微软推Mai Code Flash模型 137B参数MoE激活5B跑通VS Code

How Microsoft AI builds coding models optimized for GitHub Copilot | LIVE158 — Visual Studio Code

Visual Studio Code

微软放弃通用大模型后期微调路线,通过在VS Code真实测试环境中嵌入强化学习,以137B总参数结合5B激活参数的MoE架构实现日常编程任务对齐前沿大模型。

AI-assisted summary of How Microsoft AI builds coding models optimized for GitHub Copilot | LIVE158 — original source. Check the original for full context.

Source published:

Key ideas

  • 微软在 Build 2026 大会上发布专为 GitHub Copilot 和 VS Code 从零构建的代码模型 Mai Code Flash,摒弃传统通用大模型后期微调的做法,全流程贴合真实开发场景。 (0:12)
  • Mai Code Flash 采用混合专家(MoE)架构,总参数量达 137B,但单次推理仅动态激活约 5B 参数,在保障高智力上限的同时实现了极低延迟与高效输出。 (5:27)
  • 模型通过将训练、评估与 VS Code 真实测试平台(Harness)深度绑定的多阶段强化学习,摆脱单一学术基准刷榜,专注于工程环境中的工具调用与单元测试验证。 (1:54)
  • 现场演示展示了多模型协同构建自主编程 Agent 的潜力,结合语音转写、语音合成与代码中枢,实现口语化驱动的本地开发服务管理、样式修改与单元测试重构。 (13:06)

Detailed notes

## Background 本内容由 Visual Studio Code 官方频道于 2026 年 6 月 5 日在 YouTube 发布,属于 Microsoft Build 2026 大会专题环节。视频深入微软 AI 幕后,探讨如何针对 GitHub Copilot 构建并优化专属代码模型,分享团队在训练、评估、真实工作流对齐以及开发者反馈等维度的技术创新与落地实践。

## TL;DR 微软在发布 7 款 Mai 系列模型之际,重点拆解了专为 GitHub Copilot 和 VS Code 打造的代码模型 Mai Code Flash。该模型摒弃了传统大模型的后期微调补丁做法,采用 137B 总参数池搭配 5B 激活参数的混合专家(MoE)架构,结合真实 VS Code 产品 harness 进行多阶段课程学习与强化学习,实现极速响应与精准的代码生成。现场不仅实机演示了秒级生成前端 Web 应用与复古界面,还展示了结合语音转写、语音合成与代码中枢的多 Agent 协同开发实验,展现出专用轻量化模型在真实工程任务中的巨大爆发力。

## Atmosphere & style 全片洋溢着浓厚而纯粹的极客工程气息,主持人 Seth Juarez 与两位一线技术核心 Yang Liu、Pengcheng He 的互动自然务实、充满技术共鸣。对谈摒弃了浮夸的学术刷榜辞令,直击开发者最在意的延迟、Token 效率与编辑器上下文交互痛点。随后的实机 Coding 演示与语音驱动多 Agent 实验节奏紧凑明快,既有前沿技术落地的严谨自信,又流露出探索未来人机协同编程新范式的兴奋感与极客浪漫。

## Bulletin - [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) 微软在 Build 2026 大会上发布专为 GitHub Copilot 和 VS Code 从零构建的代码模型 Mai Code Flash,摒弃传统通用大模型后期微调的做法,全流程贴合真实开发场景。 - [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) Mai Code Flash 采用混合专家(MoE)架构,总参数量达 137B,但单次推理仅动态激活约 5B 参数,在保障高智力上限的同时实现了极低延迟与高效输出。 - [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 模型通过将训练、评估与 VS Code 真实测试平台(Harness)深度绑定的多阶段强化学习,摆脱单一学术基准刷榜,专注于工程环境中的工具调用与单元测试验证。 - [13:06](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=786s) 现场演示展示了多模型协同构建自主编程 Agent 的潜力,结合语音转写、语音合成与代码中枢,实现口语化驱动的本地开发服务管理、样式修改与单元测试重构。

## Key takeaways - [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) Mai Code Flash 是专为 GitHub Copilot 与 VS Code 打造的代码模型,从训练起点就针对代码工作流设计,而非基于通用模型的后期修补微调。 - [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 研发团队主张告别纯学术基准刷榜,核心优化目标是贴合开发者在 VS Code 中的即时交互与真实任务闭环。 - [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 强化学习在训练中起决定性作用,模型直接在 VS Code 真实测试平台与日常工具集中交互演练,并通过专用奖励模型引导正确的开发行为。 - [03:50](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=230s) 训练流水线经历三阶跃迁:监督微调指令冷启动(SFT)、由浅入深的渐进式课程训练,以及与生产环境完全一致的强化学习对齐。 - [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) 模型采用 137B 总参数的 MoE 架构,单次生成仅激活约 5B 专家参数,大幅削减了显存带宽与推理算力开销。 - [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) 除了计算参数轻量化,团队还在 Token 生成效率上进行极致优化,避免生成冗余代码和废话,换取近乎实时的响应速度。 - [09:20](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=560s) 实测演示中,模型在 VS Code 内展现出极高生成吞吐,能迅速调用编辑器原生接口完整搭建现代化前端 Web 应用与复古风格页面。 - [10:08](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=608s) Mai Code Flash 针对前端开发做了专门强化,并已在 VS Code 中向部分用户开启灰度测试,可通过模型选择器切换使用。 - [11:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=676s) 除了常规基准,团队通过线上大规模 A/B 测试追踪任务完成度与取消生成率,确保模型输出节奏符合日常开发直觉。 - [11:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=676s) 模型定位清晰:专注于前后端工程代码与多语言开发,处理日常工程任务可比肩前沿大模型,但不适用于长链极端推理或创意文学写作。 - [13:06](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=786s) 通过将 Mai-Transcribe、Mai-Voice 与 Mai-Code-Flash 串联,团队验证了以纯语音指令操控多 Agent 协同编程的未来交互工作流。 - [15:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=916s) 微软将真实用户反馈视为模型生命周期演进的核心驱动力,Mai Code Flash 仅是小尺寸专用模型的开端,后续将推出更强能力的模型版本。

## Detailed walkthrough ### [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) 专为开发者打造:Mai Code Flash 与团队亮相

在 Microsoft Build 2026 大会上,微软一口气发布了多达 7 款 Mai 系列 AI 模型。主持人 Seth Juarez 直言,作为一名开发者,其中最令他兴奋的当属 **Mai Code Flash**。为了深挖这款模型背后的底层工程细节,Seth 邀请了参与该模型研发的核心团队成员——模型研究负责人 Yang Liu 以及主导模型开发的 Pengcheng He。

