
Sju MAI-modeller i ett Ignite-huvudtal: Var MAI Code 2 faktiskt passar in
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 118 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 187 tok/s
Microsoft använde sin keynote på Ignite 2026 den 17 november till att sätta sju nya modeller på scen samtidigt, och den som utvecklare kommer att argumentera om är MAI Code 2. Den säljs inte på ett poängresultat utan på en kvot: Microsofts eget tillkännagivande säger att den når 96 % av prestandan hos Claude Opus 5.5 över fyra kodningsbenchmark för 5 % av kostnaden, och 98 % av prestandan hos GPT-6.1 Sol för 40 %. Det är leverantörssiffror från Microsofts interna utvärderingsramverk, de har inte reproducerats av någon utanför Microsoft, och modellen hade ingen oberoende rad på resultattavlan när detta skrevs. Det som ändå gör lanseringen värd att läsa är att priskvoten är verklig och verifierbar, modellkortet är ovanligt specifikt, och distributionen är snävare än tillkännagivandets ton antyder.
Så här ser lanseringen ut: vad som har släppts, vad påståendena är genomsnitt av, vad modellkortet säger som blogginlägget inte säger, vad det kostar och när priset ändras, och varför kodmodellen är den som spelar roll för en budget snarare än den flashigaste i uppsättningen.
Vad som faktiskt tillkännagavs
Sju modeller, ett chip, ett licensprogram. Modellerna är MAI Cyber 2 Flash för defensivt säkerhetsarbete, MAI Code 2 och MAI Code 2 Flash för kodning, MAI Image 2.7 för bildgenerering och bildredigering, MAI Realtime 1 för tal-till-tal i realtid, Dragon Copilot Transcribe som bygger på MAI Transcribe 2, och Decision 1.1, en routermodell som Microsoft säger är 50 gånger snabbare och 79 gånger billigare än GPT-Sol 6.1. Vid sidan av dem satte Microsoft Maia 200, sin andra generationens accelerator, i produktion och introducerade MAI Licensed Weights, som gör det möjligt för en organisation att köra en anpassad MAI-modell i sin egen Azure-miljö.

Kodparet är där pengarna finns. MAI Code 2 är den större modellen, positionerad för djup felsökning, implementering över flera filer, resonemang över hela kodförrådet och frontend-arbete. MAI Code 2 Flash är den lilla: kodförklaringar, riktade ändringar, rutinmässiga rättningar, snabb iteration. Microsofts formulering är tydlig med att dessa är vardagliga företagsmodeller snarare än modeller som jagar frontlinjen, och tillkännagivandet säger det två gånger.
Det påstående som Microsoft leder med, och vad det är ett genomsnitt av
Siffrorna 96 % och 98 % är medelvärdet av fyra benchmarktester: DeepSWE 1.1, Terminal Bench 2.1, SWE Atlas och FrontierCode v1.1. Tre av dessa kördes på MSBench, Microsofts interna utvärderingsplattform, med GitHub Copilot CLI i version 1.0.102, med subagenter inaktiverade och varje modell inställd på maximal resonemangsinsats. FrontierCode-komponenten är av ett annat slag: dessa poäng och kostnader kommer från Artificial Analysis, inte från Microsofts testramverk. Så huvudresultatet är en blandning av tre tester som Microsoft kört själva och ett tredjepartstest, och uttrycks sedan som en procentandel av genomsnitten för två konkurrenter.

Ett andra påstående står bredvid det, och det är det som säger mest om vad Microsoft anser sig ha byggt. I blinda parvisa utvärderingar av frontend-arbete som omfattade gränssnitt, spel, datavisualiseringar, 3D-scener och SVG-grafik föredrog granskarna MAI Code 2:s utdata framför GPT-6 Sol:s i 64 % av fallen, bland 258 annotatorer. Det är en preferensstudie, inte en godkännandegrad, och preferenser är billiga att vinna med självsäker UI-kod. Det är också det enda påståendet i tillkännagivandet som handlar om smak snarare än korrekthet, och smak är där en billig modell rimligen kan slå en dyr i ett verkligt produktteam.
