
MAI Code 2 对比 Claude Opus 5.5:96% 换 5% 的说法遗漏了什么
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 138 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 176 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 118 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 187 tok/s
在MAI Code 2与Claude Opus 5.5之间的比较中,有一个数字人人都在引用,却没人能够核实。Microsoft 表示,MAI Code 2 在四项编程基准测试中以 5% 的成本达到了 Opus 5.5 性能的 96%。Opus 5.5 自 2026 年 9 月 22 日起已全面可用,拥有公开的价目表,并在 Artificial Analysis Intelligence Index 上位列 59。MAI Code 2 于 2026 年 11 月 17 日发布,有自己的价目表,却完全没有独立评分——它只能在 GitHub Copilot 内调用,除此之外别无他处;而在撰写本文时,Artificial Analysis 还没有它的条目。所以,诚实的比较并不是两列数字。而是一个你可以测量的模型,和一个你只能听信 Microsoft 说法的模型,再加上一个足够大的价格差距——在有人实际测试之前,这个说法值得认真对待。
这两张费率卡,在应用任何百分比之前
Microsoft 通过 GitHub Copilot 按使用量计费,按 token 对 MAI Code 2 收费,促销费率将在公布日期到期。Anthropic 按标价对 Opus 5.5 按 token 收费,且无到期期限。

• 输入——MAI Code 2 每百万 token 收费 $0.50,而 Claude Opus 5.5 为 $4.00;Opus 每输入 token 的成本高出 8 倍
输出 — 每百万 $2.50 对比 $20.00;同样的 8× 差距
• 缓存输入 — 每百万 $0.025 对比 $0.20;同样是 8×
• 2027年5月17日之后 — MAI Code 2 重新定价为 $1.00 / $0.05 / $5.00,将输入和输出的差距分别缩小至 4×
• 上下文——Opus 5.5 公布了约 1,000,000;MAI Code 2 公布了 1,050,000,窗口大了 5%,但如果没有能在远端依然可靠的检索,就不会更有用
• 最大输出 — 两者均为 128,000 个 token
• 输入模态——Opus 5.5 可接受文件与文本和图像一同输入;MAI Code 2 的模型卡仅列出文本和图像
• 权重可用性——由于不同原因,两者都无法下载:Opus 5.5 是专有模型,而 MAI Code 2 仅作为托管服务出售
那张表才是两个模型真正可比的地方,它得出的价格比是12.5%,而不是5%。5%这个数字是每任务成本,属于另一种衡量方式:它用总支出除以已完成任务数,因此会吸收每个模型在最大推理努力下消耗多少token。一个推理更高效、或者只是更早停止的模型,可能在每token收费12.5%的同时落到5%。模型卡确认所有比较都是在最大努力下运行的,而这恰恰是token数量差异最大的设置。
96% 由什么构成,以及由谁运营
有四项基准测试的成绩低于 96%:DeepSWE 1.1、Terminal Bench 2.1、SWE Atlas 和 FrontierCode v1.1。它们当中有三项出自 MSBench——微软内部的评估平台,测试通过 GitHub Copilot CLI 1.0.102 版本运行,并禁用了子代理。第四项 FrontierCode 则来自 Artificial Analysis 的数据。微软自家的模型卡给出了最大推理强度下的原始通过率:DeepSWE 1.1 为 73.2%,TerminalBench 2.1 为 84.6%,SWE Atlas 为 43.1%。
撇开百分比框架来看这三个数字,就会呈现另一番图景。SWE Atlas 是三者中最弱的,为 43.1%,而且它也是这组基准中唯一不以修复缺陷为主题的:它既按评分标准、也按程序化检查来评估代码库问答、测试编写和重构。一个针对“代码维护者会合并的改动”调优的模型,可以在问题解决测试中表现良好,却在解释代码库方面仍然平庸。微软没有公布与 Opus 5.5 对比的各基准分项数据,只公布了平均值,因此无法看出四项中哪一项在撑起 96%,哪一项在拖后腿。
Opus 5.5 自己公布的厂商数据也从另一侧指向了类似的方向。Anthropic 的发布材料报告称,Terminal-Bench 4.0 为 66.4%,GDPval-AA v2.1 为 1,846 Elo。这些同样是厂商自行报告的数据,同样没有被微软的测试框架复现,而且完全基于不同的基准版本——Terminal-Bench 4.0 对微软的 2.1。两家厂商引用同一测试系列的不同版本,这算不上比较。这只是两则广告在相互对视。
一位独立评估者究竟如何评价 Opus 5.5
Opus 5.5 是该价位段中少数拥有完整第三方评测记录的模型之一。Artificial Analysis 将其在 Intelligence Index v5.0.1 上的得分定为 59,该指数是由九项评估组成的综合指标,涵盖从 Terminal-Bench 4.0、FrontierCode-AA 2.0 到 Terminal-Bench-Science 0.1 的评测。真正需要据此做规划的,是那些辅助数据:每项索引任务 10.04 美元、每项任务 24.5 分钟、每秒输出 118 个 token,以及首个回答 token 耗时 358 秒。