Seth 开门见山地指出,这款模型并非凭空产生的通用聊天机器人,而是自始至终面向 GitHub Copilot 和 Visual Studio Code 深度定制研发的。针对“专为开发场景定制(purpose-built)”这一核心定位,Pengcheng He 旗帜鲜明地阐述了他们从源头上与业界常规做法的本质区别:

> “对我们而言,专门构建的模型意味着我们并没有拿一个通用大模型在最后阶段做代码微调,而是从最一开始就面向 GitHub Copilot 场景构建,并从零开始针对 GitHub Copilot 的体验进行极致优化。”—— Pengcheng He

与普通的通用大模型只会机械地生成孤立代码片段不同,Mai Code Flash 能够深度感知代码库的全局上下文信息、熟练调用编辑器内部的工具链、精准捕捉开发者的真实编程意图,并实施精准的局部代码修改,同时保持极高的响应速度。

- **发布背景**:Microsoft Build 2026 期间微软共发布了 7 款 Mai 体系模型,Mai Code Flash 是聚焦开发者的核心力作。 - **与通用模型的关键区别**:不依赖对通用通用模型的后期代码补丁微调,而是从训练初始就将代码工作流作为唯一目标进行设计。

---

[01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 告别刷榜:从基准测试走向真实 VS Code 工作流与强化学习

在谈及模型在 Visual Studio Code 中的实际表现时,Yang Liu 强调,评估一个代码模型的优劣绝不能仅仅停留在刷榜层面。虽然 Mai Code Flash 在众多标准学术基准(Benchmarks)上成绩斐然,但团队更看重它在真实代码工程环境中的即时互动表现。对于日常编程中遇到的简单逻辑问题,模型不会陷入漫长迟钝的冗长推理,而是能迅速给出针对性反馈;在面对单元测试和功能验证时,它也能在开发链路最合理的节点自动触发测试,达成顺畅的人机交互体验。

Seth 随即从机器学习理论切入,询问团队到底给模型输入了何种特殊数据,才让它如此契合 VS Code。Yang Liu 透露,其中的核心秘密在于**真实环境下的强化学习(Reinforcement Learning)**:

> “这就是强化学习在这里发挥至关重要作用的原因。在训练中,我们让模型直接与真实的产品测试平台(harness)、真实的 VS Code 环境、开发者每天使用的同一套工具集以及每天敲入的相同提示词进行交互互动。”—— Yang Liu

团队甚至在环境里模拟开发者的日常任务循环,构建了专属的奖励模型(Reward Model),引导模型学会何为“正确的代码产品行为”,使代码模型跳脱出静态文本推断的局限,像一个真实的协作程序员一样行动。

```mermaid flowchart TD accTitle: Mai Code Flash Training Pipeline accDescr: A multi-stage pipeline showing cold start, supervised fine-tuning, curriculum training, and reinforcement learning in real product harnesses.

subgraph ColdStart ["第一阶段:指令与格式冷启动"] A["冷启动与 SFT 基础微调"] -->|"对齐指令遵循与输出格式"| B["建立基础代码理解"] end

subgraph Curriculum ["第二阶段:渐进式多阶段训练"] B -->|"海量多样化数据注入"| C["简单编码任务训练"] C -->|"由易到难课程学习"| D["复杂编码与架构任务"] end

subgraph RLStage ["第三阶段:真实环境强化学习 (RL)"] D -->|"接入 VS Code 真实产品 Harness"| E["与日常工具集 & 环境交互"] E -->|"运行单元测试 & 任务验证"| F["Reward Model 奖励反馈引导行为"] end

F --> G["最终交付:Mai Code Flash 模型"] ```

---

[03:50](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=230s) 渐进式多阶段训练:从“幼儿园”到“博士后”的模型演变

针对模型的具体工程训练流水线,Pengcheng He 做了更为细致的拆解。他将整个训练过程类比为人类的教育成长之路:

1. **冷启动与指令对齐(SFT)**:基座模型最初只会单纯预测下一个 Token,缺乏指令遵循与工具调用的意识。团队首先进行监督微调(Supervised Fine-Tuning, SFT),教会模型理解人类指令并按标准结构格式进行响应。这就像把“刚出生的婴儿送进幼儿园”。 2. **渐进式课程训练(Curriculum Training)**:注入大量多样化代码数据,由浅入深,从简单的语法补全、函数编写逐步进阶至处理高难度、高耦合的复杂工程任务,引导模型一路“升级攀登”。 3. **真实环境强化学习对齐(RL with Product Harness)**:在流水线最末端,将模型置于完全对齐生产环境的 GitHub Copilot 与 VS Code 测试平台中进行端到端闭环训练。

Pengcheng He 强调,这种“将训练流程、评估体系与最终生产环境统一在同一套 Harness 下”的闭环机制,从底层根除了传统预训练大模型在学术场景表现优异但在真实 IDE 插件中屡屡水土不服的结构性弊病。

- **训练三阶跃迁**:格式与指令冷启动 $\rightarrow$ 复杂度递进的多阶段学习 $\rightarrow$ 真实编辑器测试环境下的强化学习。 - **环境一致性原则**:模型的训练输入、评估验证与生产交互完全共享同一套 VS Code 内部工具流。

---

[05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) 架构揭秘:137B 总参数的 MoE 如何实现 5B 激活参数的高效推理

在模型体量设计上,业界往往普遍推崇“模型越大越好”的盲目规模定律。但对于在本地开发环境中追求低延迟、高响应的编码助手而言,计算成本与响应速度同样至关重要。Yang Liu 首次公布了 Mai Code Flash 的核心架构细节:

> “Mai Code Flash 是一款激活参数仅为 50 亿(5B)的模型,但它实际上是一个混合专家(MoE)架构,模型总参数容量达到了约 1370 亿(137B)参数。”—— Yang Liu

这意味着模型具备 137B 大模型的强大知识广度与智能底座,但在单次推断生成每个 Token 时,网络只会动态路由激活其中约 5B 的专家参数网络。

```mermaid flowchart LR accTitle: Mixture-of-Experts (MoE) Routing Flow accDescr: Query tokens routed through router to activate only 5B parameters out of a 137B total parameter pool.

