标题和作者
文档标题为 Microsoft's new MAI models，作者为 Simon Willison（根据文章来源域名和标签推测）。本文主要介绍了 Microsoft 最新发布的两款新型文本大语言模型 MAI-Thinking-1 和 MAI-Code-1-Flash，并深入探讨了它们在参数规模、推理性能以及训练数据合规性方面的独特之处。作者是一位密切关注人工智能和大语言模型领域的技术专家与博主，经常在其个人博客上分享对前沿 AI 技术动态的敏锐观察与深刻见解。
摘要
本文详细介绍了 Microsoft 最新发布的两款大语言模型 MAI-Thinking-1 和 MAI-Code-1-Flash，并重点探讨了它们在参数规模、性能表现以及训练数据合规性方面的突破。
在此之前，行业内已有许多大型科技公司发布过参数庞大、性能强悍的大语言模型，并且普遍依赖从互联网上大规模抓取未经许可的数据进行训练。
尽管如此，本文之所以还需要着重探讨这两款新模型，是因为 Microsoft 此次采用了独特的稀疏激活架构（总参数量庞大但活跃参数极低），不仅大幅降低了访问和运行成本，而且在特定领域展现出惊人的性能，甚至超越了体积更大的竞品。更重要的是，官方宣称它们使用了完全合法合规的数据进行训练。
本文通过梳理官方公告和技术报告，详细列出了两款模型的总参数与活跃参数（例如 MAI-Thinking-1 拥有 1T 总参数但仅有 35B 活跃参数），并引用了官方的盲测评估结果来进行对比分析。
本文的总结非常出色，作者不仅及时纠正了初期对模型参数规模的误读，还敏锐地抓住了“未经许可的网络数据抓取”这一行业痛点，对官方宣称的“合规数据”提出了进一步的探讨和质疑，信息量丰富且极具启发性。
本节术语解释：LLMs（Large Language Models，大语言模型）是指基于海量文本数据训练的深度学习模型，能够生成和理解人类语言。Parameters（参数）是模型内部的变量，参数量越大通常意味着模型容量越大；而“Active Parameters”（活跃参数）是指在处理特定输入时实际被激活和使用的参数数量，这种机制可以显著降低计算成本。GitHub Copilot 和 Visual Studio Code (VS Code) 是微软推出的代码托管平台和代码编辑器，常用于辅助程序员编写代码。Distillation（蒸馏）是一种模型训练技术，通常指用一个大模型的输出来训练一个小模型，本文强调微软没有使用第三方模型的蒸馏数据。
主要主题和概念
主题一：低活跃参数模型的成本与性能平衡
What：Microsoft 推出了总参数量巨大但活跃参数极低的新型模型（如 MAI-Code-1-Flash 仅有 5B 活跃参数，MAI-Thinking-1 仅有 35B 活跃参数），旨在解决当前大型模型访问成本过高的问题。
Why：随着大语言模型规模的不断膨胀，运行和访问这些模型的计算成本变得极其昂贵。为了在保证高性能的同时降低部署成本，必须探索更高效的模型架构。
How：Microsoft 采用了稀疏激活机制，使得模型在推理时只需调用极小一部分参数。例如，MAI-Code-1-Flash 被专门构建用于 GitHub Copilot 和 VS Code，以低活跃参数实现了高性能和低成本，并逐步向个人用户推出；而 35B 活跃参数的 MAI-Thinking-1 甚至在盲测中超越了体积更大的 Sonnet 4.6 模型。
主题二：模型训练数据的合规性与原创性
What：探讨 Microsoft 新模型在训练数据来源上的合规性声明，即完全使用干净、具有商业许可的企业级数据，且没有使用第三方模型的蒸馏。
Why：当前行业内普遍存在通过未经许可的大规模网络数据抓取来训练模型的现象，这引发了严重的版权和法律争议。寻找完全合规且不依赖其他模型输出的训练路径，是行业亟待解决的关键问题。
How：Microsoft 宣称从零开始构建了这些模型，使用的是完全干净且获得适当许可的数据。作者对此表示了极大的兴趣，并推测这可能是首批未依赖未经许可的网络数据抓取而训练出来的实用型代码专家模型，尽管作者仍呼吁公开更多关于这些“合规数据”的具体细节。
本节术语解释：Blind human side-by-side evaluations（盲测人类并排评估）是一种测试方法，让人类评估者在不知道模型身份的情况下，比较两个不同模型生成的输出结果，以消除品牌偏见。Sonnet 4.6 是文中提到的一个基准对比模型。Enterprise grade, clean and commercially licensed data（企业级、干净且具有商业许可的数据）指的是那些来源合法、经过清洗处理且拥有明确商业使用授权的高质量数据集，这与未经授权抓取的互联网数据形成鲜明对比。
重要引文
论点：Microsoft 宣称其新发布的 MAI-Thinking-1 模型在推理能力上具有极高的性价比和优越表现，并且其训练过程完全基于合法合规的数据。
论据：官方公告指出，MAI-Thinking-1 拥有 1T（1万亿）总参数和 35B（350亿）活跃参数，并且“在盲测人类并排评估中优于 Sonnet 4.6”。同时，官方明确表示：“我们在企业级、干净且具有商业许可的数据上从头开始训练了该模型，没有使用第三方模型的蒸馏。”同样，MAI-Code-1-Flash 也被描述为“由 Microsoft 使用干净且获得适当许可的数据端到端构建”。
论证：作者首先引用了 MAI-Thinking-1 的参数规模和盲测结果，证明一个仅有 35B 活跃参数的模型能够击败更大的模型，这印证了其卓越的性能和低成本优势。随后，作者连续引用了两款模型关于训练数据的官方声明，以此作为论据来证明这些模型在数据合规性上的突破。作者通过这些引用，论证了微软不仅在模型架构上实现了低成本高性能，更在版权争议频发的 AI 训练数据领域树立了一个潜在的合规标杆。
本节术语解释：1T（1 Trillion，1万亿）和 35B（35 Billion，350亿）是表示模型参数规模的单位。GitHub Copilot 是一个基于 AI 的代码补全工具。Distillation from third-party models（第三方模型蒸馏）是指利用其他公司或开源的 AI 模型的生成结果来训练自己的模型，这种做法在版权和原创性上存在争议。Model card（模型卡）是随模型发布的一份文档，用于提供模型的详细信息、性能指标和预期用途。
总结
本文最引人注目的亮点在于 Microsoft 发布的 MAI-Thinking-1 和 MAI-Code-1-Flash 两款模型打破了常规的参数堆砌路线，通过极低的活跃参数（如 5B 和 35B）实现了媲美甚至超越大型模型（如 Sonnet 4.6）的性能，这为降低大型语言模型的运行成本提供了极具价值的应用场景。更为关键的是，文章敏锐地指出了这两款模型在训练数据合规性上的重大突破——完全摒弃了未经许可的网络数据抓取和第三方模型蒸馏。这不仅回应了当前 AI 领域面临的严峻版权挑战，也引发了业界对于“高质量合规数据源究竟为何”的强烈好奇。尽管目前这些模型仍处于早期测试或特定工具（如 VS Code）的集成阶段，且其真实的“合规数据”细节仍有待公开验证，但它们无疑为未来构建低成本、高性能且法律风险极低的 AI 模型指明了极具潜力的发展方向。