Microsoft MAI-Thinking-1、MAI-Code-1-Flash 完整解析：35B 推理模型超車 Sonnet 4.6——中小企業老闆 6 月 AI 採購 5 個訊號

最近我們在追蹤 Build 2026 之後的微軟動態，結果 6 月 2 日早上一打開信箱，看到一則內部 Slack——「微軟一次發 7 個自研模型，MAI-Thinking-1 跟 MAI-Code-1-Flash 你看了嗎？」我們把那場 keynote 從頭看到尾，做了一份內部備忘錄，今天直接拿出來改寫成這篇。

如果你是中小企業老闆、工程主管、或是手上正握著 6 月 AI 採購預算的人，這篇文章值得讀完。微軟這次發的不只是模型，而是一個明確的訊號：hyperscaler 開始自己做 frontier 模型了。Mustafa Suleyman 在發表會上講過一句話——「Anthropic 太貴了，很多人在急著找替代方案」——這句話背後是 Azure 上的客戶帳單壓力，也是接下來 18 個月你採購 AI 服務時會直接感受到的變化。

這篇我們會做三件事：(1) 把 MAI-Thinking-1 跟 MAI-Code-1-Flash 的核心規格、評測成績、商業意義講清楚；(2) 從中小企業視角抽出「6 月 AI 採購 5 個訊號」，每個訊號都對應一個你下個月就要做的決策；(3) 給一張可以直接帶進採購會議的 stack 決策矩陣表。文末有「我們做過這件事」的真實案例與「我們怎麼看」的方向判斷。

痛點：你的 AI 帳單為什麼一直在漲——廠商鎖定的真實成本

先從中小企業老闆每個月看到的帳單講起。過去 12 個月，我們服務的企業客戶——尤其是有導入 AI 客服、內容生成、Copilot 副駕駛的——遇到一個共同情況：Anthropic Claude 系列、OpenAI GPT 系列的 API 帳單漲得比預算編列時想的快。真正在漲的不是 token 單價（每 1M token 價格其實在跌）。真正推升總額的是「能做的事變多」之後，呼叫量乘以單價之後總額還是漲了 40-80%。這是一個典型的 Jevons paradox：效率上升刺激消費上升，總支出反而擴大。

這就是 Mustafa Suleyman 6/2 那場 keynote 真正想對企業說的話。CNBC 報導指出，他點名 Anthropic 是 Azure 平台上「最大競爭者」——因為太多企業客戶從 Azure OpenAI Service 跳去 Claude API，微軟的雲端營收被切走一塊。對中小企業老闆而言，這場供應商重組會以三種形式打到你的損益表：API 單價、整合工程費、vendor lock-in 切換成本。

我們公司自己每天就在跑 20+ 個 AI 流程——從內容生成、報價單草擬、客服 FAQ 維護到內部 SOP 自動化，每個流程都實測過 Claude、GPT、Gemini 三家。在這個過程中，我們很實感地看到一件事：模型差異對「結果品質」的影響，遠遠小於「整合架構」對「總成本」的影響。換句話說——你今天用哪家模型，3 年後其實會變；但你的整合架構選錯，3 年後要重寫一輪，那才是真的痛。

表 1｜2026 年 6 月三家 frontier 模型對照表（中小企業視角）

表格裡兩件事值得特別點出。第一，MAI-Thinking-1 在 Microsoft AI 官方公告 寫得很清楚：AIME 2025 = 97.0%、AIME 2026 = 94.5%、coding 匹敵 Claude Opus 4.6——這對一個「7 個月前才開始發第一個自研模型」的團隊來說，是非常陡峭的學習曲線。第二，sparse MoE 35B active params 的架構，意味著推論成本理論上比 dense 200B+ 模型低很多，這是微軟敢端出來搶單的主要籌碼。

教方法：MAI-Thinking-1 跟 MAI-Code-1-Flash 規格全解析

MAI-Thinking-1：35B active params 的推理模型

MAI-Thinking-1 是這次發表會的主角。技術規格 Simon Willison 整理得很完整，核心數字記住三個：35B active params、~1T total params、256K context window。Sparse MoE 架構代表每次推論只啟動 35B，運算成本接近一個 35B dense 模型，但模型能力接近 1T 級的 frontier 模型——這是微軟敢宣稱「在某些獨立評測上推理偏好度勝過 Claude Sonnet 4.6」的數學基礎。

