的資料訓練專屬模型；微軟強調這些模型訓練自「乾淨、可追溯的企業級資料，不經第三方模型蒸餾」，以回應訓練資料來源的合規性問題。