Vad modellkortet säger som blogginlägget inte gör
Det 24 sidor långa modellkortet är det mer användbara dokumentet, eftersom det innehåller de siffror som en köpare behöver och som tillkännagivandet utelämnar.
• Arkitektur — en decoder-only-transformer med glesa mixture-of-experts-lager och en integrerad visionskodare, i båda modellerna
• Parametrar — MAI Code 2 på ungefär 2,8 biljoner totalt, 77 miljarder aktiva, med 3 miljarder inbäddade; MAI Code 2 Flash på ungefär 398 miljarder totalt och 12 miljarder aktiva
• Träning – cirka 50 biljoner token för förträning plus cirka 150 miljarder token för utökning av lång kontext för den stora modellen, allt mellan augusti och november 2026, med en kunskapsgräns i augusti 2026
• Kontext och gränser — 1 050 000 token i kontext, maximal indata på 922 000 token och maximal utdata på 128 000 token, text och bild som indata, text som utdata
• Styrning av resonemang — fem ansträngningsnivåer, från låg till max, som avväger latens och kostnad mot kvalitet
• Angivna begränsningar – optimerad enbart för engelsk kodproduktion vid lansering, inte anpassad för grundvetenskaplig forskning eller agentiskt arbete med mycket lång tidshorisont, och inte avsedd för helt autonoma system som vidtar konsekvensfyllda åtgärder utan mänsklig tillsyn
Den där sista raden är den ärliga, och det är meningen som ett inköpsteam bör läsa två gånger. Microsoft hävdar inte att man erbjuder en allmän frontlinjemodell till rabatterat pris. Man hävdar att man har en kodningsmodell som är bra på det arbete GitHub Copilot-kunder faktiskt utför, och man säger rakt ut var modellen tar slut.
Där du kan ringa det, vilket är snävare än det låter
MAI Code 2 och MAI Code 2 Flash finns båda i GitHub Copilot – den större modellen i Copilot Pro, Pro+, Max, Business och Enterprise, och Flash från Free-nivån och uppåt. MAI Code 2 Flash finns dessutom i en begränsad förhandsversion i Microsoft Foundry och kan anropas via ett OpenAI-kompatibelt Responses-API. Själva MAI Code 2 har ingen Foundry-distribution vid lanseringen.
Den asymmetrin är den praktiska detaljen som ligger begravd under benchmarkbilden. Om du vill ha MAI Code 2 i Copilot har du det i dag. Om du vill anropa MAI Code 2 från din egen applikation, ditt agentramverk eller din CI-pipeline finns det ingen publicerad slutpunkt att anropa: den enda modellen i det här paret med API-stöd är den mindre, och den är en förhandsversion. Microsoft säger att tillgänglighet för tredje part är på väg; inget är publicerat ännu och inget datum anges. Modellvikter distribueras inte alls, och licensen är en uppsättning produktvillkor snarare än en öppen källkodslicens.
Vad det kostar, och datumet då priset fördubblas
Copilot fakturerar dessa modeller per token enligt förbrukningsbaserad fakturering, och båda har kampanjpriser med ett publicerat slutdatum.
• MAI Code 2 — $0,50 per miljon indatatoken, $0,025 per miljon cachade indatatoken, $2,50 per miljon utdatatoken, fram till 17 maj 2027; från och med det datumet $1,00, $0,05 och $5,00
• MAI Code 2 Flash — $0,05, $0,005 och $0,25, fram till 17 maj 2027; från och med det datumet $0,10, $0,01 och $0,50
• Claude Opus 5.5, för jämförelsens skull — $4,00 input, $0,20 cachad input och $20,00 output per miljon tokens
• GPT-6.1 Sol, för jämförelsens skull — $2,00 indata, $0,10 cachad indata och $10,00 utdata per miljon tokens
Läser man första och tredje raden tillsammans blir aritmetiken intressant. Till kampanjpriser kostar MAI Code 2 12,5 % av Claude Opus 5.5:s pris per token, och 25 % av GPT-6.1 Sols. Microsofts rubriksiffra är 5 % och 40 % av kostnaden, inte av priset. De rubriksiffrorna är kostnad per uppgift över de fyra benchmarkarna, vilket kombinerar priset per token med hur många tokens varje modell gör av med för att slutföra en uppgift – och modellkortet säger att varje modell kördes med maximal resonemangsansträngning, där tokenantalen varierar mest.