这些数字中有两个比分数更重要。首个回答 token 的 358 秒耗时,是用户盯着加载旋转图标时的真实体验;每个任务 24.5 分钟,则是一次长时间智能体运行实际耗费的墙钟时间。Opus 5.5 不是一款快模型,而是一款周密的模型。更便宜的竞争对手不必达到其 96% 的准确率才能赢得某个工作负载——它只需在特定任务上足够好,并在边际上明显更快或更便宜。这就是性价比模型的全部论据,而微软提出这一论据时,并没有能一锤定音的独立证据。
MAI Code 2 目前尚无法涉足的领域
这正是百分比所掩盖的部分。MAI Code 2 随 GitHub Copilot 一同提供,覆盖从 Pro 到 Enterprise 的每一个付费层级,以及 GitHub 扩展到的每一款编辑器。这意味着广泛的产品界面,以及单一供应商的基础设施。发布时,大模型没有 Foundry 部署;只有 MAI Code 2 Flash 通过 OpenAI 兼容的 Responses API 提供 Foundry 预览。微软表示后续会进一步扩大可用性,但未给出日期,也不分发权重。
相比之下,Opus 5.5 已在 Anthropic 自家的 API 以及三大主流云平台上提供,并且有模型 ID、公开的退役时间下限,以及有文档可查的快照策略。如果你的工作是在 Copilot 中完成的,那么这项对比今天就能实际验证。如果你的工作是在自建的 agent 框架、CI 流水线或多厂商技术栈中进行的,那么这项对比中有一方还只是一份新闻稿。
真正起决定作用的工作量分配
常规企业级修复——可合并的修复、多文件编辑、在已知仓库内进行深度调试——正是 Microsoft 为之打造并定价的任务。按如今 Opus 每 token 费率的 12.5% 计算,即便是需要第二次尝试才能达到相同通过率的模型,其每完成一项任务的成本也可能更低。
• 长时程智能体工作正是微软表示该模型未做调优的领域,公告里这么说,模型卡里又重申了一遍。Opus 5.5 的整个定位就是这类工作负载,而它在 GDPval-AA 上的 1,846 Elo 正是 Anthropic 选择用来打头阵的数字。
• 非英语代码库——这不是推断,而是模型说明卡上明确写出的一点:发布时仅支持生成英语代码,且对较少见的语言明确未充分评估。Opus 5.5 未附带同等警示。
• 任何在没有人类参与的情况下采取会带来重大后果的行动,双方都将其排除在范围之外,但微软针对 MAI Code 2 明确说明了这一点,并要求采用有人监督的代理式工作流。
• 超过一百万 token 的上下文在实践中难分高下。两者都声称约为一百万;若不测试最远端的检索,这两个数字都不应被当作实际可用预算来信任。
同时打理账簿两端
Claude Opus 5.5 已收录在 OrcaRouter 的目录中,每百万 token 输入 4.00 美元、输出 20.00 美元,供应商标价原样传递,0% 加价,因此供应商调价当天就会反映到你的账单上,而不是等到经销商更新表格的那一天。在这样一项对比中,这一点比平时更重要,因为 MAI Code 2 自身的价格将在 2027 年 5 月 17 日翻倍——你今天评估的比率并不是你 6 月将要支付的比率。

MAI Code 2 不在我们的产品目录中,而唯一已公开的获取途径是 GitHub Copilot。如果微软为这个大模型开放 Foundry 端点,明智的第一步不是迁移,而是影子运行:让 Opus 5.5 继续留在关键路径上,把低成本模型用于那些你已经知道答案的任务,并比较完成任务的总成本,而不是 token 单价。这正是自动故障转移所要应对的决策形态——让一个未经证实的新模型承接一小部分流量,同时在其背后配置一个经过验证的模型,以防低成本一侧出现停滞。
经得起证据检验的结论是:Opus 5.5 是值得保留下来、用于没人愿意返工的工作的模型,而 MAI Code 2 是用于在日常运行的工作上进行测试的模型。微软的 96% 很可能在 Copilot 自己的评测框架中成立。它尚未在任何可能反驳它的地方接受测试,而在那之前,5% 只是一种说法,12.5% 则是一份费率表。