A["用户代码 Prompt / 工具调用"] --> B["MoE 路由门控机制<br>(Router Gating)"]

subgraph ParameterPool ["137B 总参数容量池"] C["未激活专家网络<br>(闲置以节省算力)"] D["已激活特定专家网络<br>(有效激活参数 ~5B)"] end

B -.-> C B -->|"动态路由至匹配专家"| D D --> E["超低延迟 Token 快速输出"] ```

Seth 感叹道,这种架构依靠高效的向量计算把大部分无关模块完全静默,只让对应的专家处理代码请求,使得实际运行表现出惊人的推理吞吐量。Yang Liu 补充道,团队不仅追求参数激活效率,还在**Token 生成效率(Token Efficiency)**上做了极深优化——模型不会生成无意义的客套废话或臃肿样板代码,在同等智能水平下展现出极致的延时优势,“在同体量级别中宛如一头兼具智力与爆发力的性能野兽(a beast at its size)”。

| 架构维度 | 核心技术参数 / 工程指标 | 带来的实际开发效益 | |:--- |:--- |:--- | | **总参数容量 (Total Parameters)** | 约 1370 亿 (137B) | 具备深厚代码知识储备与复杂架构推理上限 | | **单次激活参数 (Active Parameters)** | 约 50 亿 (5B) | 大幅压缩显存带宽开销与单 Token 推理成本 | | **训练优化设计** | 针对 VS Code 工具流定制的专属 Reward 曲线 | 避免小模型智力不足与超大模型迟钝漫长的缺陷 | | **端到端工程优势** | 模型效率(MoE)+ Token 生成效率双重对齐 | 实现即敲即应的近实时流式代码输出 |

---

[09:20](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=560s) 现场实测:在 VS Code 中飞速生成前端 Web 应用

在讲解完理论与底层架构后,Yang Liu 在现场切换至实机录屏进行真实编码能力演示。

演示画面展示了模型直接在 Visual Studio Code 内从零开发一个现代化前端 Web 应用程序的全流程。当开发者输入任务 Prompt 后,Mai Code Flash 以极高的 Token 生成速度在屏幕上飞速推进,即时调用 VS Code 原生工具接口组织目录、编写核心逻辑与样式。由于模型针对编辑器环境做过深度强化学习,它极具策略性地直接复用了 VS Code 原生套件的高级能力,几乎不需要多余的无效尝试,便在极短时间内完整构建并运行了一个界面精美、交互完备的前端应用。

紧接着,Yang Liu 切换到了第二个演示案例:开发者向模型下达了构建一个复古风格(retro style)Web 应用的复杂指令,模型同样展现出了令人惊叹的上下文拆解速度与工程准确性,现场向观众直观证实了“高智商与极致低延迟兼备”的架构承诺。

[10:08](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=608s) Mai-Code-Flash 的前端能力与基于真实工作流的优化

团队展示了 Mai-Code-Flash 在实际代码编辑中生成的前端界面。针对用户界面开发,研发团队在训练阶段投入了大量精力来强化模型的前端能力,并结合了原生合作伙伴的数据与工具链,使得前端代码生成的效率与视觉呈现均表现优异。目前该模型正逐步在 Visual Studio Code 中向用户灰度推出;一旦获得灰度资格,开发者就可以在 VS Code 的模型选择器(Model Picker)中直接选用该模型。

在谈及开发过程中的核心收获时,团队强调,优化模型不能仅局限于静态测试基准,更重要的是切入开发者的真实工作流。Pengcheng He 旗帜鲜明地阐述了这一观点:“Well, learning I think users real workflow is important for us to optimize their model for users purpose, yeah instead of another benchmark.” 他进一步指出,如果不对真实的开发场景与代码上下文进行深度对齐,模型在 GitHub Copilot 这类实际代码补全工具中的表现就无法达到如今的高水准。

- **VS Code 部署状态**:Mai-Code-Flash 已开始逐步灰度发布,用户可在 VS Code 模型选择器中查看并切换。 - **前端生成优化**:模型强化了前端 UI 构建能力,结合了原生伙伴生态支持,大幅提升前端组件与交互界面的生成效率。 - **以真实场景为导向**:开发核心理念是从真实开发者任务出发进行针对性优化,而非单纯刷公开 Benchmark。

---

[11:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=676s) 模型测试流程、A/B 实验与小尺寸模型的定位边界

针对模型的测试机制,团队介绍说,除了在同等体量(Frontier model at this size)的公开学术基准上保持顶尖水平外,他们更聚焦于真实的用户体验指标。为此,团队在线上进行了大量的 A/B 测试,严格监控用户在实际交互中是否顺利完成了任务,以及是否频繁出现取消生成(Cancel)等负向行为,确保模型的生成逻辑贴合日常开发节奏。

由于模型架构更加轻量,其运行响应明显更迅捷、敏捷度更高(Snappier and faster)。但在能力边界上,团队保持着清醒客观的认知。彭成指出:“To me, I think for most of the task, it's comparable to today's frontier big models.” 不过对于极端复杂、要求超长推理链的挑战性任务,受制于 Scaling Law 的物理限制,小模型仍存在一定上限。当 Seth Juarez 问及用户不应期待该模型做什么时,团队明确表示,Mai-Code-Flash 专注于软件工程(涵盖前后端开发、多种主流编程语言),并非为创意写作或写诗而设计,日常开发建议用它,文字创作类任务则应选用通用大语言模型。

| 维度 | Mai-Code-Flash(小尺寸专用模型) | 通用前沿大模型(Frontier Big Models) | |:--- |:--- |:--- | | **响应速度** | 极快、更轻巧敏捷(Snappier) | 相对较慢,计算与推理开销大 | | **日常工程任务** | 覆盖前后端代码、跨多种语言,表现堪比大模型 | 表现全面,但用于小任务存在资源浪费 | | **高难度挑战任务** | 受模型参数体量(Scaling Law)限制存在上限 | 处理复杂极限推理与长链逻辑更具优势 | | **非代码任务(如写诗/创意写作)** | 未针对该方向优化,仅具基础处理能力 | 原生具备极强的文学创意与发散表达能力 |

---

[13:06](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=786s) 多模型协同演示:AI Agent 与语音、转写结合的交互实验

