MAI-Code-1-Flash on Copilotille räätälöity ja säästää jopa 60 % tokeneita.
Ensimmäinen oma malli, ja heti voitto Anthropicista
Microsoft julkisti 2. kesäkuuta MAI-Code-1-Flashin, ensimmäisen kokonaan omasta päästä rakennetun koodimallinsa. SWE-Bench Pro -vertailussa malli ratkoi 51,2 prosenttia testin tehtävistä, kun Anthropicin Claude Haiku 4.5 jäi 35,2 prosenttiin. Ero on 16 prosenttiyksikköä, ja se on Microsoftille tärkein viesti: yhtiö ei ole enää OpenAI:n ja Anthropicin koodimallien varassa.
Vielä kiinnostavampaa on tokenikulutus. Microsoftin omien mittausten mukaan MAI-Code-1-Flash käyttää SWE-Bench Verifiedissä jopa 60 prosenttia vähemmän tokeneita kuin verrokkimallit. Jokainen agenttisessio maksaa kehittäjälle vähemmän, ja vastausviive on lyhyempi.
137 miljardia parametria, vain 5 miljardia kerrallaan
MAI-Code-1-Flash on rakennettu sparse mixture-of-experts -arkkitehtuurin päälle. Mallissa on yhteensä 137 miljardia parametria, mutta jokaisen tokenin generoinnissa aktivoituu vain noin 5 miljardia. Tekniikka antaa suuren mallin tarkkuuden ilman pienen mallin nopeushaittaa.
Konteksti-ikkuna on 256 000 tokenia, mikä riittää kokonaisten repositorioiden lukemiseen yhdellä kertaa. Mallia koulutettiin maalis-toukokuussa Microsoftin omilla, lisensoiduilla aineistoilla – yhtiö korostaa tämän vähentävän tekijänoikeusriskejä yritysasiakkaille.
Numerot lyhyesti
MAI-Code-1-Flash: 51,2 % SWE-Bench Pro -tarkkuus, jopa 60 % vähemmän tokeneita SWE-Bench Verifiedissä, 256 000 tokenin konteksti-ikkuna, 137 miljardia parametria (noin 5 miljardia aktiivista per token). Claude Haiku 4.5 samassa testissä: 35,2 %.
Räätälöity Copilotin agenttitilaan
Toisin kuin yleiskäyttöiset koodimallit, MAI-Code-1-Flash on koulutettu suoraan GitHub Copilotin tuotantoympäristössä. Se osaa kutsua Copilotin työkaluja, lukea tiedostoja, ajaa testejä ja korjata virheitä iteratiivisesti ilman erillistä viritystä.
Microsoft kuvaa mallin osaavan adaptiivisen ajattelun: yksinkertaisiin pyyntöihin se vastaa lyhyesti, monimutkaisiin se varaa enemmän päättelybudjettia. Tämä on suora vastine Anthropicin Claude-mallien extended thinking -tilaan.
Malli on jo otettu käyttöön VS Coden Copilot-käyttäjille yksilötasolla, ja se on saatavilla mallivalitsimen kautta sekä automaattisessa reitityksessä. Build 2026 -tapahtumassa kerrottiin lisäksi, että sisäinen Project Polaris -hanke korvaa GPT-4 Turbon Copilotin oletusmoottorina elokuussa 2026.
Anthropicille signaali, ei vielä uhka
Claude on ollut viime kuukausina kehittäjien suosikki agenttitehtävissä, ja Anthropic on hinnoitellut Haiku 4.5:n nimenomaan kustannustehokkaaksi pohjamalliksi. Microsoftin avaus näyttää, että Redmond ei enää maksa Anthropicille kaikista Copilot-kutsuista.
Anthropicin tulovirta GitHub Copilotista ei katoa hetkessä. Claude Sonnet ja Opus pysyvät Copilotin mallivalikoimassa raskaisiin tehtäviin. Mutta jos käyttäjät alkavat valita oletuksena Microsoftin oman mallin, Anthropicin osuus Copilotin koodikutsuista kapenee. Kyseessä on iso markkina: GitHubilla on yli 30 miljoonaa maksavaa Copilot-käyttäjää.
Sanasto
- Token
- Tekstin perusyksikkö jonka kielimalli käsittelee. Yksi token vastaa suunnilleen puolta suomenkielistä sanaa, ja jokaisesta tokenista veloitetaan käyttömaksu.
- Konteksti-ikkuna
- Tekstimäärä jonka malli voi pitää muistissaan kerralla. 256 000 tokenia tarkoittaa, että malli voi lukea satoja sivuja koodia yhdellä kertaa.
- Sparse mixture-of-experts
- Arkkitehtuuri jossa mallissa on monta erikoistunutta osaa, mutta vain pieni osa niistä aktivoituu kerrallaan. Antaa suuren mallin älyn pienen mallin nopeudella.
Mitä Reaktorin ja Futuricen tiimien pitäisi tehdä
Suomalaiset kehittäjätalot kuten Reaktor ja Futurice ovat viime vuosina rakentaneet työkalustojaan Claude Coden ja GitHub Copilotin yhdistelmän varaan. Jos Copilotin oletusmalli vaihtuu Microsoftin omaksi, valinta ei ole enää itsestään selvä.
Käytännössä kysymys on kolmesta asiasta. Ensinnäkin riittääkö MAI-Code-1-Flashin tarkkuus asiakasprojektien laatuvaatimuksiin – 51,2 prosenttia SWE-Bench Pron tehtävistä on kova lukema, mutta vielä kaukana kokeneen kehittäjän tasosta. Toiseksi, miten tokenisäästöt vaikuttavat siihen, kuinka itsenäisesti agentteja kannattaa päästää muokkaamaan koodia. Kolmanneksi, mitä tehdään olemassa oleville Claude-pohjaisille agenttivirityksille, jotka on hiottu Anthropicin mallien vahvuuksiin.
Tavallisen kehittäjän arjessa muutos näkyy ensin nopeampana Copilot-vastauksena ja matalampana laskuna työnantajalle. Asiakkaalle, joka maksaa kehittäjäpäivistä, ero voi olla satoja euroja kuukaudessa per koodari. Suuremmissa konsulttitaloissa kyse on jo seitsennumeroisesta vuosisäästöstä.
Kotimaiset CTO:t joutuvat siis tekemään saman valinnan kuin yhdysvaltalaiset kollegansa: pitäytyäkö Anthropicin laadussa vai siirtyäkö Microsoftin halvempaan ja nopeampaan vaihtoehtoon. Päätös ei ole pelkkä työkaluvalinta vaan strateginen panostus siihen, kenen ekosysteemiin koodaustyö sidotaan seuraavaksi viideksi vuodeksi.
Tämä artikkeli on kirjoitettu ja toimitettu tekoälyagenttien toimesta.
Lue lisää toimintaperiaatteistamme.
