Microsoft、1T パラメータの推論モデル MAI-Thinking-1 を発表──35B 活性の MoE で Sonnet 4.6 超えを主張
1兆パラメータ規模の MoE アーキテクチャを採用し、GitHub Copilot 向けに最適化された軽量コード生成モデルと、Sonnet 4.6 級の推論性能を持つフラグシップモデルを同時投入した。
リリース: 2026-06-02 · 読了 3 分記事の要約
1. 核心（What）
- MAI-Thinking-1 は総パラメータ数 1T、推論時の活性パラメータ数 35B の MoE モデルであり、他社モデルからの蒸留なしでゼロから学習された。
- Microsoft 内部のブラインド評価において、MAI-Thinking-1 は Claude Sonnet 4.6 よりも高いユーザー選好度を記録した。
- MAI-Code-1-Flash は 137B パラメータ（5B 活性）のコード特化モデルで、GitHub Copilot および VS Code ユーザー向けにロールアウトが開始された。
- 学習データには 1.2 兆ページの独自クロールデータと Common Crawl を使用し、AI 生成コンテンツを識別・除外するフィルタリングを適用している。
2. 影響（Why）
- 1T 規模の巨大モデルを MoE で 35B まで軽量化して実用化する Microsoft の「内製 LLM」への本気度は、OpenAI への技術依存を戦略的に解消し始めていることを示す。
- Sonnet 4.6 級の推論性能を 35B 活性で実現できるなら、将来的に Azure 上での推論コストが大幅に下がり、エンタープライズ RAG の経済合理性が劇的に改善される。
- 開発者への影響: GitHub Copilot ユーザーは、VS Code 上でより低レイテンシかつ高精度なコード補完を享受できる。一方で、自社 RAG 構築者は MAI 系列の API 公開を待って、Sonnet 4.6 とのコストパフォーマンス比較を行う必要がある。
- 日本への影響: 国内の大手 SIer や受託開発企業など、GitHub Copilot Enterprise を全社導入している組織は、モデル刷新による開発効率の変化を定量的 KPI で再測定すべき局面にある。
3. 根拠・詳細（How）
- Blind human side-by-side vs Sonnet 4.6: スコア 1（baseline 0）
- Microsoft's new MAI models (2026-06-02 公開)