团队在现场演示了一个极具趣味性的周末实验项目,展示了由多个 MAI 专用模型协同驱动的 AI Agent 开发流。该演示展示了全语音交互驱动的多 Agent 协同编程环境:用户通过自然语言下达指令,Agent 自动响应并请求必要的执行权限。

```mermaid flowchart TD accTitle: 多模型协同驱动的自主编程 Agent 工作流 accDescr: 展示用户语音输入经由 Mai-Transcribe、Mai-Voice 和 Mai-Code-Flash 协同处理并驱动多 Agent 执行任务的全流程。

subgraph InputOutput ["多模态交互层"] U["开发者语音指令"] --> Trans["Mai-Transcribe<br/>(语音转写)"] Voice["Mai-Voice<br/>(语音合成响应)"] --> Dev["反馈给开发者"] end

subgraph CoreEngine ["核心推理与控制"] Trans --> Brain["Mai-Code-Flash<br/>(代码与任务规划中枢)"] Brain --> Voice end

subgraph AgentSwarm ["Agent 任务执行层"] Brain --> A1["Agent 1: 本地服务管理<br/>(启动 Vite 开发服务器)"] Brain --> A2["Agent 2: 界面样式调整<br/>(修改蓝绿渐变背景)"] Brain --> A3["Agent 3: 质量保障与重构<br/>(补全测试用例/重构组件)"] end ```

在演示过程中,开发者首先要求启动本地 Web 应用,Agent 立即响应:“I need your approval to start the Vite development server.” 在获得开发者口头确认授权后,Agent 自动启动了运行在 localhost 上的本地服务。随后,开发者通过语音要求将应用背景色改为蓝绿渐变色,Agent 迅速在代码中完成了 CSS 样式的修改。紧接着,开发者要求检查并补齐缺失的单元测试,Agent 再次申请执行 npm 测试命令的权限,并在获准后自动补充了个人资料头像组件(Profile Header)的单元测试。当开发者询问当前后台 Agent 的工作状态时,系统汇报当前共有三个 Agent 正在协同运作:它们正在细致排查应用代码结构,其中一个正在规划将组件重构为更加模块化的结构。

这一架构展示了将各类高度垂直、专有优化的模型组合使用的巨大潜力。正如团队成员所言:“We combined our latest state-of-the-art Mai-Transcribe model, Mai-Voice model and Mai-Code-Flash model for this fun project.” 随着各类专业模型的相继问世,将语音识别、语音合成与极致代码生成结合,探索未来开发者的全新工作范式,已成为非常自然且令人兴奋的技术演进路径。

---

[15:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=916s) 未来展望与开发者反馈征集

在总结展望环节,团队成员分享了面向未来的核心感悟。团队强调技术演进需要充分发挥想象力,在接下来的几个月内,微软将带来更为惊艳的突破性成果。Yang Liu 郑重表示:“I think my takeaway is we are seriously creating the best model for our product, the best code and other product. And this is just the beginning of our journey.”

团队反复呼吁正在通过 VS Code 体验模型的开发者积极提交反馈。他们明确指出,真实用户的反馈数据是团队后续持续打磨、优化并迭代模型生命周期的核心驱动力。Mai-Code-Flash 仅仅是微软在专用小体量模型(Mini-sized model)上的成功探索,未来团队还将推出能力更为强悍的“技术猛兽”(More powerful beasts)。Seth Juarez 随后向两位技术专家致谢,并邀请广大开发者共同期待这一持续演进的 AI 编程体验。

## Notable quotes > [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) 专门构建的模型意味着我们并没有拿一个通用大模型在最后阶段做代码微调,而是从最一开始就面向 GitHub Copilot 场景构建,并从零开始针对 GitHub Copilot 的体验进行极致优化。 — Pengcheng He

## Mentioned Microsoft, Microsoft AI, GitHub Copilot, Visual Studio Code, Microsoft Build 2026, Mai Code Flash, Mai-Transcribe, Mai-Voice, Seth Juarez, Yang Liu, Pengcheng He, Pierce Boggan, Vite, npm

## Video description Go behind the scenes with Microsoft AI to learn how to build and optimize coding models for GitHub Copilot. This session will explore what makes code-focused models different—from training and evaluation to performance, safety, and real-world developer feedback. You’ll hear how Microsoft AI is advancing model quality for the workflows developers care about most, and how those innovations show up in GitHub Copilot experiences used by millions of developers.

To learn more, please check out these resources: * https://aka.ms/MAI/GHCP * https://aka.ms/GHCP/automodel

𝗦𝗽𝗲𝗮𝗸𝗲𝗿𝘀: * Seth Juarez * Pierce Boggan * Yang Liu * Pengcheng He

𝗦𝗲𝘀𝘀𝗶𝗼𝗻 𝗜𝗻𝗳𝗼𝗿𝗺𝗮𝘁𝗶𝗼𝗻: This is one of many sessions from the Microsoft Build 2026 event. View even more sessions on-demand and learn about Microsoft Build at https://build.microsoft.com

LIVE158 | English (US)

Broadcast Stage

#MSBuild

Chapters: 0:00 - Introduction and Microsoft Build AI Model Overview 00:00:28 - Introducing the Mai Code Flash Team and Project Goals 00:01:00 - Purpose-Built Model for GitHub Copilot and VS Code 00:02:48 - Reinforcement Learning for Real Developer Workflows 00:03:50 - Multi-Stage Training Pipeline and Environment Alignment 00:05:27 - Model Size and Mixture-of-Experts Architecture Explained 00:10:20 - Demonstration of Mai Code Flash in VS Code 00:13:06 - Interactive AI Agents Demo Combining Multiple Mai Models 00:15:16 - Developer Takeaways and Future Model Enhancements 00:16:07 - Closing Remarks and Call for User Feedback

[Source](https://www.youtube.com/watch?v=Agc6Ik00R1g)

中文简报

