مایکروسافت میگوید مدل کد داخلیاش میتواند عملکرد Claude Opus 5.5 را در ۹۶ درصد برساند. این مدل فقط ۵ درصد قیمت همان مدل است.
این اعلامیه در آیگنایت ۲۰۲۶ (Ignite 2026) مطرح شد. مایکروسافت در آنجا MAI Code 2 و MAI Code 2 Flash را معرفی کرد. شرکت این مدلها را ابزارهای عملی برای توسعهنرمافزار روزمره میداند. نه نمایشهای آزمایشی.
مایکروسافت میگوید MAI Code 2 به Claude Opus 5.5 نزدیک میشود. نتیجه این است که MAI Code 2 در ۹۶ درصد آن عملکرد را دارد. MAI Code 2 هزینهاش فقط ۵ درصد هزینه Opus 5.5 است.
شرکت همچنین مدل را با GPT-6.1 Sol مقایسه کرد. نتیجه مقایسه مثبت بود. این نشان میدهد مدلهای داخلی مایکروسافت جایگزینهای معتبر برای گرانترین سیستمهای بازار شدهاند.
MAI Code 2 Flash برای بارهای سبکتر طراحی شده. مایکروسافت آن را با GPT-6 Luna و Claude Haiku 5.5 مقایسه کرد. این مقایسه هم هزینه کمتری داشت.
مایکروسافت این ادعاها را بر اساس دادههای خود بیان کرد. طبق اعلام مایکروسافت، دادههای API مبتنی بر مصرف است. این یعنی قیمت اشتراک مصرفکننده را حساب نمیکند.
این بخش درباره هوش مصنوعی زاینده (Generative AI) است. مدل زبانی بزرگ (LLM) مثل کتابخانهداری است که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد.
استنتاج (Inference) لحظهای است که مدل واقعاً جواب تولید میکند. این شبیه خودِ آشپزی است. نه دورهی آموزش آشپز.
تنظیم دقیق (Fine-tuning) مثل وقتی به یک پزشک عمومی تخصص پوست میدهیم. مدل کلی است. روی یک حوزه دقیق میشود.
جزئیات
این اعلامیه اقتصاد AI کمککننده برنامهنویسی را بازتعریف میکند. بسیاری از توسعهدهندگان از دستیارهای کدنویسی پرمیوم استفاده میکنند. اما هزینههای اشتراک و API میتواند زمانی مهم شود. وقتی مصرف در تیمها افزایش یابد.
ادعای مایکروسافت بر دادههای API است. نه قیمت اشتراک مصرفکننده. پس مقایسه به این معنی نیست. یک طرح ۱۰۰ دلاری ماهانه ۵ دلار شود.
این یعنی شرکتهایی که محصولاتی روی این مدلها میسازند میتوانند در استنتاج صرفهجویی زیادی کنند. اگر عملکرد در محیط واقعی ثابت بماند.
مایکروسافت میتواند صدها میلیون دلار هزینه استنتاج را کم کند. به ویژه وقتی Copilot در GitHub، Microsoft 365، Fabric و سایر سرویسها گسترش یابد.
MAI Code 2 Flash برای کارهای روتین مناسب است. تکمیل کد، تولید تست، مستندسازی، بازنویسی کد و تریاژ باگ. این کارها بخش بزرگی از زمان توسعهدهنده را میگیرند.
پیام مایکروسافت این است که توانایی فرانتیر (Frontier) لزوماً هزینه فرانتیر ندارد.
اما ادعاها باید آزمایش مستقل شوند. بنچمارک به پرامپت (Prompt) و روش ارزیابی حساس است. مدل ممکن است در تستهای کدنویسی انتخابشده خوب عمل کند. اما با الزامات مبهم، سیستمهای قدیمی (Legacy) یا مخازن پیچیده (Repository Context) مشکل داشته باشد.
مقایسه با Claude Opus 5.5 و GPT-6.1 Sol فقط سیگنال جهت است. نه حکم نهایی. اگر در تولید (Production) موفق باشد، انتظارات از AI کدنویسی ارزان بازتعریف میشود.
