Microsoft AI、フロンティア性能曲線の最適化とMAI各モデルの成果を解説

中心となる主張は、フロンティア汎用モデルがすべてのタスクに必要なわけではないという点である。特定の製品向けにモデルを調整すれば、フロンティア水準の性能を維持または上回りながら、トークンコストを大幅に下げられるとしている。今週公開したMAI-Cyber-1-Flashは、MDASHハーネス向けに最適化されたモデルで、H100でも提供できる。タスクの最大90%を処理し、最大かつ高価なモデル（ここではGPT 5.4）は本当に難しい10%に回す設計だという。

製品への適用例も並ぶ。MAI-Code-1-Flashは GitHubと共同で開発され、VS Codeでの比較ではGPT-5.4 MiniやClaude Haiku 4.5より、コード採用率が10%高く、トークン使用量の中央値が10%低いとされる。同じチェックポイントをExcelのRL環境で訓練すると、一般的なタスクでGPT-5.6に匹敵する性能になり、A100やH100で提供できる大きさに収まったという。

画像、音声、文字起こしの例もある。MAI-Image-2.5-Flashは Bing Image CreatorとOneDrive編集の既定となり、PowerPointではGPT-Image-2と比べGPUコストを最大84%削減した。OneDriveでは保存率が26%向上したとしている。MAI-Voice-2-Flashは Dynamics 365 Contact Centerで使われ、GPUコストを最大89%削減した。MAI-Transcribe-1.5はDragon Copilotの58言語のワークフローを支え、誤り率が相対で50%低下したと説明している。自社チップMaia 200ではワット当たり性能が40%向上したという。

コスト以外の利点として、耐障害性を挙げている。依存するモデルがセキュリティ事故や政策上の不一致、地政学的変化で使えなくなる事態を想定し、ハーネス、コンテキスト、メモリ、アクション空間を特定のモデルファミリーから独立して構築すべきだと述べる。モデルを差し替え可能にすることが前提という立場である。