微软向 GitHub Copilot 部署 MAI-Code-Flash MoE 模型 微软声称,直接在编辑器框架内训练的专用模型仅需每个 token 激活 50 亿参数,即可在更低延迟下达到前沿编码质量。 主持人 Seth Juarez 与微软 AI 研究负责人 Yang Liu 和 Pengcheng He 就 MAI-Code-Flash 展开交流,这是一款专门为 GitHub Copilot 和 Visual Studio Code 设计的专用编码模型。该团队没有改造现成的基础模型,而是开发了一套多阶段训练管线,包含冷启动监督微调、课程学习,以及直接在真实 VS Code 环境框架内对齐的强化学习。该模型采用混合专家(MoE)架构,总参数量为 1370 亿,每个 token 仅激活 50 亿参数,在常规多语言开发任务中兼顾了低延迟、低成本与高智能。现场演示展示了极速的前端应用生成,以及一个实验性的多模型智能体系统,该系统结合语音识别、语音合成和自主编码智能体来执行全栈开发者任务。 微软 AI 推出了 MAI-Code-Flash,这是一款从零开始专为 GitHub Copilot 和 Visual Studio Code 打造的专用编码模型,而非基于通用基础模型改造而来。 (0:12) MAI-Code-Flash 采用混合专家(MoE)架构,总参数量达 1370 亿,但推理时每个 token 仅激活 50 亿参数,以最大化吞吐量并尽量减少延迟。 (5:27) 该模型的训练管线直接集成到真实的开发者框架中,采用基于实际 VS Code 环境的多阶段课程学习和强化学习,而非仅仅依赖纯合成基准。 (2:48) 微软演示了基于智能体的多模型编排,将 MAI-Code-Flash 与 MAI-Transcribe 和 MAI-Voice 相结合,以执行语音驱动的代码修改、服务器管理和自动化测试。 (13:03)

精炼阅读摘要

微软人工智能研究团队推出专为 GitHub Copilot 和 VS Code 打造的专用代码模型 MAI-Code-Flash,强调通过真实开发环境对齐和混合专家架构在速度、智能与成本之间取得平衡。 场景定制理念与多阶段训练管线 (0:12) 研究负责人 Pengcheng He 指出,MAI-Code-Flash 并非在通用基座模型训练完成后修补用于编程,而是从底层针对 GitHub Copilot 的实际交互场景进行端到端优化。该模型旨在理解代码库级别上下文、准确调用工具、领会开发者意图并进行精准编辑,同时尽量避免无意义的冗长思考循环,适时触发单元测试与诊断分析。 其训练管线跳脱出传统的简单数据拟合,采用了贯穿生命周期的四阶段路径。模型首先经过冷启动监督微调(SFT)以学习指令遵循、输出格式和基础工具调用;随后通过课程学习由浅入深消化多样化编程任务;最后将模型直接放入 VS Code 运行环境中,利用真实工程任务、开发者提示词和生产工具链执行强化学习(RL),借助定制奖励模型评估操作。 混合专家架构与端内低延迟执行 (5:27) 针对大型单体模型带来的高延迟和计算成本负担,该模型采用了混合专家(MoE)架构。整机参数量达到 1370 亿,但在每一次标记推理过程中,系统仅动态激活约 50 亿参数。Yang Liu 解释称,这种参数量配置实现了模型智能水平、响应速度以及运行成本之间的结构性平衡,使模型在保持紧凑计算资源的同时具备宽泛的表征容量。 在代码生成与编辑效率方面,系统配合精简的提示词与高标记效率推理路径,避免在冗长推导中空耗标记。在 VS Code 内的实时演示中,该模型能够迅速响应指令,从零构建完整前端 Web 应用程序,并通过编辑器原生工具钩子就地修改代码、即时启动服务,展示出高吞吐流式输出能力与对开发环境的高度协同。 生产基准、在线评估与能力边界 (10:08) 研发团队强调,脱离实际工作流的合成基准测试无法真实反映开发体验。为了贴合日常场景,团队采用基于生产环境的在线 A/B 测试指标来评估模型,重点监测请求完成度、用户持续交互率以及取消操作的发生概率。此外,开发过程还融入了针对真实编码场景(如开发者集中梳理代码库的十分钟工作窗口)的系统对齐。 在日常开发表现上,Pengcheng He 认为模型在跨语言逻辑、前端界面以及后端架构等主流任务中足以比肩当前主流前沿大模型,且体感响应更加轻快。不过,团队坦承其物理参数规模仍受到缩放定律的客观限制,面对极端深度的复杂推理难题仍显吃力。同时,因其针对编程高度特化,该模型并不具备诗歌写作等通用创意写作能力。 多模型协同的语音智能体工作流 (13:03) 现场演示进一步展示了将专用模型进行组合编排的应用潜力。团队利用业余时间将 MAI-Transcribe 转录模型、MAI-Voice 语音合成模型与 MAI-Code-Flash 串联,搭建了一套支持纯语音交互的多智能体协作系统。 在该工作流中,开发者通过自然口语指令便可完成端到端任务:系统口头请求开发者授权后直接启动 Vite 本地开发服务器;随后按语音需求完成 UI 渐变样式的实时编码修改;在测试环节,智能体主动分析现有测试用例缺失项,并在获得授权后运行 npm test 自动为个人资料头部组件补充测试;当开发者询问后台状态时,语音智能体会即时汇报三个后台智能体针对项目架构与重构的分析进度。 MAI-Code-Flash 正通过 VS Code 的模型选择列表逐步向开发者分发,微软团队将其定位为当前轻量高效路线的起点,并计划依据用户遥测与反馈继续迭代,后续将推出更具深层推理能力的大规模版本。

Detailed notes — zh

## Background 本内容由 Visual Studio Code 官方频道于 2026 年 6 月 5 日在 YouTube 发布,属于 Microsoft Build 2026 大会专题环节。视频深入微软 AI 幕后,探讨如何针对 GitHub Copilot 构建并优化专属代码模型,分享团队在训练、评估、真实工作流对齐以及开发者反馈等维度的技术创新与落地实践。 ## TL;DR 微软在发布 7 款 Mai 系列模型之际,重点拆解了专为 GitHub Copilot 和 VS Code 打造的代码模型 Mai Code Flash。该模型摒弃了传统大模型的后期微调补丁做法,采用 137B 总参数池搭配 5B 激活参数的混合专家(MoE)架构,结合真实 VS Code 产品 harness 进行多阶段课程学习与强化学习,实现极速响应与精准的代码生成。现场不仅实机演示了秒级生成前端 Web 应用与复古界面,还展示了结合语音转写、语音合成与代码中枢的多 Agent 协同开发实验,展现出专用轻量化模型在真实工程任务中的巨大爆发力。 ## Atmosphere & style 全片洋溢着浓厚而纯粹的极客工程气息,主持人 Seth Juarez 与两位一线技术核心 Yang Liu、Pengcheng He 的互动自然务实、充满技术共鸣。对谈摒弃了浮夸的学术刷榜辞令,直击开发者最在意的延迟、Token 效率与编辑器上下文交互痛点。随后的实机 Coding 演示与语音驱动多 Agent 实验节奏紧凑明快,既有前沿技术落地的严谨自信,又流露出探索未来人机协同编程新范式的兴奋感与极客浪漫。 ## Bulletin - [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) 微软在 Build 2026 大会上发布专为 GitHub Copilot 和 VS Code 从零构建的代码模型 Mai Code Flash,摒弃传统通用大模型后期微调的做法,全流程贴合真实开发场景。 - [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) Mai Code Flash 采用混合专家(MoE)架构,总参数量达 137B,但单次推理仅动态激活约 5B 参数,在保障高智力上限的同时实现了极低延迟与高效输出。 - [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 模型通过将训练、评估与 VS Code 真实测试平台(Harness)深度绑定的多阶段强化学习,摆脱单一学术基准刷榜,专注于工程环境中的工具调用与单元测试验证。 - [13:06](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=786s) 现场演示展示了多模型协同构建自主编程 Agent 的潜力,结合语音转写、语音合成与代码中枢,实现口语化驱动的本地开发服务管理、样式修改与单元测试重构。 ## Key takeaways - [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) Mai Code Flash 是专为 GitHub Copilot 与 VS Code 打造的代码模型,从训练起点就针对代码工作流设计,而非基于通用模型的后期修补微调。 - [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 研发团队主张告别纯学术基准刷榜,核心优化目标是贴合开发者在 VS Code 中的即时交互与真实任务闭环。 - [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 强化学习在训练中起决定性作用,模型直接在 VS Code 真实测试平台与日常工具集中交互演练,并通过专用奖励模型引导正确的开发行为。 - [03:50](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=230s) 训练流水线经历三阶跃迁:监督微调指令冷启动(SFT)、由浅入深的渐进式课程训练,以及与生产环境完全一致的强化学习对齐。 - [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) 模型采用 137B 总参数的 MoE 架构,单次生成仅激活约 5B 专家参数,大幅削减了显存带宽与推理算力开销。 - [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) 除了计算参数轻量化,团队还在 Token 生成效率上进行极致优化,避免生成冗余代码和废话,换取近乎实时的响应速度。 - [09:20](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=560s) 实测演示中,模型在 VS Code 内展现出极高生成吞吐,能迅速调用编辑器原生接口完整搭建现代化前端 Web 应用与复古风格页面。 - [10:08](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=608s) Mai Code Flash 针对前端开发做了专门强化,并已在 VS Code 中向部分用户开启灰度测试,可通过模型选择器切换使用。 - [11:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=676s) 除了常规基准,团队通过线上大规模 A/B 测试追踪任务完成度与取消生成率,确保模型输出节奏符合日常开发直觉。 - [11:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=676s) 模型定位清晰:专注于前后端工程代码与多语言开发,处理日常工程任务可比肩前沿大模型,但不适用于长链极端推理或创意文学写作。 - [13:06](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=786s) 通过将 Mai-Transcribe、Mai-Voice 与 Mai-Code-Flash 串联,团队验证了以纯语音指令操控多 Agent 协同编程的未来交互工作流。 - [15:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=916s) 微软将真实用户反馈视为模型生命周期演进的核心驱动力,Mai Code Flash 仅是小尺寸专用模型的开端,后续将推出更强能力的模型版本。 ## Detailed walkthrough ### [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) 专为开发者打造:Mai Code Flash 与团队亮相 在 Microsoft Build 2026 大会上,微软一口气发布了多达 7 款 Mai 系列 AI 模型。主持人 Seth Juarez 直言,作为一名开发者,其中最令他兴奋的当属 **Mai Code Flash**。为了深挖这款模型背后的底层工程细节,Seth 邀请了参与该模型研发的核心团队成员——模型研究负责人 Yang Liu 以及主导模型开发的 Pengcheng He。 Seth 开门见山地指出,这款模型并非凭空产生的通用聊天机器人,而是自始至终面向 GitHub Copilot 和 Visual Studio Code 深度定制研发的。针对“专为开发场景定制(purpose-built)”这一核心定位,Pengcheng He 旗帜鲜明地阐述了他们从源头上与业界常规做法的本质区别: > “对我们而言,专门构建的模型意味着我们并没有拿一个通用大模型在最后阶段做代码微调,而是从最一开始就面向 GitHub Copilot 场景构建,并从零开始针对 GitHub Copilot 的体验进行极致优化。”—— Pengcheng He 与普通的通用大模型只会机械地生成孤立代码片段不同,Mai Code Flash 能够深度感知代码库的全局上下文信息、熟练调用编辑器内部的工具链、精准捕捉开发者的真实编程意图,并实施精准的局部代码修改,同时保持极高的响应速度。 - **发布背景**:Microsoft Build 2026 期间微软共发布了 7 款 Mai 体系模型,Mai Code Flash 是聚焦开发者的核心力作。 - **与通用模型的关键区别**:不依赖对通用通用模型的后期代码补丁微调,而是从训练初始就将代码工作流作为唯一目标进行设计。 --- ### [01:54](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=114s) 告别刷榜:从基准测试走向真实 VS Code 工作流与强化学习 在谈及模型在 Visual Studio Code 中的实际表现时,Yang Liu 强调,评估一个代码模型的优劣绝不能仅仅停留在刷榜层面。虽然 Mai Code Flash 在众多标准学术基准(Benchmarks)上成绩斐然,但团队更看重它在真实代码工程环境中的即时互动表现。对于日常编程中遇到的简单逻辑问题,模型不会陷入漫长迟钝的冗长推理,而是能迅速给出针对性反馈;在面对单元测试和功能验证时,它也能在开发链路最合理的节点自动触发测试,达成顺畅的人机交互体验。 Seth 随即从机器学习理论切入,询问团队到底给模型输入了何种特殊数据,才让它如此契合 VS Code。Yang Liu 透露,其中的核心秘密在于**真实环境下的强化学习(Reinforcement Learning)**: > “这就是强化学习在这里发挥至关重要作用的原因。在训练中,我们让模型直接与真实的产品测试平台(harness)、真实的 VS Code 环境、开发者每天使用的同一套工具集以及每天敲入的相同提示词进行交互互动。”—— Yang Liu 团队甚至在环境里模拟开发者的日常任务循环,构建了专属的奖励模型(Reward Model),引导模型学会何为“正确的代码产品行为”,使代码模型跳脱出静态文本推断的局限,像一个真实的协作程序员一样行动。 ```mermaid flowchart TD accTitle: Mai Code Flash Training Pipeline accDescr: A multi-stage pipeline showing cold start, supervised fine-tuning, curriculum training, and reinforcement learning in real product harnesses. subgraph ColdStart ["第一阶段:指令与格式冷启动"] A["冷启动与 SFT 基础微调"] -->|"对齐指令遵循与输出格式"| B["建立基础代码理解"] end subgraph Curriculum ["第二阶段:渐进式多阶段训练"] B -->|"海量多样化数据注入"| C["简单编码任务训练"] C -->|"由易到难课程学习"| D["复杂编码与架构任务"] end subgraph RLStage ["第三阶段:真实环境强化学习 (RL)"] D -->|"接入 VS Code 真实产品 Harness"| E["与日常工具集 & 环境交互"] E -->|"运行单元测试 & 任务验证"| F["Reward Model 奖励反馈引导行为"] end F --> G["最终交付:Mai Code Flash 模型"] ``` --- ### [03:50](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=230s) 渐进式多阶段训练:从“幼儿园”到“博士后”的模型演变 针对模型的具体工程训练流水线,Pengcheng He 做了更为细致的拆解。他将整个训练过程类比为人类的教育成长之路: 1. **冷启动与指令对齐(SFT)**:基座模型最初只会单纯预测下一个 Token,缺乏指令遵循与工具调用的意识。团队首先进行监督微调(Supervised Fine-Tuning, SFT),教会模型理解人类指令并按标准结构格式进行响应。这就像把“刚出生的婴儿送进幼儿园”。 2. **渐进式课程训练(Curriculum Training)**:注入大量多样化代码数据,由浅入深,从简单的语法补全、函数编写逐步进阶至处理高难度、高耦合的复杂工程任务,引导模型一路“升级攀登”。 3. **真实环境强化学习对齐(RL with Product Harness)**:在流水线最末端,将模型置于完全对齐生产环境的 GitHub Copilot 与 VS Code 测试平台中进行端到端闭环训练。 Pengcheng He 强调,这种“将训练流程、评估体系与最终生产环境统一在同一套 Harness 下”的闭环机制,从底层根除了传统预训练大模型在学术场景表现优异但在真实 IDE 插件中屡屡水土不服的结构性弊病。 - **训练三阶跃迁**:格式与指令冷启动 $\rightarrow$ 复杂度递进的多阶段学习 $\rightarrow$ 真实编辑器测试环境下的强化学习。 - **环境一致性原则**:模型的训练输入、评估验证与生产交互完全共享同一套 VS Code 内部工具流。 --- ### [05:27](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=327s) 架构揭秘:137B 总参数的 MoE 如何实现 5B 激活参数的高效推理 在模型体量设计上,业界往往普遍推崇“模型越大越好”的盲目规模定律。但对于在本地开发环境中追求低延迟、高响应的编码助手而言,计算成本与响应速度同样至关重要。Yang Liu 首次公布了 Mai Code Flash 的核心架构细节: > “Mai Code Flash 是一款激活参数仅为 50 亿(5B)的模型,但它实际上是一个混合专家(MoE)架构,模型总参数容量达到了约 1370 亿(137B)参数。”—— Yang Liu 这意味着模型具备 137B 大模型的强大知识广度与智能底座,但在单次推断生成每个 Token 时,网络只会动态路由激活其中约 5B 的专家参数网络。 ```mermaid flowchart LR accTitle: Mixture-of-Experts (MoE) Routing Flow accDescr: Query tokens routed through router to activate only 5B parameters out of a 137B total parameter pool. A["用户代码 Prompt / 工具调用"] --> B["MoE 路由门控机制<br>(Router Gating)"] subgraph ParameterPool ["137B 总参数容量池"] C["未激活专家网络<br>(闲置以节省算力)"] D["已激活特定专家网络<br>(有效激活参数 ~5B)"] end B -.-> C B -->|"动态路由至匹配专家"| D D --> E["超低延迟 Token 快速输出"] ``` Seth 感叹道,这种架构依靠高效的向量计算把大部分无关模块完全静默,只让对应的专家处理代码请求,使得实际运行表现出惊人的推理吞吐量。Yang Liu 补充道,团队不仅追求参数激活效率,还在**Token 生成效率(Token Efficiency)**上做了极深优化——模型不会生成无意义的客套废话或臃肿样板代码,在同等智能水平下展现出极致的延时优势,“在同体量级别中宛如一头兼具智力与爆发力的性能野兽(a beast at its size)”。 | 架构维度 | 核心技术参数 / 工程指标 | 带来的实际开发效益 | |:--- |:--- |:--- | | **总参数容量 (Total Parameters)** | 约 1370 亿 (137B) | 具备深厚代码知识储备与复杂架构推理上限 | | **单次激活参数 (Active Parameters)** | 约 50 亿 (5B) | 大幅压缩显存带宽开销与单 Token 推理成本 | | **训练优化设计** | 针对 VS Code 工具流定制的专属 Reward 曲线 | 避免小模型智力不足与超大模型迟钝漫长的缺陷 | | **端到端工程优势** | 模型效率(MoE)+ Token 生成效率双重对齐 | 实现即敲即应的近实时流式代码输出 | --- ### [09:20](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=560s) 现场实测:在 VS Code 中飞速生成前端 Web 应用 在讲解完理论与底层架构后,Yang Liu 在现场切换至实机录屏进行真实编码能力演示。 演示画面展示了模型直接在 Visual Studio Code 内从零开发一个现代化前端 Web 应用程序的全流程。当开发者输入任务 Prompt 后,Mai Code Flash 以极高的 Token 生成速度在屏幕上飞速推进,即时调用 VS Code 原生工具接口组织目录、编写核心逻辑与样式。由于模型针对编辑器环境做过深度强化学习,它极具策略性地直接复用了 VS Code 原生套件的高级能力,几乎不需要多余的无效尝试,便在极短时间内完整构建并运行了一个界面精美、交互完备的前端应用。 紧接着,Yang Liu 切换到了第二个演示案例:开发者向模型下达了构建一个复古风格(retro style)Web 应用的复杂指令,模型同样展现出了令人惊叹的上下文拆解速度与工程准确性,现场向观众直观证实了“高智商与极致低延迟兼备”的架构承诺。 ### [10:08](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=608s) Mai-Code-Flash 的前端能力与基于真实工作流的优化 团队展示了 Mai-Code-Flash 在实际代码编辑中生成的前端界面。针对用户界面开发,研发团队在训练阶段投入了大量精力来强化模型的前端能力,并结合了原生合作伙伴的数据与工具链,使得前端代码生成的效率与视觉呈现均表现优异。目前该模型正逐步在 Visual Studio Code 中向用户灰度推出;一旦获得灰度资格,开发者就可以在 VS Code 的模型选择器(Model Picker)中直接选用该模型。 在谈及开发过程中的核心收获时,团队强调,优化模型不能仅局限于静态测试基准,更重要的是切入开发者的真实工作流。Pengcheng He 旗帜鲜明地阐述了这一观点:“Well, learning I think users real workflow is important for us to optimize their model for users purpose, yeah instead of another benchmark.” 他进一步指出,如果不对真实的开发场景与代码上下文进行深度对齐,模型在 GitHub Copilot 这类实际代码补全工具中的表现就无法达到如今的高水准。 - **VS Code 部署状态**:Mai-Code-Flash 已开始逐步灰度发布,用户可在 VS Code 模型选择器中查看并切换。 - **前端生成优化**:模型强化了前端 UI 构建能力,结合了原生伙伴生态支持,大幅提升前端组件与交互界面的生成效率。 - **以真实场景为导向**:开发核心理念是从真实开发者任务出发进行针对性优化,而非单纯刷公开 Benchmark。 --- ### [11:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=676s) 模型测试流程、A/B 实验与小尺寸模型的定位边界 针对模型的测试机制,团队介绍说,除了在同等体量(Frontier model at this size)的公开学术基准上保持顶尖水平外,他们更聚焦于真实的用户体验指标。为此,团队在线上进行了大量的 A/B 测试,严格监控用户在实际交互中是否顺利完成了任务,以及是否频繁出现取消生成(Cancel)等负向行为,确保模型的生成逻辑贴合日常开发节奏。 由于模型架构更加轻量,其运行响应明显更迅捷、敏捷度更高(Snappier and faster)。但在能力边界上,团队保持着清醒客观的认知。彭成指出:“To me, I think for most of the task, it's comparable to today's frontier big models.” 不过对于极端复杂、要求超长推理链的挑战性任务,受制于 Scaling Law 的物理限制,小模型仍存在一定上限。当 Seth Juarez 问及用户不应期待该模型做什么时,团队明确表示,Mai-Code-Flash 专注于软件工程(涵盖前后端开发、多种主流编程语言),并非为创意写作或写诗而设计,日常开发建议用它,文字创作类任务则应选用通用大语言模型。 | 维度 | Mai-Code-Flash(小尺寸专用模型) | 通用前沿大模型(Frontier Big Models) | |:--- |:--- |:--- | | **响应速度** | 极快、更轻巧敏捷(Snappier) | 相对较慢,计算与推理开销大 | | **日常工程任务** | 覆盖前后端代码、跨多种语言,表现堪比大模型 | 表现全面,但用于小任务存在资源浪费 | | **高难度挑战任务** | 受模型参数体量(Scaling Law)限制存在上限 | 处理复杂极限推理与长链逻辑更具优势 | | **非代码任务(如写诗/创意写作)** | 未针对该方向优化,仅具基础处理能力 | 原生具备极强的文学创意与发散表达能力 | --- ### [13:06](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=786s) 多模型协同演示:AI Agent 与语音、转写结合的交互实验 团队在现场演示了一个极具趣味性的周末实验项目,展示了由多个 MAI 专用模型协同驱动的 AI Agent 开发流。