微软自研AI模型降低OpenAI与Anthropic使用成本
微软目前正逐步减少对OpenAI和Anthropic的依赖，加速转向自研MAI模型以降低成本。其MAI-Thinking1模型在盲测中代码能力与ClaudeOpus4 6相当。微软AI首席执行官公开坦言Anthropic服务费用极度高昂，长远目标是逐步削减并最终完全消除这部分成本。
微软正在悄然推进一项重要战略：逐步降低对OpenAI和Anthropic等顶级AI模型的依赖，转而重点投入自研的MAI模型家族。尽管微软方面也坦承，这些内部开发的模型在技术成熟度上与当前行业前沿系统仍存在差距。
该消息源自彭博社今日发布的一份深度报告。据知情人士透露，微软对采购OpenAI和Anthropic顶尖模型所产生的高昂费用，已愈发感到难以承受。这位知情人士表示，在Excel、Outlook等办公平台中，原本依赖第三方模型处理的“数以万计的提示词”，现已转移至微软自家的MAI模型来执行，核心目标十分明确——有效控制成本。不过，与微软Copilot每周处理数百万条提示词的总量相比，这一转变目前仅占整体AI使用量的一小部分。
此份报告的发布时间点颇具深意——大约是在微软推出MAI家族七款新模型一个月之后。当时，微软发布了首款推理模型MAI-Thinking 1，定位为高效率、低Token成本的中型模型，具备350亿个激活参数和25.6万Token的上下文窗口。在盲测中，该模型的代码能力表现抢眼，与Anthropic的Claude Opus 4.6不相上下。此外，MAI系列还覆盖了图像生成、语音转录、语音识别、编程辅助等多个功能领域。
随着高端AI系统的成本压力日益凸显，更具性价比的AI模型正逐渐成为市场新宠。今年早些时候，曾短暂流行过一阵“Token最大化”的使用热潮，此后许多企业开始重新审视AI支出。近期，亚马逊、埃森哲、Meta和Uber等科技巨头，也被曝出正在采取措施压缩AI相关开销。
值得关注的是，部分美国企业已将目光投向价格更具竞争力的中国模型。年初，深度求索（DeepSeek）凭借其超具性价比的V4-Pro模型引发了广泛关注——每百万输入Token仅需0.435美元，输出Token只需0.87美元。反观Anthropic的Fable 5模型，每百万输入Token收费10美元，输出Token高达50美元，两者价格差距之大，一目了然。
微软AI首席执行官穆斯塔法·苏莱曼上个月在接受彭博社采访时，表达得相当直白：“Anthropic的费用极其高昂，我认为很多人都在拼命寻找替代方案。我们付给Anthropic的钱数量巨大，因此我们的目标就是逐步降低，并最终彻底砍掉这笔成本。”
相比之下，OpenAI的定价相对温和一些——GPT-5.5每百万输入Token收费5美元，输出Token收费30美元。加之微软与OpenAI的深度合作关系，能获得相当优惠的折扣，但累计成本依然不是一个小数目。而且，微软与OpenAI的合作协议将于2032年到期，这进一步推动了微软加速培养自身AI能力的步伐。
Q&A
Q1：微软MAI-Thinking 1模型的性能与定价如何？
A：MAI-Thinking 1是微软推出的首款推理模型，属于中型规模，拥有350亿个激活参数和25.6万Token的上下文窗口，主打高性能与低Token成本。在盲测中，其代码能力与Anthropic的Claude Opus 4.6不相上下。目前微软尚未公布该模型对外定价，其主要定位是替代高价第三方模型，以降低内部AI使用成本。
Q2：微软为何要减少使用Anthropic的模型？
A：核心原因只有一个字——贵。Anthropic模型的定价极高，以Fable 5为例，每百万输入Token收费10美元，输出Token收费50美元。微软AI首席执行官苏莱曼已公开承认，公司付给Anthropic的费用确实过高，目标是逐步降低乃至彻底消除这部分开销。转向自研MAI模型，是降本增效的关键举措。
Q3：DeepSeek V4-Pro模型的价格比Anthropic便宜多少？
A：价格差距极为悬殊。DeepSeek V4-Pro每百万输入Token仅需0.435美元，输出Token只需0.87美元；而Anthropic的Fable 5每百万输入Token收费10美元，输出Token收费50美元，后者价格是前者的23到57倍。难怪不少美国企业已开始考虑将部分AI工作负载迁移至DeepSeek这类低成本模型上。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：微软自研AI模型降低OpenAI与Anthropic使用成本要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点人脸侦测技术利用哈尔特征与积分图实现快速识别，但灰阶转换导致肤色深者辨识率偏低，引发公平性争议。后续YOLO技术虽提升效率，却因军事应用与隐私问题使作者退出研究，凸显技术伦理的复杂性。
系统梳理了解释型、模式挖掘、集成、聚类、时间序列和相似度六大机器学习算法类型。每种算法介绍核心原理与典型应用，涵盖线性回归、决策树、随机森林、XGBoost、DBSCAN、Prophet、余弦相似度等，帮助建立全局认知并选择合适工具。
PyTorch与TensorFlow各有优劣。PyTorch更Python化，在学术研究和模型生态上占优，适合开发效率优先的场景。TensorFlow部署更成熟，支持多语言，适合生产环境和移动端。选择应基于项目具体需求，需综合考虑团队技术栈、目标平台及性能要求。
三维重建与逆渲染实现从照片到真实感场景的转化。前者通过运动恢复结构、多视角立体及表面重建恢复几何结构信息；后者利用可微渲染等技术恢复材质与光照，从而提升新光照下的渲染真实感。
- 日榜
- 周榜
- 月榜
热点快看