真正關鍵的不只是 benchmark，而是訓練資料。TechTimes 報導 強調 MAI-Thinking-1「未蒸餾任何第三方模型」，這對金融、醫療、法律業客戶極重要——資料 lineage 乾淨意味著你導入模型後，內部稽核、客戶資料合規審查時不會被反問「你用的模型是不是用我們不能用的資料訓練的」。這是企業採購評估表上越來越常出現的一條。

MAI-Code-1-Flash：5B 參數的程式碼小模型

MAI-Code-1-Flash 是另一個有趣的東西。Neowin 整理 的關鍵數字：5B 參數的 coding 模型，在 SWE-Bench Pro 上比 Claude Haiku 4.5 高 16 個百分點，且 token 消耗少 60%。已經從 6/2 開始 rollout 到所有 GitHub Copilot tier——Free、Pro、Pro+、Max 都會逐步拿到。

5B 參數可以在 edge / on-prem 部署的可能性，是另一個容易被忽略的訊號。如果你公司有 IT 合規或資料外洩疑慮，過去 frontier 模型都要打 API 出去；現在 5B 級別的 coding 模型已經追平上一代 frontier，本地部署的工程經濟學會在 12 個月內變得划算。我們之前在 GitHub Copilot Desktop 採購評估文 裡有更詳細展開 MAI-Code-1 在工程團隊 30 天評估流程的拆解，工程主管可以接著讀。

其他 5 個模型：image、voice、transcribe、speech、orchestration

不要只盯著 thinking 跟 code。GeekWire 報導 列出完整 7 個：MAI-Thinking-1（推理）、MAI-Code-1-Flash（程式）、MAI-Image-2.5（影像生成）、MAI-Transcribe-1.5（語音轉文字）、MAI-Voice-2（語音合成）、外加 2 個未公開的 orchestration / agentic 模型。對中小企業意義是——微軟在打的這場戰，重點放在「整套 AI stack 都自己做」的 vertical integration 戰略，已經超出單點模型較量的範圍。

中小企業老闆 6 月 AI 採購 5 個訊號

這節是這篇文章的核心。我們把 MAI 系列發布 + Anthropic IPO 保密申請 + OpenAI 估值波動 三件事疊起來看，抽出 5 個你在 6 月內要做的採購決策訊號。每個訊號都對應一個具體動作。

表 2｜中小企業 6 月 AI 採購 5 個訊號 × 對應動作

這 5 個訊號裡，最容易被忽略的是訊號 4。Anthropic 已在 6/1 遞交 IPO 保密申請 我們之前寫過完整解析——上市後股東會壓力會推著 Anthropic 把毛利率拉高，這對下游採購方意味著兩種可能：要嘛 Claude API 漲價，要嘛 Claude Pro / Max 訂閱方案的功能切割變細。如果你公司已經買了 5-10 個 Claude Agent SDK 信用池訂閱，這個變化會直接打到你下個季度的雲端成本。

土法天花板：自己拼裝 AI stack 為什麼撐不過 18 個月

在這 5 個訊號之下，很多中小企業老闆會問一個自然問題：「那我為什麼不自己拼？拿 LangChain + 開源模型 + 自己 deploy，省下訂閱費。」這個方向不是錯的——很多公司確實可以這樣起步。但這條路有一個 18 個月的天花板，我們在實作過自己內部 AI 流程之後看得很清楚。

土法拼裝的 stack 通常長這樣：開源模型（Llama 3.x / Qwen）+ 自架 vector DB（Chroma / Qdrant）+ LangChain orchestration + 自寫 RAG pipeline + 自架監控（Langfuse / Phoenix）+ HuggingFace inference endpoint 或自家 GPU。前 3 個月一切都很順——你會驚嘆「省下這麼多 API 費」。但 6 個月後，三個天花板會同時撞上來。

第一個天花板：模型替換成本。當 MAI-Thinking-1 推出、Claude Opus 4.9 出來、Llama 4 發布——你要不要換？換的話 prompt、function calling 介面、output schema 全要重寫一輪。我們自己內部 20+ AI 流程在過去 12 個月經歷過 4 次大型模型替換，每次都是工程瓶頸。第二個天花板：監控債。LangChain trace 看起來很美，但當 agent 在生產環境失敗、要追根因，「為什麼這個 tool call 沒觸發」這種問題自架監控還是要花 2-3 天人工 debug。第三個天花板：合規。FSC、HIPAA、GDPR 來敲門時，自架架構要做 SOC 2 audit trail，成本比想像高。

