微软于 7 月 23 日发布两款新模型进入公开预览：MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash；同时公布内部数据，客服中心改用 MAI-Voice-2-Flash 后算力成本降低 89%。微软执行长 Satya Nadella 称，当自家模型表现配平或超越前沿方案时就把流量导向 MAI。
MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 的功能定位与定价
MAI-Image-2.5-Pro 定位高阶影像生成，定价为每百万文字输入 token 5 美元、每百万图片输出 token 106 美元；Bing Image Creator 已全面改用 MAI-Image-2.5，WPP 全球创意长 Rob Reilly 在微软公告中称之为「生成媒体工具的一次重大跃进」。
MAI-Voice-2-Flash 定位大量语音处理场景（如客服中心），比前代快一倍、成本低 32%；客服中心换用此模型后算力成本降低 89%。此次公告同时披露了 Bing Image Creator、PowerPoint（GPU 成本较 GPT-Image-2 降低 84%）、OneDrive（存储率 +26%、延迟 -25%）和 Dragon Copilot（错误率 -50%）的部署成效。
GPU 成本节省的具体成绩
微软在公告中揭露的各场景成效如下：
MAI-Voice-2-Flash（客服中心语音）：算力成本降低 89%；比前代快一倍、成本低 32%
MAI-Image-2.5-Pro（PowerPoint）：GPU 成本较 OpenAI GPT-Image-2 降低 84%
OneDrive 换模型：存储率提升 26%，延迟降低约 25%
Dragon Copilot（MAI-Transcribe-1.5，医疗转录）：服务 17 万名医疗人员；上季处理 2,800 万笔患者记录；跨 58 种语言转录与语言识别错误率相对降低 50%
MAI-Code-1-Flash（GitHub Copilot）：代码采用率较 GPT-5.4 Mini 和 Claude Haiku 4.5 高约 10%；Token 消耗少 10%；可在 H100 甚至 A100 GPU 上运行
Nadella 飞轮战略与 MAI 取代前沿模型的流量逻辑
Nadella 在 X 上以《前沿扩散与控制》为题发文，阐述微软的模型策略：当自家模型表现配平或超越前沿替代方案时，就把流量导向 MAI，以更低成本大规模提供服务。支撑此策略的是「hill-climbing」方法论：让资料、模型与产品「配套系统」形成持续迭代的飞轮，而非靠单次训练决定生死。
他同时表示，评测系统「即使拿掉任何一个模型，都应该继续往上爬」——把记忆与技能留在模型之外，形成微软真正掌握的控制权。MAI-Code-1-Flash 在 Excel 的强化学习环境中加练后，可在旧款 H100 和 A100 GPU 上运行，在多数 Excel 任务上配平 GPT-5.6，同时释放最新 GB200 叢集用于训练而非服务请求。
常见问题
MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 的定价各为多少？
MAI-Image-2.5-Pro 定价为每百万文字输入 token 5 美元、每百万图片输出 token 106 美元，已在 Azure 公开预览中提供。MAI-Voice-2-Flash 比前代快一倍、成本低 32%，定价细节以 Azure 官方公告为准。
微软表示改用 MAI 模型后 GPU 成本最多降了多少？
根据微软公布的内部数据，客服中心改用 MAI-Voice-2-Flash 后算力成本降低 89%；PowerPoint 改用 MAI 图像模型后 GPU 成本较 GPT-Image-2 降低 84%；Dragon Copilot 换用 MAI-Transcribe-1.5 后转录与语言识别错误率相对降低 50%。上述数字均来自微软内部评测，并非第三方独立基准测试。
企业客户如何透过 Azure 使用 Microsoft 的 MAI 训练方法？
微软透过 Azure 的 Foundry 和 Frontier Tuning 产品，让企业客户可以使用自己的资料训练专属模型；微软强调这些模型训练来自「干净、可追溯的企业级资料」，且不经第三方模型蒸馏，以回应训练资料来源的合规性问题。
