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。

hill-climbing 的機制拆解：外化編排、產品內 RL

hill-climbing 的名稱取自最佳化理論裡的爬山演算法——不追求一次跳到全域最佳解，而是沿著品質-成本曲線持續往上爬。Microsoft 的工程化版本拆成三層：第一層是把編排框架、記憶、上下文、技能這些過去被「焊」在模型提示詞裡的能力，外化為模型之外的獨立元件；第二層是在產品內建一個 reinforcement learning environment（RLE），把使用者真實在乎的指標（code accept rate、回訪比例、任務完成度）轉成獎勵訊號；第三層是讓模型在這個環境裡反覆訓練，逐步把中型模型推到該任務的前沿。

可替換模型結合編排、記憶、上下文與技能模組，並利用產品回饋持續訓練。
圖1　hill-climbing 把編排、記憶、上下文與技能外化於模型之外，再以產品內 RLE 訓練，使模型可替換、指標繼續爬山。

這套設計的最大後果是「模型可替換性」。當記憶、工具、上下文都不綁死在單一模型內部，OpenAI 的 GPT 系列、Anthropic 的 Claude、或自研 MAI 模型就能在產品堆疊裡互換，而評估指標仍能繼續爬山——這正是 Nadella 所稱「即便抽換掉某個模型，指標仍能繼續爬山」的技術基礎。它也解釋了為何 Excel 能從 Copilot 的程式碼模型遷移而知識工作能力不墜：被搬移的不是模型本身，而是那套外化的編排與 RLE 訓練框架。

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。
MAI-Code-1-Flash 以較低 token 用量超越 GPT-5.4 Mini 與 Claude Haiku 4.5。
圖2　MAI-Code-1-Flash 在 GitHub Copilot 的採納率與回訪比例超越 GPT 5.4 Mini、Claude Haiku 4.5，且中位數 token 用量更低。

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。

數字來自 Microsoft 自家產品環境

上述所有對比數字——code accept rate、回訪比例、token 用量——均來自 Microsoft 自家產品環境（GitHub Copilot 內部遙測），而非獨立第三方評測。這些數字具有真實世界的生態效度（反映數百萬開發者的日常使用），但缺乏獨立可重現性：外部研究者無法存取 Copilot 的內部指標定義、使用者分群邏輯與統計方法，也無法排除「MAI 模型因與產品深度整合而獲得 GPT 5.4 Mini 不享有的上下文優勢」這類混淆變數。

換言之，這些數字證明的是「在 Microsoft 的產品堆疊中，MAI 模型可以達到與或超越通用模型的使用者體驗指標」，而非「MAI 模型在模型層面優於 GPT 5.4 Mini」。前者對 Microsoft 的部署策略已有足夠意義——它證明了 hill-climbing 的工程化路線可行——但採購方在引用這些數字時應理解其適用範圍的邊界。若要把這些數字換成可重跑的外部比較框架，可對照 Tencent WorkBuddy Bench 的 Code、Web、Office、Security 四領域評測——它不直接評測 MAI，卻提供了獨立、可審計的任務結構，讓其他模型的產品化成果有可比的基準。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。同一條 hill-climbing 路線也延伸到了資安領域：MAI-Cyber-1-Flash 正是 MAI-Code-1-Flash 的網安微調版本，以 5B 活躍參數驅動 MDASH 在 CyberGym 達 95.95%。