表 3｜中小企業 AI Stack 採購決策矩陣（4 種路徑 × 5 個維度）

我們在客製化系統開發的諮詢經驗中，看到中小企業最後落地的多半是 C + D 混合——核心是 C（雲端 PaaS 抽象層、跟著 hyperscaler 拿價格戰紅利），外圍是 D（一層自己訂製的 orchestration 抽象，讓 prompt / agent / workflow 可以跨模型遷移）。這層自訂抽象一開始要花 30-80 萬，但 18 個月內換 2 次模型就能回本——更別說合規審計時可以省下 200+ 萬的整改成本。

我們的判斷：客製化整合那層為什麼會成為新護城河

這節是直球。我們認為——3 年後企業 AI 競爭的差異化不在「用了哪家模型」，而在「有沒有一層客製化的 orchestration 抽象」。理由有三個。

第一，模型供應商正在快速商品化。MAI-Thinking-1 一發出來就讓「Claude vs GPT」這個比較變成「Claude vs GPT vs MAI vs Gemini vs Llama vs Mistral」——選項多到企業不會再為單一模型做專屬整合。第二，hyperscaler 的價格戰會把 API 單價拉到很低，但 vendor lock-in 風險同步升高——這時候，誰擁有「跨模型抽象層」的 know-how，誰就在新採購決策上有議價權。第三，合規與資料 lineage 的需求只會更嚴。你的客戶（B2B）或主管機關（金融/醫療）會問「你用什麼模型、訓練資料來源、是否經過你們審查」——這套答案需要工程上的隔離設計，不是換個 API key 就能解決。

這就是恆遠這幾年押注「客製化系統開發 + AI 顧問」雙軌的原因。我們站在 AI 巨人肩膀上做產品的願景，落點很明確——「幫中小企業設計一層 orchestration 抽象，讓他們今天用 Claude、明年換 MAI、後年混合本地部署都不痛」。「重新造一個更好的 LLM」那是 OpenAI、Anthropic、Microsoft 的戰場，我們不打。這層工程才是真正能幫客戶把 AI 從 demo 變成生意的關鍵。

導入前後對比：一家 30 人公司的 AI Stack 重整路徑

用一個常見場景把上面的分析具體化。想像一家 30 人的 B2B 軟體公司，年營收 5,000 萬，目前 AI 月度花費約 8 萬（Claude API + GitHub Copilot Business + 內部 Cline / Cursor 訂閱）。如果這家公司聽完上面 5 個訊號開始做 stack 重整，會看到什麼樣的前後對比？

表 4｜30 人 SaaS 公司 AI Stack 重整前後對比

這張表的重點不在數字本身——每家公司情況不一樣——而是在「重整路徑可不可規劃」。我們的諮詢經驗中，30 人規模的公司做完整 stack 重整通常需要 8-12 週，前 2 週對齊現況、3-6 週設計抽象層、7-10 週導入 2 個 pilot workload、11-12 週移轉剩餘 workload。這個節奏比想像中快，是因為「重點放在把模型呼叫那層抽象出來，業務邏輯本身一行不動」。

給工程主管 / 老闆 / 採購評估者：這個月先做哪三件事

讀到這裡如果你覺得「方向我懂了，下個月先動什麼」，這節給你具體的三件事，按你的角色分。

如果你是中小企業老闆：

• 把目前所有 AI 訂閱、API、Copilot 授權盤點成一張表——項目、月費、合約結束日期。沒有這張表就沒有談判籌碼。
• 檢查最大筆的合約，看有沒有「IPO 後鎖價」或「短約轉長約」的條款——這個月就可以發信問供應商。
• 把工程主管找來，給他 30 天去評估 MAI-Code-1-Flash 跟現有 coding 工具的差異——這是低風險、高資訊量的決策。

