這是微軟發佈 MAI Code 2 時最激進的一句宣稱:達到 Anthropic 旗艦 Claude Opus 5.5 的 96% 性能,成本只要約 5%——但同樣每次出現都要帶口徑:微軟自選基準、50% 推廣價口徑。本篇覈查這句宣稱,並附上同門輕量檔的比較:MAI Code 2 Flash 對 GPT-6 Luna 與 Claude Haiku 5.5。
| 維度 | MAI Code 2 | Claude Opus 5.5 |
|---|---|---|
| 四項基準均值(微軟自報) | Opus 5.5 的 96%(微軟自選基準、50% 推廣價口徑) | 100(對照基準) |
| 平均通過率(微軟官方博客圖表) | 63.2% | 65.3% |
| 每任務平均成本(微軟官方博客圖表) | $0.309(50% 推廣價口徑) | $6.306 |
| 相對成本 | 約 5%(50% 推廣價口徑) | 100 |
| 上下文窗口 | 1.05M tokens | 1M tokens |
| 獨立評分 | 無(AA、LiveBench、LMArena 均未收錄) | AA 指數(見本站 Claude Fable 5.2 專題的同代口徑) |
| 可用渠道 | GitHub Copilot | Claude Code、API、Amazon Bedrock 等 |
| 權重 | 閉源 | 閉源 |
96% 同樣是四項基準均值的相對值:DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas、FrontierCode v1.1 四項測試的平均表現,MAI Code 2 達到 Claude Opus 5.5 的 96%。基準由微軟挑選,全部模型以最大推理力度運行;其中三項跑在微軟內部 MSBench 平臺上(經 Copilot CLI、無子智能體),FrontierCode v1.1 的分數與成本來自 Artificial Analysis。微軟沒有公佈四項各自的分數,只給了均值。需要強調的是:這四項是「日常企業編碼任務」,不是 Opus 5.5 的主場全貌——Opus 5.5 的長處還包括長程 Agent、複雜推理與多模態任務,這些都不在四項基準的覆蓋範圍內。96% 只在微軟劃定的四個項目裏成立,不能讀成「全面達到旗艦的 96%」。
微軟官方博客圖表給出的平均通過率:MAI Code 2 爲 63.2%,Claude Opus 5.5 爲 65.3%,差距 2.1 個百分點。在絕對通過率上,MAI Code 2 低於 Opus 5.5——96% 是相對比值(63.2 ÷ 65.3 ≈ 96.8%),不是絕對領先。這個差距比對 GPT-6.1 Sol 的差距(63.2% 對 64.1%,0.9 個百分點)更大,說明越往旗艦方向比,MAI Code 2 的能力差距越明顯。
5% 是每任務平均成本的相對值:$0.309 ÷ $6.306 ≈ 5%。但這個數字的震撼程度主要來自兩件事的疊加:第一,Opus 5.5 本身的定價就高(每任務 $6.306,是 GPT-6.1 Sol 的 8 倍多);第二,MAI Code 2 的 $0.309 按 50% 推廣價計算。推廣結束後,MAI Code 2 的每任務平均成本將升至約 $0.618(按微軟腳註反推,非微軟公佈數字),相對成本從約 5% 升至約 10%——仍然便宜,但不再是「零頭中的零頭」。換句話說,「5%」裏有一半是 Opus 5.5 定價高,另一半是推廣價;MAI Code 2 自己的成本優勢只佔其中一部分。
Claude Opus 5.5 有獨立榜單背書(見本站 Claude Fable 5.2 專題的同代口徑:AA 指數 65 分全榜第一),MAI Code 2 則沒有任何獨立評分。這意味着「96%」無法用第三方標尺驗證:微軟選的四項基準、微軟的內部平臺、微軟公佈的均值——整個比較鏈條都在微軟手裏。在 AA 或 LiveBench 收錄 MAI Code 2 之前,這句宣稱只能標註「微軟自報」,不能當作測量結論引用。
同門輕量檔的比較同樣出自微軟自報,口徑更薄,單獨列出:
| 維度 | MAI Code 2 Flash | GPT-6 Luna | Claude Haiku 5.5 |
|---|---|---|---|
| 三項基準(微軟自報) | 與兩者相當 | 對照基準 | 對照基準 |
| 平均通過率(微軟官方博客圖表) | 61.0% | 55.1% | 53.9% |
| 每任務平均成本(微軟官方博客圖表) | $0.052(50% 推廣價口徑) | $0.08 | $0.319 |
| 相對成本(微軟自報) | — | Flash 爲 Luna 的 65% | Flash 爲 Haiku 5.5 的 20% |
| 基準名稱 | 微軟未具名(僅稱三項「日常高頻例行編碼任務」基準),無法複覈「相當」的口徑 | ||
Flash 的數字比「相當」更積極:平均通過率 61.0%,高於 Luna 的 55.1% 與 Haiku 5.5 的 53.9%,在三項基準上是三者中最高的。但口徑問題同樣存在:三項基準未具名,無法判斷它們是否同樣偏向 Flash 的主場;成本同樣按 50% 推廣價計算,推廣結束後 Flash 對 Luna 的相對成本將升至約 130%(按微軟腳註反推),即反而比 Luna 更貴。Flash 的定位是高頻日常任務——代碼解釋、定點編輯、日常修復、快速迭代——在這個定位裏它的數據最好看;把它當作旗艦平替讀,就超出了微軟自己的定位。
日常企業編碼、且主力在 Copilot 裏、且預算敏感:MAI Code 2 是目前 Copilot 裏最便宜的「接近旗艦」選項——推廣期內每任務成本只有 Opus 5.5 的約 5%,能力上只低約 4%(按微軟自選基準均值)。但請同時記住三點:第一,96% 只在微軟劃定的四項日常編碼基準裏成立,不覆蓋 Opus 5.5 的長程 Agent 與複雜推理長處;第二,平均通過率上它低 2.1 個百分點;第三,全部數字均爲微軟自報,尚無獨立驗證。需要旗艦級能力背書、長程 Agent 或獨立評分支撐的場景,Opus 5.5 仍是更穩妥的選擇;高頻日常任務則看 Flash,但推廣結束後的價格反轉值得提前留意。
參考來源:Microsoft AI — 產品帖「MAI Code 2 and Code 2 Flash: Everyday coding at scalable prices」 · GitHub Changelog — MAI Code 2 and MAI Code 2 Flash in GitHub Copilot · ai-oriens — MAI Code 2 發佈報道(轉述微軟官方博客圖表)(本文爲本站改寫與整理,事實以官方來源爲準;推廣結束後的相對成本爲本站按微軟腳註的算術反推,非微軟公佈數字)