Microsoft 以 hill-climbing 機制把自研 MAI 模型塞進 GitHub Copilot 與 Excel，MAI-Code-1-Flash 在 Copilot 以約一成優勢超越 GPT 5.4 Mini 與 Claude Haiku 4.5，Excel 內部模型在常見任務追平 GPT-5.6，且 token 更少、成本更低。
hill-climbing 把前沿能力搬進自家產品
Microsoft Superintelligence 團隊公開 hill-climbing 機制的首批產品案例：MAI 模型在 GitHub Copilot 與 Excel 內部完成產品化訓練，目標不是衝單一基準，而是在真實任務上把「品質-成本」曲線持續往上爬。CEO Satya Nadella 在 X 上的說法更直白：來自 OpenAI 與 Anthropic 的前沿模型、MAI 模型、編排框架、記憶與工具，共同組成一套可替換的爬山系統，重點是即便抽換掉某個模型，評估指標仍能繼續爬山。
關鍵設計是把編排框架、記憶、上下文、技能外化於模型之外，並在產品內的 reinforcement learning environment（RLE）中訓練模型，讓它針對使用者真正在乎的任務獲得獎勵。
GitHub Copilot 與 Excel 的實測數字
MAI-Code-1-Flash 自 6 月 Build 大會後部署進 GitHub Copilot，已被「數百萬開發者」日常使用，Microsoft 給出的對比基線是 GPT 5.4 Mini 與 Claude Haiku 4.5：
- 在 VS Code 的 code accept rate 高出約 10%。
- 開發者多日回訪的比例較 GPT 5.4 Mini 高 6%、較 Claude Haiku 4.5 高 11%。
- 中位數 token 用量降低約 10%，且使用者主動發起的 turn 更多。
Excel 則驗證了「從程式碼遷移到知識工作」的可移植性：以 MAI-Code-1-Flash 為起點，在 Excel RL 環境中再訓練，得到的模型在常見任務上與 GPT-5.6 相當。由於模型更小、更有效率，能在 Nvidia H100 與 A100 級 GPU 上同時服務，不必綁定最新一代加速器，這對 Microsoft 的部署成本是直接降低。
對企業的模板意義
Microsoft 強調這套流程並非自用專利：相同的第一方產品堆疊——模型、harness、agent、產品特定評估——正是企業可在 Foundry 與 Frontier Tuning 上自行複製的模板，用自有評估體系、自有 RLE、工作流與上下文訓練出符合自身任務的專用模型。在 agent 層，Microsoft 也已把〈MagenticLite〉整套 agent 堆疊（含 MagenticBrain 編排與 Fara 電腦操作模型）開源到 Hugging Face，讓同一套產品堆疊可供外部研究與改作。
下一步將把 hill-climbing 延伸到 Copilot Chat、Outlook、PowerPoint 等更多產品。對決策者的訊號是：前沿能力的競爭正從「誰有最大的模型」轉向「誰能用產品內資料把中型模型爬到任務前沿」，而 Microsoft 正試圖把這條路徑包裝成可販售的平台服務。由於這些數字來自 Microsoft 自家產品環境，採購方仍應搭配外部任務評測；Tencent WorkBuddy Bench 的 Code、Web、Office、Security 四領域設計提供了可重跑的另一把尺。