如果你是工程主管：

• 設計一個 30 天 A/B 評估：選 1 個工程團隊、同一週的 PR 隨機分配給 MAI-Code-1-Flash 跟現有工具，比較程式碼採用率、review 時間、bug 率。可以參考 我們之前的 30 天評估流程設計。
• 檢視現有 AI 整合的 lock-in 程度——有多少 prompt 寫死特定模型？function calling schema 有沒有抽象層？把這個風險指標報給老闆。
• 申請 Microsoft Foundry 私有預覽資格（如果是 Azure 客戶）——光是評估資格本身就有資訊價值。

如果你是採購評估者：

• 把採購評估表新增一欄「model swap cost」——估算如果今天的模型 6 個月後換掉，所需重寫工時。沒有這欄等於沒在做 AI 採購。
• 如果合約金額 > NT$ 100 萬，要求供應商寫進「IPO 或被併購後 12 個月鎖價」條款——這是合理且常見的要求。
• 跟法務一起設計「資料 lineage 條款」——要求供應商承諾未蒸餾特定第三方模型、訓練資料合規、可審計。MAI-Thinking-1 拿這條當賣點就是因為這條會變主流。

如果上面三件事看起來「方向都對但不知道怎麼起步」——這就是我們做的事。恆遠的 AI 顧問服務 跟 客製化系統開發 雙軌，正是為了把上面這套「stack 評估 → 抽象層設計 → 多模型整合」的工程方法，幫客戶實際落地。可以把你公司現在的 AI 使用現況丟過來，我們陪你一起看哪一段先動、值不值得做、大概怎麼做最划算。這個階段先聊，後面真的要動手再談範圍跟費用。

跟 Build 2026 大公告連著看：模型 + 平台 + 信用池三條線交匯

MAI 系列要看出真正的訊號強度，必須跟微軟 6 月那一波組合拳放在一起看。我們之前完整解析過 Microsoft Build 2026 三大新公告——Agent Control Specification、Microsoft IQ Web Grounding、Copilot Credits 對中小企業 6 月採購決策的影響。把那篇跟這篇放一起讀，會看到微軟這個季度在做一件很清楚的事：把『模型 → 平台 → 計價/額度 → agent 標準』四條線同時往自研方向推。

這代表什麼？對中小企業老闆而言，過去買 AI 服務的心智模型是「找一家 frontier 模型廠商 + 一家雲」，現在變成「同一家 hyperscaler 把模型、平台、額度、agent 標準綁成一個訂閱包」。Bundle 變大、單價變低，這對成本控管是好事；但 bundle 變大也代表 lock-in 風險升高、cross-vendor 搬遷成本變高。Trade-off 沒消失，只是被重新包裝了。

跟 Anthropic 那邊比對更有意思。Anthropic 在 6/1 遞 IPO 保密申請、6/15 推 Claude Agent SDK 信用池改革——同一個月，兩家 frontier player 都在重新設計「企業怎麼為 AI 付費」這件事的計價單位。MAI 還沒公告價格、Claude 已經把訂閱跟信用池綁起來，這是接下來 12 個月企業採購評估的主戰場。我們在 Claude Agent SDK 信用池採購評估文 裡有把這個變化的 7 個訊號拆得更細，跟這篇對著看會更立體。

常見誤判 × 反向操作：寫給已經被 AI 廠商繞昏的老闆

誤判 1：先選模型再談架構

這個誤判最常見。很多公司開會討論 AI 採購，前 30 分鐘在比 Claude vs GPT vs Gemini，後 15 分鐘才開始想「我們要解決的問題到底是什麼」——這個順序顛倒了。正確順序應該是：先盤點 workload、再設計抽象層、最後才挑模型。模型是末端決策，因為它每 6-12 個月就會被超車。

反向操作：下次 AI 採購會議，把『模型品牌』這個欄位從第一張投影片移到第三張之後。第一張先放「這個季度要解決的 5 個 workload」、第二張放「這些 workload 對 context window / coding 能力 / 多模態 的真實需求」、第三張才開始選模型。光是改開會順序，採購決策品質會明顯升一階。

誤判 2：把『便宜』跟『划算』畫上等號

MAI-Thinking-1 預期 token 單價低 30-50% 這個訊號，最容易讓人衝動下決策。但 token 單價只是成本三件套之一——還有整合工程費、replacement risk 兩塊隱藏成本。我們的諮詢經驗中，看過好幾個案子是「為了省 30% API 費用，換了模型，結果整合工程多花了 80 萬」——換算下來 18 個月內根本回不了本。

