
MAI Code 2 對決 North Mini Code:租用模型對上 300 億參數下載
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 153 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 277 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 119 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 197 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 115 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
決定這場對決的數字不是某個基準測試,而是 30 億——也就是North Mini Code的活躍參數量。這是 Cohere 於 2026 年 6 月 9 日發布、採 Apache 2.0 授權的程式碼模型,小到足以在單張 H100 上提供服務。MAI Code 2 則是相反的主張:微軟於 2026 年 11 月 17 日將其作為 GitHub Copilot 內的託管推論服務發布,每百萬輸入 token 收費 0.50 美元、每百萬輸出 token 收費 2.50 美元,不提供權重、沒有自行架設途徑,而且——這正是讓能力比較變得不可能的部分——完全沒有公布參數量。微軟沒有告訴任何人這個模型有多大。Cohere 則告訴所有人它的模型究竟有多大,甚至精確到專家數量。這種揭露程度的差異,比任何分數都更能指引你該選哪個模型,因為它告訴你各廠商預期你要拿它做什麼。
為什麼能力比較會立刻崩解
North Mini Code 是一款 300 億參數的稀疏混合專家模型,具備 30 億活躍參數、256K 上下文視窗、文字輸入與文字輸出、Apache 2.0 權重,且佔用空間可容納於單張 H100。Cohere 是在多個代理框架上訓練它,而不是把它綁定在單一框架上——SWE-Agent、mini-SWE-Agent、OpenCode 和 Terminus 2 都出現在該公司的資料中——因為開放模型的重點,就是讓你自帶代理。
MAI Code 2 的已公布規格表只有三項:價格、僅在 Visual Studio Code 與 Copilot CLI 中提供的 100 萬 token 上下文視窗,以及一份預定任務清單。沒有參數數量、沒有輸出上限,也沒有任何並非來自廠商自家測試框架的延遲基準。其證據是四項具名基準與兩項比例——以 5% 的成本達到 Claude Opus 5.5 效能的 96%,以 40% 的成本達到 GPT-6.1 Sol 效能的 98%——這些是在 DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 與 FrontierCode v1.1 上取平均,其中前三項在 Microsoft 內部的 MSBench 平台上執行,FrontierCode 則取自 Artificial Analysis。
那些不是同一條曲線上的兩個點。一個是設計成無所不在的小型模型;另一個是設計成供人租用的大型模型,而它的大小並未告訴你。在能力上比較它們不僅困難,而是無從定義。
持有成本,而這正是兩者真正不同之處
• 前期成本 — North Mini Code 的價格相當於你已擁有或租用的 H100;相較之下,MAI Code 2 除了你持有的 Copilot 席位外,其餘為零成本
• 每 token 邊際成本——在 Artificial Analysis 所測量的 API 上,North Mini Code 為每百萬 $0.00,相較於 MAI Code 2 的輸入 $0.50、輸出 $2.50
• 十八個月後的費用——North Mini Code 依您的 GPU 合約所定價格,對比 MAI Code 2 自 2027 年 5 月 17 日起的 $1.00 與 $5.00,屆時促銷費率到期並翻倍
• 資料落地 — North Mini Code 部署於您自己的網路內,可採氣隙隔離,相較於 Microsoft 託管推論服務中依 Microsoft 產品條款提供的 MAI Code 2
• 可稽核性 — North Mini Code 採用 Apache 2.0 授權並提供可下載的權重,相較之下,MAI Code 2 並未釋出權重
• 背景脈絡 — North Mini Code 為 256K,對比 MAI Code 2 的 100 萬個 token,且僅限 VS Code 與 Copilot CLI
• 營運負擔 — North Mini Code 需要一套服務堆疊、一個量化決策,還得有人隨時待命,相較之下,模型選擇器只要挑一下就好
最後那一點,正是團隊最容易低估的地方。開放權重免費,就像養隻小狗免費一樣。要以生產環境的延遲水準來服務一個 30B 模型,意味著得用上 vLLM 或同等方案、與 Cohere 參考實作相符的 tokenizer 與聊天模板、不會悄悄破壞工具呼叫可靠性的量化方式,還得針對峰值而非平均值來做容量規劃。回報是:當供應商不再提供服務時,模型仍能照常運作——沒有速率限制、沒有棄用通知、也沒有未經你同意的價格變動。
Artificial Analysis 測量了運作層面,而讀數確實不錯——每秒輸出 180 個 token,且每項 Intelligence Index 任務為 $0.00;同一頁面也顯示,在其追蹤的模型中,每百萬輸出 token 的中位數為 $0.30。這是一個快速的模型。同一頁面上,它也是一個得分偏低的模型:在 5.0.1 版下,Intelligence Index 為 3。你換來的是速度,而非深度;對於自動補全式的編輯、lint 修正與測試腳手架而言,這個取捨是正確的。但對於儲存庫規模的重構,則並非如此。