زمینه
OpenAI و Anthropic شریکهای استراتژیک مایکروسافت بودند. مشارکت چند میلیارد دلاری با OpenAI استراتژی AI را شکل داد.
مایکروسافت با توسعه مدل کد خود، وابستگی را کم کرد. این کار کنترل قیمت، استقرار (Deployment) و یکپارچهسازی محصول را بیشتر کرد.
مایکروسافت نمیخواهد OpenAI یا Anthropic را رها کند. در عوض آینده چندمدله (Multi-model) را پیشنهاد میدهد. کاربر بتواند بهترین سیستم برای کار دادهشده را انتخاب کند.
این رویکرد به مایکروسافت نفوذ در مذاکرات میدهد. انعطافپذیری (Resilience) بهتر میشود. مدل را به زیرساخت و نیازهای شرکتی (Enterprise) میچسباند.
زمانبندی قابل توجه است. ابزارهای AI کدنویسی یکی از روشنترین میدانهای نبرد در نرمافزار شرکتی شدهاند. توسعهدهندگان باید سریعتر تحویل دهند (Ship faster). کدهای بزرگتر نگه دارند. AI باید هر روز در جریان کار (Workflow) ادغام شود.
همین حالا شرکتها هزینه هر توکن (Token) را بررسی میکنند. یک مدل با عملکرد بالا و قیمت کم میتواند پذیرش (Adoption) را تسریع کند.
رقابت بین ارائهدهندگان مدل تشدید شده. OpenAI و Anthropic استانداردهای بالا برای هوش کدنویسی تعیین کردند. اما مایکروسافت با مقیاس (Scale)، توزیع (Distribution) و مزایای هزینه، رقیبِ قدرتمندی است.
اگر MAI Code 2 و MAI Code 2 Flash همانطور که تبلیغ شده عمل کنند، رقیبها مجبورند قیمتها را پایین بیاورند. یا کارایی (Efficiency) بهتر بدهند.
این میتواند شرکتهای بزرگ را وادار کند. فقط یک فروشنده (Vendor) را انتخاب نکنند. مدلها را مخلوط کنند (Mix and match).
این هم سوالی درباره ارزیابی فروشندگان AI است. نه فقط رتبه در لیدربرد (Leaderboard). شرکتها ممکن است هزینه کل، تأخیر (Latency)، قابلیت اعتماد (Reliability)، حکمرانی داده (Data Governance) و یکپارچهسازی با ابزارهای توسعه موجود را بسنجند.
استراتژی مایکروسافت برای این واقعیت طراحی شده. با ارائه چند مدل از طریق پلتفرمهای آشنا، میتواند AI کدنویسی را کمتر شبیه خرید جداگانه و بیشتر شبیه قابلیت بومی (Native) حس کند.
این میتواند برای سازمانهایی جذاب باشد که هزینه پیشبینیپذیر میخواهند. در حالی که برنامهنویس به دستیار پیشرفته دسترسی دارد.
این سیگنال میدهد که کارایی مدل، نه فقط هوش خام (Raw Intelligence)، فاز بعد رقابت در بازارهای نرمافزار شرکتی را تعیین میکند.
داستان بزرگتر فقط تولید کد ارزانتر نیست. بلوغ AI به عنوان زیرساخت اصلی (Core Infrastructure) است. مایکروسافت میگوید مدلهایش آمادهاند. همزمان با شرکای خارجی در ابزارهایی که توسعهدهندگان هر روز استفاده میکنند.
این تغییر میتواند نحوه ساخت نرمافزار را تغییر دهد. بودجهها را عوض کند. سهم پشته AI که تحت کنترل مستقیم مایکروسافت است را مشخص کند.
اگر منحنی هزینه-عملکرد (Cost-Performance Curve) بهتر شود. برندههای مهمترین شرکتهایی هستند. کسانی که AI قابل استقرار را در مقیاس (Scale) اجرا کنند. بدون اینکه برای هر درخواست قیمت پرمیوم بپردازند.
گام بعدی شما
- امتحان MAI Code 2 در پروژهی کوچک.
- اندازهگیری هزینه استنتاج در تیم.
- بررسی ادعای مایکروسافت با بنچمارک مستقل.




گفتگو