Microsoft hat das neue Code-Modell MAI-Code-1.1-Flash vorgestellt, das für die Nutzung mit GitHub Copilot konzipiert ist. Die genauen Ziele von Microsoft bezüglich der MAI-Modelle bleiben jedoch unklar, insbesondere da diese in Bezug auf Preis und Leistung hinter den Open-Weight-Modellen zurückbleiben, die das Unternehmen ebenfalls positiv bewertet. Ein interessanter Aspekt in der KI-Entwicklung ist, dass Microsoft-Wissenschaftler KI-Agenten mit neuem Trainingsansatz entwickeln, der ohne Gewichtsanpassung auskommt.
Nach Angaben von Microsoft bietet das Modell eine verbesserte Code-Qualität mit einer um 25 Prozent höheren Token-Effizienz. Zudem kostet es nur ein Viertel des Preises seines Vorgängers aus dem Juni, während Entwickler vier Prozent mehr Code zurücklassen. Das Training erfolgte in „Hunderttausenden von Reinforcement-Learning-Umgebungen“ innerhalb von GitHub Copilot. In Benchmarks schneidet das Modell leicht besser ab als sein Vorgänger sowie Mini-Modelle von Anthropic und OpenAI, bleibt jedoch deutlich hinter dem Deepseek-V4-Flash-0731 zurück.
Benchmark-Ergebnisse
- MAI-Code-1.1-Flash: 72,6 % (SWE-bench Verified), 62,9 % (Terminal-Bench 2.1)
- MAI-Code-1-Flash: 71,6 %, 51,7 %
- Haiku 4.5: 69,8 %, 49,4 %
- GPT-5.4 mini: 69,2 %, 60,7 %
- DeepSeek-V4-Flash-0731: Nicht veröffentlicht, 82,7 %
Obwohl MAI-Code-1.1-Flash preislich attraktiv erscheint, bleibt es in der Leistung hinter dem leistungsstärkeren Deepseek-Modell zurück. Die Kosten pro Token sind ohne Berücksichtigung der Nutzungseffizienz nur bedingt aussagekräftig, doch der signifikante Preis- und Leistungsunterschied zugunsten von Deepseek ist offensichtlich. Ein neues Framework zeigt, dass KI-Modelle menschliche Unterstützung beim Roboter-Coding benötigen.
„`
Quellen: the-decoder
Bildquelle: KI generiert
Dieser Text wurde mit Hilfe von künstlicher Intelligenz in Zusammenarbeit mit unserer Redaktion erstellt.
🚀