Skillnaden mellan de två slagen av siffror är det man bör ta med sig in i en budgetdiskussion. En kostnadskvot på 5 % ovanpå en priskvot på 12,5 % innebär att MAI Code 2 slutför de uppgifterna efter att ha använt ungefär 40 % av de tokens som Claude Opus 5.5 använder. Det är min uträkning utifrån Microsofts publicerade kvoter, inte ett uttalande från Microsoft, och den pekar i motsatt riktning mot den vanliga rabattberättelsen: besparingen handlar mindre om en billig token än om en modell som stannar tidigare. Sammanvägda in- och utpriser gör det i bästa fall till en grov siffra, men riktningen är värd att känna till, eftersom billiga tokens och en billig uppgift inte är samma budgetpost, och endast en mätning på uppgiftsnivå talar om vilken av dem du köper.
Varför detta är en prislansering, inte en kapacitetslansering
Inget i lanseringsmaterialet gör anspråk på något nytt state of the art. Microsofts egna ord är att dessa modeller "uttryckligen ännu inte är trimmade för svårare problem", och modellkortet tillägger att alignment bedöms som liknande GPT-5.6 Sol och mindre aligned än GPT-6. Strategin som visas upp är den som Ignite-keynoten uttryckte rakt ut: när en modell byggs för att driva forskningens gräns framåt betalar du för den förmågan vid varje rutinmässig buggfix, så bygg en modell som är bra på det rutinmässiga arbetet och prissätt den därefter.
Huruvida det fungerar beror på en fråga som Microsoft inte kan besvara på egen hand. Jämförelseunderlaget är Microsofts egen testrigg mot två konkurrenters publicerade konfigurationer, och den enda oberoende komponenten, FrontierCode, är ett enda benchmark av fyra. En godkännandegrad från förstapart på en förstapartstestrigg är en rimlig ingenjörssignal och en svag inköpssignal. Siffran att vänta på är en oberoende rad på en neutral resultattavla, körd av någon som inte har något eget intresse i svaret och på en testrigg som ingen på Microsoft har konfigurerat.
Så prissätter du jämförelsen själv

Varken MAI Code 2 eller MAI Code 2 Flash finns i OrcaRouters katalog i dag; den publicerade vägen är GitHub Copilot, vilket innebär att den jämförelse Microsoft bjuder in dig att göra för närvarande inte kan köras med en enda nyckel. Det kan däremot de modeller som den mäts mot.Claude Opus 5.5, GPT-6.1 Sol och Gemini 4 Carbon finns alla på OrcaRouter till leverantörens listpris utan påslag, så den dyra sidan av den här kalkylen är mätbar redan i dag, med priser per token som ändras samma dag som en leverantör ändrar dem. Om den billiga sidan senare blir anropbar utanför Copilot blir jämförelsen ett routingbeslut i stället för en kalkylövning – och automatisk failover är det som gör det säkert att lägga en pris-prestandamodell i en produktionsväg innan den har en oberoende historik att luta sig mot.
Vad du bör hålla utkik efter, i tur och ordning: en oberoende benchmarkrad för MAI Code 2; en Foundry-driftsättning för den stora modellen i stället för bara Flash-förhandsvisningen; och 17 maj 2027, då priset på båda modellerna fördubblas. Den sista finns i en kalender, vilket gör den till den enda delen av den här lanseringen som du kan planera kring.
Jämförda i den här artikeln2
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
