先选 MAI Code 2 Flash,还是直接用标准版?
报价表按升序排列,10 元却出现在 9 元前面。只改一处比较函数,而且改完能立即跑测试,我会先用 MAI Code 2 Flash。如果同一个顺序还要同步到导出文件、分页列表和「恢复导入顺序」按钮,我会先把验收条件写好,再用 MAI Code 2 追踪这些地方怎样共同使用数据。
微软在 2026 年 11 月 17 日的 Ignite 上发布了这两款编程模型。标准版强调跨文件实现和仓库级推理,Flash 面向解释代码、定点修改和高频迭代。两者在 GitHub Copilot 的首发输入、输出单价相差十倍。决定预算前,先想想,如果改错了,一条测试能发现,还是得有人把整个流程再走一遍?微软发布说明 · GitHub 上线说明
GitHub Copilot 哪些套餐能用?API 从哪里接?
按 GitHub 的上线清单,Copilot Free 和 Student 可以选择 Flash。Pro、Pro+、Max、Business 和 Enterprise 可以选择两款。支持的入口包括 VS Code、Visual Studio、Copilot CLI、GitHub 网页和 JetBrains。团队账号如果在模型菜单里看不到它,先确认组织或企业管理员的模型策略,再看当前客户端和套餐。GitHub 模型入口与套餐
需要给自己的应用调用模型时,先确认部署入口。微软在这次公告里明确列出的开发者选项是 Microsoft Foundry 的 MAI Code 2 Flash 限量预览。Copilot 模型菜单、Foundry 部署及其调用凭据分别核对。若要在 Onevium 使用已有的自定义服务,先取得获准的上游端点和模型标识,确认连接协议与工具能力,再做一次小请求。微软对外提供方式 · Onevium 自定义连接
MAI Code 2 与 Flash 的价格,一百次改动差多少?
以下是 GitHub Copilot 按用量计费的模型费率,单位为美元/百万 token。缓存读取列只计实际命中的输入。GitHub 的价格脚注列明,2027 年 5 月 17 日起切换为常规定价。GitHub Copilot 官方价格表与促销脚注
| 型号与价格阶段 | 未缓存输入 | 缓存读取 | 输出 |
|---|---|---|---|
| MAI Code 2 · 首发促销 | $0.50 | $0.025 | $2.50 |
| MAI Code 2 Flash · 首发促销 | $0.05 | $0.005 | $0.25 |
| MAI Code 2 · 促销后 | $1.00 | $0.05 | $5.00 |
| MAI Code 2 Flash · 促销后 | $0.10 | $0.01 | $0.50 |
假设一次修改有 40,000 个未缓存输入、60,000 个缓存读取、4,000 个计费输出 token。按促销价,标准版是 $0.0315,Flash 是 $0.0033。相同用量做 100 次,分别是 $3.15 和 $0.33。单看未缓存输入和输出差十倍,缓存读取只差五倍,所以一次任务的总价随用量构成变化。
GitHub 按 1 AI credit 对应 $0.01 折算。这个示例算的是模型用量价值,实际是否产生额外账单还取决于套餐内额度、重试以及服务项目。仍留在旧版按请求计费的年度 Pro/Pro+ 用户要查另一张表,MAI Code 2 为 1×,Flash 为 0.33×。GitHub 用量计费 · 旧年度方案的请求倍率
微软的“98%”比谁?与 GPT-6.1 Sol、Opus 5.5 的跑分怎样读?
