neomanex
MAI-Code-1-Flash logo

MAI-Code-1-Flash

Microsoft · Lançado 06/2026

Ver preçosComparar modelos
Condicional

O primeiro modelo de codificação interno da Microsoft — um MoE esparso pequeno, rápido e agressivamente otimizado em custo a $0,75/$4,50 por 1M de tokens. Oferece uma vantagem de 16 pontos sobre o Claude Haiku 4.5 no SWE-Bench Pro usando até 60% menos tokens. Ele foi construído especificamente para fluxos de trabalho Copilot de alto volume — autocompletar, refatorações, scaffolds — não é um modelo de fronteira. Melhor dentro do ecossistema Copilot; o acesso por API externo ainda está sendo implementado.

É adequada para ti?

Bom para

  • Fluxos de trabalho de codificação agêntica rápidos e iterativos no VS Code / GitHub Copilot onde a latência e o custo de tokens importam mais que o raciocínio de fronteira
  • Completamento de código de alto volume, refatorações, geração de scaffolds de teste e código padrão — a carga de trabalho 'diária' do Copilot
  • Implantações empresariais sensíveis ao custo: a $0,75/$4,50 por 1M tokens, reduz o Claude Haiku 4.5 e GPT-5.5 em 2-6x
  • Programadores nos planos Copilot Free/Pro/Pro+/Max que querem esticar mais os seus créditos mensais de IA

Não recomendado para

  • Alterações arquitetónicas multi-ficheiro complexas ou design de algoritmos novos que exigem raciocínio de código de nível de fronteira
  • Tarefas de uso geral não relacionadas com código — este é um modelo de codificação especializado, não um assistente geral
  • Agentes de CI/CD em produção fora do harness do Copilot — o acesso via API de terceiros (Fireworks/Baseten/OpenRouter) ainda está a aumentar

Desempenho por tarefa

Completamento e autocompletar de código

Excellent

Excelente — baixa latência, comprimento de resposta adaptativo, construído especificamente para o ciclo interativo do Copilot

Refatoração de código

Very Good

Forte — lida bem com refatoração de rotina; menos 60% de tokens que os concorrentes no SWE-Bench Verified

Seguimento de instruções (código)

Excellent

Melhor da classe para o nível leve — +28,9 pontos no IF Bench sobre o Haiku 4.5; 85,8% em raciocínio adversarial

Uso de ferramentas agênticas (harness Copilot)

Very Good

Forte — treinado com o harness de produção do Copilot; supera o Haiku 4.5 no τ¹-Bench

Correções de bugs reais (SWE-Bench Pro)

Good

Sólido para o seu tamanho — 51,2% de taxa de aprovação; vantagem de 16 pontos sobre o Haiku 4.5 mas bem abaixo dos modelos de fronteira

Arquitetura multi-ficheiro / design novo

Fair

Fraco — 5B parâmetros ativos limitam a profundidade de raciocínio; use um modelo carro-chefe para trabalho complexo

Raciocínio matemático e científico

Very Good

Bom — 92,5% AIME 2026, 84,6% GPQA Diamond; forte para um modelo leve

Chat de uso geral / não codificação

Poor

Não foi concebido para isso — um modelo de codificação especializado; use GPT-5.5 ou Claude para tarefas gerais

Preços

Entrada

$0.75 / 1M tokens

Saída

$4.50 / 1M tokens

Contexto

256K context

Ver preços completos

Testes de desempenho

TestePontuaçãoFonte
SWE-Bench Pro51.2% (vs Haiku 4.5: 35.2%) Fonte
SWE-Bench VerifiedBeats Haiku 4.5 with up to 60% fewer tokens Fonte
AIME 202692.5% (vs Haiku 4.5: 83.3%) Fonte
GPQA Diamond84.6% (vs Haiku 4.5: 73.2%) Fonte
IF Bench75.0 (vs Haiku 4.5: 46.1) Fonte
Adversarial reasoning85.8% adjusted accuracy Fonte
Frontier Math (Tier 1-3)6.3% (vs Haiku 4.5: 2.8%) Fonte
Frontier Science58.2% (vs Haiku 4.5: 42.3%) Fonte
HLE18.0% (vs Haiku 4.5: 9.5%) Fonte

Histórico de veredictos

15/07/2026
copy edit to brevity standard — detail preserved in existing structured children

Fontes

Registo de verificação

  • Preços— Sem alterações

    Agente automatizado

  • Preços— Sem alterações

    Agente automatizado

  • Preços— Sem alterações

    Agente automatizado

  • Preços— Sem alterações

    Agente automatizado

    Pricing unchanged: $0.75/$4.50 per 1M tokens, 256K context. Confirmed live on GitHub Copilot pricing page.

  • Perfil— Sem alterações

    Importado no lançamento

  • Preços— Sem alterações

    Importado no lançamento

Como avaliamos