微軟的數字涵蓋了什麼,又漏掉了什麼
對 MAI Code 2 證據的誠實總結是:它具方向性,但無法驗證。方向是一致的——價格遠低於前沿,且在四項程式設計基準平均後與其接近——但驗證付之闕如,因為 Microsoft 公布的是比率,而非各基準的通過率,且截至 2026 年 11 月 18 日,Artificial Analysis 尚無該模型的資料列。
具體來說,這表示:你無法為 MAI Code 2 計算出「每完成一項任務的嘗試次數」,因此也無法把 token 折扣轉換成「每次合併的成本」數字。你只能相信 Microsoft 的說法,也就是在 Microsoft 挑選的四項基準測試上、用 Microsoft 執行的測試框架,平均值確實行得通。MAI Code 2 能帶來「程式碼維護者會合併的變更」這種說法,需要有一個絕對數字作為支撐,但並沒有這樣的數字。
North Mini Code 面臨的是鏡像般的問題。它的數字是公開的,而成績卻很低——Cohere 自行回報在 SWE-Bench Verified 上 61.0% 的 pass@1,對一個 3B 活躍模型來說算體面,而獨立的 Intelligence Index 分數 3 則完全算不上體面。兩者都是真的,因為小型模型可以通過一組精心策劃的單一功能任務,卻仍可能在該指數所獎勵的長時程、多檔案工作上表現薄弱。
免費方案去哪了,以及為什麼這件事在這裡很重要
North Mini Code 的發行歷程在 2026 年 8 月 14 日出現轉變:Cohere 宣布該模型下載量已突破 15 萬次,並將大部分增長歸因於某託管閘道的免費方案終止。這個數字是 Cohere 自行彙整所有管道的總計,未經獨立驗證——公開的 Hugging Face 儲存庫顯示的每月數字小了一個數量級——因此應將其視為成長動能。
真正重要的是後果。一位原本免費使用 North Mini Code 的開發者,現在有三個選項:Cohere 自家的 API、按執行個體計價的託管部署,或是在自己掌控的硬體上使用 Apache 2.0 權重。三者中有兩者屬於自行託管方案,而這正是開放權重的重點,也正好是本文一直在描述的成本。
MAI Code 2 沒有同等的客戶流失風險,因為它從來就不是獨立存在的。它存在於由 Microsoft 掌控價格的 Copilot 訂閱之中,其代幣費率被記載為促銷性質,並註明了結束日期。其失效模式在本質上有所不同:並非免費方案憑空消失,而是費率表在一個你能預先規劃的行事曆日期上翻倍。
讓較便宜的那一側透過單一端點運行
MAI Code 2 與 North Mini Code 都不在 OrcaRouter 的目錄中,若暗示並非如此會是錯誤的。MAI Code 2 唯一公開的途徑是 Copilot 席位;North Mini Code 的途徑則是 Cohere 自家的 API、託管部署,或你自己的 GPU。路由層改變的並不是對這兩個模型的存取權,而是圍繞它們做決策的成本:你會退而使用的模型——Claude Opus 5.5、Gemini 4 Carbon、Kimi K3.1 Pro、Qwen3.8-Max——都位於同一把金鑰之後,按供應商牌價且零加成,因此對其中任一模型執行比較測試,都會完全按廠商費率計費,而且自動容錯移轉意味著你正在測試的便宜模型永遠不會成為管線停擺的原因。
在這種處境下,對團隊真正有效的做法是採兩層拆分,而不是一刀切換。把 North Mini Code 或同級的小型開源模型放在例行任務這一層,在這層裡 30 億活躍參數確實已經足夠,而且營運成本早已是沉沒成本。把經過實測的前沿模型放在負責處理重構與倉庫規模推理的那一層。接著把 MAI Code 2 當成第三條通道,僅限 Copilot 內部的開發者使用——它適合用來測試微軟的性價比宣稱在實際接觸你的程式碼倉庫後是否依然成立,但還不是任何建置伺服器必須呼叫的選項。
這項決策,以團隊能據以行動的形式呈現
如果需求是模型必須在你執行運算的地方運行——受監管的資料、氣隙網路、沒有可靠對外連線的工廠現場——或者你已有付費卻閒置的 GPU 容量,就選擇 North Mini Code。Apache 2.0 授權條款與單張 H100 的佔用規模就是全部論點,而且這些論點很強。作為交換,請接受你買到的是 3B 活躍參數模型的能力、獨立評分為該指數中的 3 分,以及你現在要自行負責推論服務堆疊。
若你的開發者已在 Copilot 中工作,且工作內容是例行企業修復,而相較前沿模型四倍的價格優勢比經審核的分數更重要,就選擇 MAI Code 2。要接受這個模型不屬於你、無法審核、未公布規模,且將於 2027 年 5 月價格翻倍。
不要用基準測試數字在兩者之間做取捨。North Mini Code 有實測數據,而且規模小;MAI Code 2 則未經實測,且根據其廠商自己的說法,它是針對日常用途而非艱難任務調校的。前者是你可以查證的事實,後者是你無法查證的說法,而這兩者都不是比較。

{{1}}這兩個模型確實有一個共同教訓,而這個部落格一再碰到。{{/1}} {{2}}其中一個的免費託管方案已經取消。{{/2}} {{3}}另一個的促銷費率則印有結束日期。{{/3}} {{4}}若團隊的架構假設上述任一情況會維持不變,那就是得在短時間內重寫某些東西的團隊。{{/4}}

本文中的比較1
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
