Modele MAI Microsoftu: który wybrać do firmy?

MAI to rodzina modeli rozwijanych przez Microsoft AI do różnych rodzajów pracy: rozumowania, programowania, obrazu, mowy i bezpieczeństwa. Nie jest to jeden model „do wszystkiego”. Do analizy dokumentów i złożonego zadania programistycznego najbliżej MAI-Thinking-1; do szybkiej pracy agenta w GitHub Copilot służy MAI-Code-1.1-Flash. Obraz tworzy MAI-Image-2.6, dźwięk na tekst zamienia MAI-Transcribe-2, tekst na głos — MAI-Voice-2. MAI-Cyber-1-Flash ma odrębny, ograniczony kanał dostępu dla obrony kodu. Microsoft opisuje rozwój rodziny jako własne modele projektowane pod konkretne produkty i zadania.

Stan poniżej dotyczy 28 września 2026 r. Nazwa modelu nie gwarantuje dostępności w każdym regionie, planie ani interfejsie. To przewodnik po wyborze modelu w ekosystemie Microsoft AI, a nie ranking oparty na pojedynczym benchmarku.

Jak wygląda rodzina MAI?

Linia i bieżący wariant	Główne zadanie	Gdzie zacząć sprawdzanie dostępu?
MAI-Thinking-1	Tekst, rozumowanie, matematyka, kod i wieloetapowa analiza	Microsoft Foundry, public preview.
MAI-Code-1.1-Flash	Szybkie, agentowe zadania programistyczne	GitHub Copilot i VS Code; sprawdź politykę modeli organizacji.
MAI-Image-2.6 oraz Flash	Generowanie i edycja obrazów	Microsoft Foundry, public preview; porównaj jakość z opóźnieniem.
MAI-Transcribe-2	Rozpoznawanie mowy, diarizacja i znaczniki czasu	Azure Speech w Foundry, public preview.
MAI-Voice-2 oraz Flash	Synteza mowy i głos agenta	Microsoft Foundry / Azure Speech; sprawdź język i zgodę na głos.
MAI-Cyber-1-Flash	Wyszukiwanie i weryfikacja podatności w kodzie	MDASH, dostęp dla zweryfikowanych obrońców.

Warto rozróżnić własne modele MAI od pozostałych modeli w katalogu Foundry. Dokumentacja Microsoft wymienia osobno linie MAI i Phi; Foundry udostępnia także modele innych twórców, np. OpenAI. Obecność w tej samej platformie nie oznacza wspólnego producenta, licencji ani sposobu hostingu. Wcześniejsze MAI-Image-2.5, MAI-Code-1-Flash czy MAI-Transcribe-1.5 pozostają ważne przy migracji istniejących aplikacji, lecz wybór nowego projektu powinien zaczynać się od bieżącego, wspieranego wariantu i jego dokumentacji.

MAI-Thinking-1: rozumowanie, tekst i trudniejszy kod

MAI-Thinking-1 jest modelem do zadań wymagających kilku kroków rozumowania. Microsoft podaje architekturę Mixture of Experts z 35 mld aktywnych parametrów i oknem kontekstu 256 tys. tokenów oraz wyniki w zadaniach matematycznych i programistycznych. To deklaracje i pomiary producenta, nie gwarancja poprawnej odpowiedzi w firmowych danych. Model jest dostępny w Microsoft Foundry w public preview.

Najlepszy punkt startu to analityka wymagająca powiązania kilku dokumentów, planowanie zmiany w systemie lub problem kodowy, którego nie da się rozwiązać pojedynczym uzupełnieniem. W biznesie model może przygotować hipotezę, uzasadnienie i warianty decyzji, ale dane liczbowe powinien odczytywać z kontrolowanego źródła, a wynik musi przejść weryfikację. Długie okno kontekstu pomaga zmieścić więcej materiału, lecz nie zastępuje trafnego wyszukania, kontroli uprawnień ani testu, czy model wykorzystał właściwe fragmenty.

W kodowaniu użyj go do analizy architektury, planu refaktoryzacji i trudnych błędów. Porównaj go z MAI-Code-1.1-Flash na tym samym zadaniu: czas do poprawnego testu regresyjnego, liczba niepotrzebnych zmian i jakość wyjaśnienia są ważniejsze niż sama liczba wygenerowanych linii. Jeśli szybki model osiąga ten sam wynik, cięższe rozumowanie nie daje wartości wartej dodatkowego czasu.

MAI-Code-1.1-Flash: model dla przepływu pracy programisty

MAI-Code-1.1-Flash jest wyspecjalizowany do pracy w środowisku GitHub Copilot, VS Code i Copilot CLI. Microsoft podał w sierpniu 2026 r., że wariant 1.1 poprawił wyniki zadań terminalowych i .NET względem poprzednika oraz zużywa mniej tokenów w tej integracji. Są to wyniki dla określonego harnessu i porównania z MAI-Code-1-Flash; nie dowodzą, że model jest najlepszy w każdym języku i repozytorium.

Do oceny nadają się małe i średnie zmiany: poprawa testu, aktualizacja API, wykonanie polecenia w repozytorium, przejście od issue do diffu. Tutaj liczy się cały agent, nie tylko model. Dostępne narzędzia, instrukcje repozytorium, uprawnienia i sposób przyjmowania poprawek wpływają na wynik równie mocno. Model może być szybki, a mimo to napisać test, który nie wykrywa błędu. Zespół powinien uruchomić własne testy i review każdej zmiany.