该演示展示了全语音交互驱动的多 Agent 协同编程环境:用户通过自然语言下达指令,Agent 自动响应并请求必要的执行权限。 ```mermaid flowchart TD accTitle: 多模型协同驱动的自主编程 Agent 工作流 accDescr: 展示用户语音输入经由 Mai-Transcribe、Mai-Voice 和 Mai-Code-Flash 协同处理并驱动多 Agent 执行任务的全流程。 subgraph InputOutput ["多模态交互层"] U["开发者语音指令"] --> Trans["Mai-Transcribe<br/>(语音转写)"] Voice["Mai-Voice<br/>(语音合成响应)"] --> Dev["反馈给开发者"] end subgraph CoreEngine ["核心推理与控制"] Trans --> Brain["Mai-Code-Flash<br/>(代码与任务规划中枢)"] Brain --> Voice end subgraph AgentSwarm ["Agent 任务执行层"] Brain --> A1["Agent 1: 本地服务管理<br/>(启动 Vite 开发服务器)"] Brain --> A2["Agent 2: 界面样式调整<br/>(修改蓝绿渐变背景)"] Brain --> A3["Agent 3: 质量保障与重构<br/>(补全测试用例/重构组件)"] end ``` 在演示过程中,开发者首先要求启动本地 Web 应用,Agent 立即响应:“I need your approval to start the Vite development server.” 在获得开发者口头确认授权后,Agent 自动启动了运行在 localhost 上的本地服务。随后,开发者通过语音要求将应用背景色改为蓝绿渐变色,Agent 迅速在代码中完成了 CSS 样式的修改。紧接着,开发者要求检查并补齐缺失的单元测试,Agent 再次申请执行 npm 测试命令的权限,并在获准后自动补充了个人资料头像组件(Profile Header)的单元测试。当开发者询问当前后台 Agent 的工作状态时,系统汇报当前共有三个 Agent 正在协同运作:它们正在细致排查应用代码结构,其中一个正在规划将组件重构为更加模块化的结构。 这一架构展示了将各类高度垂直、专有优化的模型组合使用的巨大潜力。正如团队成员所言:“We combined our latest state-of-the-art Mai-Transcribe model, Mai-Voice model and Mai-Code-Flash model for this fun project.” 随着各类专业模型的相继问世,将语音识别、语音合成与极致代码生成结合,探索未来开发者的全新工作范式,已成为非常自然且令人兴奋的技术演进路径。 --- ### [15:16](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=916s) 未来展望与开发者反馈征集 在总结展望环节,团队成员分享了面向未来的核心感悟。团队强调技术演进需要充分发挥想象力,在接下来的几个月内,微软将带来更为惊艳的突破性成果。Yang Liu 郑重表示:“I think my takeaway is we are seriously creating the best model for our product, the best code and other product. And this is just the beginning of our journey.” 团队反复呼吁正在通过 VS Code 体验模型的开发者积极提交反馈。他们明确指出,真实用户的反馈数据是团队后续持续打磨、优化并迭代模型生命周期的核心驱动力。Mai-Code-Flash 仅仅是微软在专用小体量模型(Mini-sized model)上的成功探索,未来团队还将推出能力更为强悍的“技术猛兽”(More powerful beasts)。Seth Juarez 随后向两位技术专家致谢,并邀请广大开发者共同期待这一持续演进的 AI 编程体验。 ## Notable quotes > [00:12](https://www.youtube.com/watch?v=Agc6Ik00R1g&t=12s) 专门构建的模型意味着我们并没有拿一个通用大模型在最后阶段做代码微调,而是从最一开始就面向 GitHub Copilot 场景构建,并从零开始针对 GitHub Copilot 的体验进行极致优化。 — Pengcheng He ## Mentioned Microsoft, Microsoft AI, GitHub Copilot, Visual Studio Code, Microsoft Build 2026, Mai Code Flash, Mai-Transcribe, Mai-Voice, Seth Juarez, Yang Liu, Pengcheng He, Pierce Boggan, Vite, npm ## Video description Go behind the scenes with Microsoft AI to learn how to build and optimize coding models for GitHub Copilot. This session will explore what makes code-focused models different—from training and evaluation to performance, safety, and real-world developer feedback. You’ll hear how Microsoft AI is advancing model quality for the workflows developers care about most, and how those innovations show up in GitHub Copilot experiences used by millions of developers. To learn more, please check out these resources: * https://aka.ms/MAI/GHCP * https://aka.ms/GHCP/automodel 𝗦𝗽𝗲𝗮𝗸𝗲𝗿𝘀: * Seth Juarez * Pierce Boggan * Yang Liu * Pengcheng He 𝗦𝗲𝘀𝘀𝗶𝗼𝗻 𝗜𝗻𝗳𝗼𝗿𝗺𝗮𝘁𝗶𝗼𝗻: This is one of many sessions from the Microsoft Build 2026 event. View even more sessions on-demand and learn about Microsoft Build at https://build.microsoft.com LIVE158 | English (US) Broadcast Stage #MSBuild Chapters: 0:00 - Introduction and Microsoft Build AI Model Overview 00:00:28 - Introducing the Mai Code Flash Team and Project Goals 00:01:00 - Purpose-Built Model for GitHub Copilot and VS Code 00:02:48 - Reinforcement Learning for Real Developer Workflows 00:03:50 - Multi-Stage Training Pipeline and Environment Alignment 00:05:27 - Model Size and Mixture-of-Experts Architecture Explained 00:10:20 - Demonstration of Mai Code Flash in VS Code 00:13:06 - Interactive AI Agents Demo Combining Multiple Mai Models 00:15:16 - Developer Takeaways and Future Model Enhancements 00:16:07 - Closing Remarks and Call for User Feedback [Source](https://www.youtube.com/watch?v=Agc6Ik00R1g)

Source quotes

[0:12] Pengcheng He: 专门构建的模型意味着我们并没有拿一个通用大模型在最后阶段做代码微调,而是从最一开始就面向 GitHub Copilot 场景构建,并从零开始针对 GitHub Copilot 的体验进行极致优化。