反向操作：採購評估時，把成本切成「直接成本（API/訂閱）+ 整合成本（一次性 + 月度）+ replacement risk 折現」三塊，分別算 18 個月 TCO。如果只算第一塊，就是 1990 年代用「螢幕價格」買 PC 而忽略整套電腦的價格——你拿到的不是省錢的選擇，是更貴的選擇。

誤判 3：以為 on-prem 部署是技術門檻問題

MAI-Code-1-Flash 是 5B 參數的 coding 模型，已經有人在問「我們公司可以自己部署嗎」。技術上可以——5B 的模型用一張消費級 GPU 就跑得動。但 on-prem 真正的瓶頸不是技術，是維運。模型怎麼更新、benchmark 怎麼追、安全 patch 怎麼打、推論延遲怎麼監控、failover 怎麼做——這 5 件事每一件都比「啟動推論服務」難 3 倍。

反向操作：除非有極強合規需求（金融、醫療、國防），中小企業 Q3 之前先別碰 on-prem。等 12 個月後 hyperscaler 推出「private endpoint + dedicated capacity」這類產品，在雲上拿到「on-prem 級隔離」+「免維運」，比自架划算很多。

誤判 4：等所有訊號明朗再動

AI 模型市場接下來 18 個月會有大量重大變動——OpenAI 估值波動、Anthropic IPO、Google Gemini 改版、Meta Llama 開源節奏、Mistral 商業化、Microsoft MAI GA。如果策略是「等塵埃落定再動」，會永遠等不到——這個產業未來 3-5 年都不會有塵埃落定的一天。

反向操作：把「stack 抽象層設計」這件事跟「選哪家模型」脫鉤。抽象層做完之後，每次有新模型出來，你只是「多評估一個選項」，不是「重新做一次採購決定」。這層投資是 8-12 週、~ 50-150 萬，回收的是接下來 5 年所有模型替換決策的速度。

這篇文章可以怎麼直接帶到下次會議用

最後給一個實用的收尾——這篇文章裡哪些段落可以直接拿來用在你公司會議上。我們設計這篇的時候有刻意讓內容模組化，老闆、工程主管、採購評估者各拿一段都帶得走。

• 給董事會 / 高階會議：把 H2「中小企業老闆 6 月 AI 採購 5 個訊號」整段印下來，加上你公司現況的 5 個對應動作填寫。30 分鐘討論可以收掉「我們對 AI 廠商重組準備好了沒」這個議題。
• 給工程週會：把 H2「教方法：MAI-Thinking-1 跟 MAI-Code-1-Flash 規格全解析」+ stack 決策矩陣表帶進去。讓工程團隊投票決定下個 sprint 要不要設計 A/B 評估流程。
• 給採購會議：把表 3「stack 採購決策矩陣」+ 表 4「導入前後對比」直接放進採購評估表附件。這兩張表能幫採購單位把「便宜」跟「划算」的差別跟老闆解釋清楚。
• 給供應商談判：把「我們怎麼看」段落裡的「3 年後贏的不會是某一家模型，而是會把『模型抽象層』當成工程基本功的企業」這句拿來當談判 anchor——這句話會讓供應商認真把 lock-in 條款攤出來談。

如果你看完想立刻動手，但內部沒有人有過「設計 stack 抽象層」的實作經驗，這就是我們最常被找去做的事。從盤點現況、設計抽象層、到 pilot workload 落地，整套通常 8-12 週走完。可以先把你公司現在的 AI 使用情況丟過來，我們聊聊，先看值不值得做、大概怎麼做最划算——這個階段我們陪你想，後面真的要動手再談範圍跟費用。

MAI 系列發表這件事，本質是 AI 模型市場進入「多供應商商品化」時代的明確訊號。中小企業老闆現在能做的最有價值的事其實很單純——先建立一個「不會被任何單一供應商綁死」的 AI stack 設計。換模型反而是次要的，等抽象層好了再說。這條路 8-12 週可以走完，回報是接下來 18 個月的議價權跟靈活度。如果你想討論你公司現在的 AI stack 怎麼長，跟我們聊聊，我們很樂意陪你一起把這張地圖畫出來。