Jeśli praca jest bardziej badawcza — np. trzeba zrozumieć nieznany system i rozważyć trzy architektury — porównaj MAI-Code z MAI-Thinking-1 i innymi modelami dostępnymi w AI SDLC. Microsoft opisuje też wewnętrzne dostrajanie modeli MAI do zadań Copilota i Excela, ale przykład wdrożenia w Excelu nie jest automatycznie osobnym, ogólnodostępnym modelem API.

MAI-Image-2.6: obrazy i edycja, nie analiza biznesowa

MAI-Image-2.6 i 2.6-Flash są przeznaczone do generowania oraz edycji obrazów. Wariant podstawowy stawia na precyzję, Flash na szybkość i dużą liczbę żądań. Microsoft opisuje obsługę kilku obrazów referencyjnych, sterowanie proporcjami i edycję zgodną z kontekstem. Oba są wymienione w dokumentacji Foundry jako preview. Ranking Areny, który producent przytacza, jest sygnałem do próby, a nie testem zgodności z Twoją identyfikacją wizualną.

Dla firmy model może tworzyć warianty materiałów marketingowych, ilustracje do produktu lub poprawiać element na istniejącej grafice. W AI SDLC ocena powinna obejmować zestaw stałych promptów, tekst w obrazie, wierność produktu, artefakty, licencje materiałów referencyjnych i koszt poprawek człowieka. Jeżeli zespół potrzebuje diagramu architektury z dokładnymi etykietami, obraz generatywny nie powinien być jedynym źródłem prawdy; lepszy bywa diagram zapisany jako kod lub edytowalny plik projektowy.

MAI-Transcribe-2 i MAI-Voice-2: dwie strony interfejsu głosowego

MAI-Transcribe-2 zamienia mowę na tekst. Dokumentacja Azure Speech opisuje rozdzielanie mówców, znaczniki czasu dla słów, podpowiedzi terminologiczne i tryb dosłowny lub oczyszczony. Polski jest na liście obsługiwanych języków. To ważne dla notatek ze spotkań, centrum kontaktowego i dostępności, ale warto porównać wynik na nagraniach z własnymi nazwami produktów, akcentami i szumem. Usługa jest w public preview; Microsoft zaznacza, że preview nie ma SLA i nie rekomenduje go dla obciążeń produkcyjnych.

MAI-Voice-2 zamienia tekst na mowę. Microsoft opisuje wariant jakościowy oraz szybszy Voice-2-Flash, kontrolę ekspresji i użycie próbki głosu za zgodą. To kierunek dla głosowego asystenta, narracji i interfejsu dostępnościowego. Dla polskiej firmy jest jednak istotna luka: język polski nie widnieje na opublikowanej liście języków MAI-Voice-2 w chwili aktualizacji tego wpisu. Nie zakładaj więc, że polski voicebot skorzysta z niego bez ograniczeń; sprawdź aktualną listę i zrób próbę, zanim zaplanujesz ofertę dla klientów.

W połączeniu obie linie mogą tworzyć interfejs: audio użytkownika → transkrypcja → model tekstowy → odpowiedź mówiona. Działa to dobrze tylko wtedy, gdy test obejmuje całą ścieżkę: opóźnienie, przerwania, błędy rozpoznania nazw, zgodę na głos oraz możliwość przekazania sprawy człowiekowi. Samo tempo transkrypcji lub naturalność syntezy nie dowodzą jakości rozmowy.

MAI-Cyber-1-Flash: specjalista dostępny przez MDASH

MAI-Cyber-1-Flash służy do obronnej analizy kodu i wyszukiwania podatności. Microsoft udostępnia go przez MDASH, własny wieloagentowy system identyfikacji i naprawy błędów bezpieczeństwa, zweryfikowanym obrońcom. Nie należy traktować go jak ogólnego modelu, który każdy może wybrać z listy Foundry. Opis Microsoftu dotyczy wyniku modelu wraz z harnesssem, więc nie przenoś deklarowanej skuteczności na sam model poza tym środowiskiem.

W firmie taki system może pomóc znaleźć i potwierdzić błąd, a potem przygotować poprawkę. Odbiór nadal wymaga reprodukcji, testu regresyjnego, oceny wpływu i zatwierdzenia przez odpowiedzialnego za system. To szczególnie ważne, gdy agent ma dostęp do repozytorium, infrastruktury testowej i informacji o podatnościach. Uprawnienia skanera oraz agenta naprawiającego powinny być oddzielone.

Który model wybrać i jak go sprawdzić w firmie?

Najpierw zdefiniuj jeden rezultat: poprawny diff, zaakceptowaną analizę, użyteczny obraz, transkrypcję lub bezpieczne wykrycie błędu. Następnie porównaj co najmniej dwa modele na tym samym zbiorze przykładów i przy tym samym limicie czasu. Dla kodu oceniaj testy i zmiany poza zakresem; dla tekstu — zgodność z faktami oraz wskazanie źródeł; dla obrazu — zgodność z marką i koszt korekty; dla mowy — błędy rozpoznania, opóźnienie i dostępność języka. Nie porównuj wyniku jednego modelu w Copilocie z wynikiem innego w pustym czacie bez narzędzi.

Własność modelu przez Microsoft nie oznacza, że przedsiębiorstwo może go samodzielnie hostować. Dla każdej linii trzeba sprawdzić sposób dostępu, region, status preview, warunki danych, limity i prawo do użycia w produkcji. Jeśli priorytetem jest pełna kontrola nad wagami oraz uruchomienie na własnym sprzęcie, rozważ osobno modele o dostępnych wagach i własną inferencję; Phi jest także rodziną Microsoftu, ale nie jest linią MAI. Przewodnik po projekcie Microsoft Foundry pokazuje, jak zbudować małą próbę z kontrolą dostępu i ewaluacją, zanim wybór modelu stanie się decyzją architektoniczną na lata.