MAI-Code-1-Flash

# 介绍 MAI-Code-1-Flash | Microsoft AI 来源：https://microsoft.ai/news/introducingmai-code-1-flash/ ## 为开发者构建，而非为基准测试 代码模型在开发者日常使用的环境中表现优异时，才最为有用。正因如此，我们打造了 MAI-Code-1-Flash，其核心围绕生产工作流，而非仅针对基准测试进行优化。该模型直接使用 GitHub Copilot 在生产环境中的工具链进行训练。这使得它能够学习如何在代理编码任务中与周围工具和系统交互，相比其他可用模型，它更适合真实的 Copilot 工作流。 在训练过程中，我们评估了核心软件工程任务、仓库问答、重构以及基于真实 GitHub Copilot 使用情况调整的遥测驱动任务等多个检查点。这种训练、评估与生产环境之间的一致性，有助于将离线改进转化为实际开发者的体验提升。 ## 旨在最大化每个 token 的价值 MAI-Code-1-Flash 采用自适应解决方案长度控制进行训练，帮助模型根据任务调整响应深度。对于简单请求，它能保持简洁；当问题需要更深入分析或更广泛的代码变更时，它会投入更多推理预算。实际使用中，这意味着开发者能更快看到有用的输出。我们发现 MAI-Code-1-Flash 在解决较难问题时，最多可节省 60% 的 token。这有助于降低延迟、减少成本、提高 token 回报率，并让交互工作流更流畅。 ## 生产环境下的基准测试结果 为了评估质量与效率，我们使用开发者日常编码任务中相同的生产工具链，将 MAI-Code-1-Flash 与 Claude Haiku 4.5 在 SWE-Bench Verified、SWE-Bench Pro、SWE-Bench Multilingual 和 Terminal Bench 2 上进行了对比。我们衡量了任务成功率和完成每个任务所需的平均解决方案 token 数量。 MAI-Code-1-Flash 在所有测试的核心编码基准上均优于 Claude Haiku 4.5，四个评估指标均取得更高的通过率，其中包括在多样化、真实世界的 SWE-Bench Pro 任务上领先 16 个百分点（51.2% vs. 35.2%）。它不仅更智能，而且更精简：在 SWE-Bench Verified 上解决更困难问题时，最多节省 60% 的 token，证明更高的准确性和更高的效率不再是不可兼得的取舍。