Microsoft представила ШІ-моделі для роботи з зображеннями та мовою — вони значно економніші за аналоги OpenAI

Microsoft випустила в публічний попередній перегляд дві нові моделі штучного інтелекту власної розробки. MAI-Image-2.5-Pro є флагманським генератором зображень у асортименті компанії; MAI-Voice-2-Flash призначена для розпізнавання мови в умовах великих обсягів корпоративних робочих навантажень.

Джерело зображень: microsoft.ai

Софтверний гігант навів дані про продуктивність обох моделей як найпереконливіший аргумент на користь того, що він може використовувати власні продукти, не покладаючись на розробки OpenAI. Наразі ШІ-моделі Microsoft працюють у великій кількості продуктів компанії: Bing, PowerPoint, OneDrive, Dynamics 365, Excel, GitHub Copilot та Azure — це вже не дослідницькі проекти, а робоча інфраструктура, що обслуговує мільйони клієнтів. «Кожне з цих покращень — крок до однієї й тієї ж мети: продукти Microsoft, що працюють на основі моделей Microsoft», — підкреслили в компанії.

У кривій «якість-швидкість-вартість» дві нові моделі займають протилежні позиції, і це навмисно. MAI-Image-2.5-Pro виступає розробкою преміум-класу: вона генерує зображення високої якості, забезпечує детальне їх редагування та точну відтворення тексту. При доступі через API робота з моделлю обійдеться в $5 за 1 млн текстових токенів на вході, $8 за 1 млн токенів зображень на вході та $106 за млн токенів зображень на виході. Базова MAI-Image-2.5 нещодавно зайняла друге місце в рейтингу моделей для редагування зображень на платформі Arena.

MAI-Voice-2-Flash має прямо протилежне позиціонування. Вона працює вдвічі швидше, ніж базова MAI-Voice-2-Flash, і коштує на 32% дешевше — $15 за 1 млн знаків. Модель розроблена для ринку високопродуктивного голосового зв'язку: кол-центрів, голосових агентів та додатків для обробки мови в реальному часі, де важлива низька затримка. У творчої студії, яка прагне до максимальної точності, зовсім інші потреби, ніж у служби підтримки клієнтів, що обробляє мільйони дзвінків на день.

Microsoft також розповіла про успіхи у впровадженні власних моделей. Сервіс Bing Image Creator повністю переведений на MAI-Image-2.5; у PowerPoint ця модель допомогла знизити витрати на ресурси графічного процесора на 84% у порівнянні з OpenAI GPT-Image-2; вона допомогла оптимізувати обробку завдань у хмарному сховищі OneDrive. Нову MAI-Voice-2-Flash розгорнули на платформі Dynamics 365 Contact Center, знизивши витрати на ресурси графічних процесорів на величину до 89%; її також інтегрували в сервіс Azure Voice Live для розробників. Сервіс Microsoft Dragon Copilot, яким користуються 170 000 медичних установ, і який за I квартал обробив 28 млн звернень пацієнтів, переведений на модель MAI-Transcribe-1.5 з підтримкою 58 мов.

Полегшена модель MAI-Code-1-Flash для написання коду в червні почала працювати на платформі GitHub Copilot — у порівнянні з OpenAI GPT-5.4 Mini та Anthropic Claude Haiku 4.5 вона забезпечує на 10% вищий прийом коду при зниженому на 10% медіанному споживанні токенів. Користувачі на 6% частіше знову обирають її, ніж GPT-5.4 Mini, і на 11% частіше, ніж Claude Haiku 4.5. Microsoft додатково навчила її роботі в Excel, і в більшості найбільш поширених завдань вона стала виступати на рівні GPT-5.6, хоча вона досить мала, щоб працювати на застарілих прискорювачах Nvidia H100 і навіть A100.

Хочеш дізнатися більше — читай відгуки