Microsoft AI가 자체 모델군을 한 번에 7개로 넓히며 “파트너 모델을 가져다 쓰는 회사”라는 인상을 줄이는 쪽으로 움직였다. Mustafa Suleyman은 2026년 6월 2일 X에서 MAI-Thinking-1, MAI-Code-1-Flash, MAI-Image-2.5, MAI-Transcribe-1.5 등을 묶어 공개했고, 숫자도 꽤 공격적으로 제시했다. 트윗의 핵심 문장은 “35B active parameter MoE with a 256K context window”였다.

“97% on AIME 2025” · “53% on SWE Bench Pro”

이 계정은 Microsoft AI CEO의 개인 계정이지만, 이번 글은 Build 주간에 맞춘 사실상 1차 제품 채널 역할을 했다. 연결된 Microsoft AI 블로그는 7개 모델을 reasoning, coding, image, transcription, voice로 나누고, MAI-Thinking-1이 Sonnet 4.6 대비 blind side-by-side 평가에서 선호됐다고 설명한다. MAI-Code-1-Flash는 5B parameter coding 모델로 GitHub Copilot, VS Code, Microsoft stack에 맞춰 조정됐다는 점이 중요하다. 거대한 단일 frontier model보다, 제품 표면별로 작은 모델을 깊게 최적화하는 전략이다.

또 하나의 축은 silicon과 기업 튜닝이다. Suleyman은 MAIA 200에서 GB200 대비 30% better performance per dollar와 1.4x performance-per-watt를 언급했고, 블로그는 Frontier Tuning을 통해 고객 워크플로 안에서 모델을 강화하는 방식을 내세운다. McKinsey 작업에서는 MAI tuned model이 약 10x 낮은 비용으로 가장 높은 win rate를 냈다는 주장도 붙었다. Mayo Clinic과 공동으로 healthcare frontier model을 만들겠다는 계획은 모델 성능보다 데이터 거버넌스와 배포 경로가 더 민감한 영역이다.

다음 관전점은 외부 벤치마크와 실제 Copilot 사용량이다. AIME와 SWE Bench Pro 수치가 독립 재현에서도 유지되는지, MAIA 200 최적화가 Azure Foundry와 Copilot 비용에 얼마나 반영되는지 봐야 한다. 출처: Mustafa Suleyman의 X 글 · Microsoft AI 블로그

#frontier-tuning

Microsoft MAI 7개 모델, 35B reasoning·5B coding으로 독자 노선 강화