微软报告,MAI Code 2 在四项编程评测上的平均相对表现达到 GPT-6.1 Sol 的 98%,任务成本约为其 40%。对照 Claude Opus 5.5,同一项发布比较给出约 96% 的表现、5% 的成本。这里的 98% 以参照模型在这组任务上的表现为分母。要看一款模型自己完成了多少任务,需要读具体题集的通过率。微软原文与评测脚注
四项是 DeepSWE 1.1、Terminal-Bench 2.1、SWE Atlas 和 FrontierCode 1.1。微软脚注说明,各模型用最高推理档位。前三项在 MSBench 上通过 Copilot CLI 运行,关闭子 Agent。FrontierCode 1.1 的成绩与成本来自 Artificial Analysis。微软模型的费用按 五折促销价计算。Flash 的另一组对照只含前三项,微软把它的表现与 GPT-6 Luna、Claude Haiku 5.5 相比,报告的成本分别约为对方的 65% 和 20%。微软发布脚注 · FrontierCode 1.1 评测说明
模型卡第 3 节把两款 MAI 放进同一套 Copilot CLI。通常每题独立运行三次,报告单次尝试通过率的平均值,基础设施错误也计为失败。DeepSWE 1.1 是标准版 73.2%、Flash 59.9%,Terminal-Bench 2.1 是 84.6%、78.3%。到了 SWE Atlas,Flash 的 44.8% 略高于标准版的 43.1%。这项包含代码库问答、测试编写和重构。三行数据给出了可以试用的方向,在单个团队的任务上,仍要看能否通过自己的验收。微软模型卡,第 6–7 页
本站的 GPT-6.2 文章用到了 FrontierCode 2.0。它能帮助比较当时的 GPT-6.2 Astra 和 Sol。这次微软标题里的对照对象是 GPT-6.1 Sol,两篇用到的 FrontierCode 版本也不同。需要给 MAI 和 GPT-6.2 排先后时,最好让它们做同一份工作,保留相同工具和判分方式。GPT-6.2 Astra 与 Sol 的价格和评测

让两个模型改同一张报价表,怎样给答案打分?
这份练习只用一个函数。数据里 900 表示 9 元,0 表示免费,null 表示还要询价。排序前先告诉模型,同价商品保持导入顺序,升序和降序都把待询价放在最后。用户点「恢复导入顺序」时,还需要那份原始数组。下载离线练习和六条检查
我们用 Node.js 实际跑了同一组检查。起始代码把价格当字符串比较,六项里通过 2 项。第一个对照改成数字相减,并复制数组,通过 4 项。剩下两项都受 JavaScript 的类型转换影响。null 参与减法时会被当作零,在原始行顺序为「待询价、免费、9 元」时,待询价依然可能排在免费前。参考实现先单独处理待询价,再比较数字,6 项全部通过。
| 输入或操作 | 审核人应看到的结果 |
|---|---|
| 9 元、10 元、2 元,切换升/降序 | 2、9、10,再切换为 10、9、2 |
| 待询价、免费、9 元 | 升序为免费、9 元、待询价。降序为 9 元、免费、待询价 |
| 两条同价记录,随后恢复原顺序 | 同价次序保持,原始数组和其中的记录仍与导入时相同 |
这三个实现由我们编写并实际运行。本次 Copilot CLI 对两个型号都返回了模型不可用,因此这道排序题还没有两款模型各自的实跑成绩。上文的模型间对照来自微软模型卡。要收集两款模型自己的成绩,在两个新会话使用同一推理档位和工具范围,只交给它们 starter.mjs 和上面的业务要求,保留各自第一次返回的函数。审核后另存为 candidate.mjs,在解压后的目录执行 node check.mjs ./candidate.mjs。命令会逐条列出失败项。把失败的那一行连同人工修订、再次运行次数和实际用量记下来,就能看出更贵的一次调用有没有省下一轮返工。
什么时候值得升级到 MAI Code 2?
如果 Flash 的函数过了六项检查,评审人也能在几分钟内核对完整改动,我会接受这一版。另一类问题更值得留预算。页面排序已对,CSV 导出仍然错,换页后选择的顺序也丢了。此时标准版能否找齐多个入口、补上跨入口测试,就比它会不会写数字比较函数更有价值。
还有一种情况需要产品负责人先做决定。假如销售团队要求待询价商品始终置底,采购团队却要求它们置顶,切换模型也选不出组织认可的规则。先把这个决定写进验收条件,再让两个模型在同一条件下竞争。下次定默认模型时,比较的是每份通过评审的改动花了多少钱、占了多少审核时间。如何核对 AI 工作流的实际价值