A Microsoft a Build rendezvényen mutatta be MAI-Thinking-1 nevű, elsődleges „reasoning” (érvelésre/értelmezésre optimalizált) modelljét. A cég által megadott műszaki paraméterek szerint a modell 35 milliárd aktív paraméterrel rendelkezik, körülbelül 1 billió teljes paraméter számot ér el, és 256 ezer tokenes kontextusablakkal dolgozik.
A cég által közölt benchmark-eredmények és ellenfelek
A Microsoft két összehasonlítást emelt ki: a SWE-Bench Pro kódolási benchmarkon a MAI-Thinking-1 állítólagosan felvette a versenyt Anthropic zászlóshajójával, a Claude Opus 4.6-tal. Ugyanakkor általános, emberi preferenciákat mérő összehasonlításban a MAI-Thinking-1 a Sonnet 4.6-ot múlta felül, amelyet a cikk említése szerint a költséghatékonyabb, középszintű modellként pozicionálnak.
Miért váltott ki vita a bemutató?
Elemzők és versenytársak szerint érdemes a párosítások kontextusát is figyelembe venni, nem csak a végső pontszámokat. A kritika lényege: a Microsoft a legerősebb területét — a kódolást — egy kompetitív, zászlóshajó-modell ellen demonstrálta, miközben a szélesebb, általános képességeket egy kevésbé elit ellenféllel hasonlította össze. Az ilyen, a mérkőzések kiválasztásán alapuló aszimmetria arra utalhat, hogy a modell nem mutat egyenletesen frontier-szintű teljesítményt minden területen.
A bemutató után felmerült az is, hogy a MAI-Thinking-1 általános érvelési képességei nem feltétlenül múlják felül a nyílt forrású kínai modelleket, például a DeepSeeket, és messze lehetnek a valódi „frontierről”.
Következtetés
A Microsoft a bemutató során nagy hangsúlyt helyezett arra, hogy a MAI-Thinking-1 erősnek tűnjön: egy olyan benchmarkot emelt ki, ahol a modell jól szerepelt, és egy kevésbé erős riválissal mérte össze a szélesebb képességeket. Kritikusok szerint ez a benchmark-válogatás torzíthatja a valós helyzetet; egyes vélemények szerint a cég jelentős befektetés után a második ligában landolt, és a bemutatott összehasonlításokkal igyekezett magasabb szintet kommunikálni.
A modell pontos gyakorlati teljesítménye és az, hogy hány területen ér el ténylegesen „frontier” szintet, további független mérés és szélesebb körű összehasonlítások után lesz egyértelmű.
