مایکروسافت دو مدل تازهٔ MAI رو رونمایی کرد
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
تیم Superintelligence مایکروسافت دو مدل تازه رو وارد پیشنمایش عمومی کرده. اولی MAI-Image-2.5-Pro هست، به گفتهٔ خودشون باکیفیتترین مدل تصویریشون تا امروز، مناسب تصویرهای شاخص، ویرایش دقیق و رندر درست متن داخل تصویر. قیمتش ۵ دلار به ازای هر یک میلیون توکن ورودی متنی، ۸ دلار برای ورودی تصویری و ۱۰۶ دلار برای خروجی تصویریه.
دومی MAI-Voice-2-Flash هست که برای سرعت و مقیاس ساخته شده: دو برابر سریعتر و ۳۲٪ ارزونتر از MAI-Voice-2، با قیمت ۱۵ دلار به ازای هر یک میلیون کاراکتر، در حالی که به گفتهٔ مایکروسافت آهنگ کلام طبیعی و کیفیت آکوستیک نسخهٔ اصلی رو حفظ کرده. منطق پشت این کار ساخت خانوادهٔ مدله: یه استودیوی خلاق دنبال حداکثر کیفیته و یه مرکز تماس دنبال سرعت و هزینه.
تو این پست اومده که یه سال پیش MAI تصمیم گرفت مدلهاش رو داخلی و روی دادهٔ تمیز و قابل ردیابی و بدون distillation از مدلهای شخص ثالث آموزش بده، و حالا نتیجهش داره تو محصولهای واقعی دیده میشه. طبق ادعای اونها Bing Image Creator صد درصد داخلی شده و MAI-Image-2.5 بهصورت پیشفرض کل مسیر تولید و ویرایش تصویرش رو میچرخونه.
عددهایی که بهعنوان شاهد میآرن جالبن: تو PowerPoint قابلیت image-to-image با این مدل تا ۸۴٪ هزینهٔ GPU رو نسبت به GPT-Image-2 کم کرده؛ تو OneDrive بعد از پیشفرضشدن مدل، نرخ ذخیرهٔ نتیجه ۲۶٪ بالا رفته و تأخیر P95 حدود ۲۵٪ پایین اومده؛ و MAI-Voice-2-Flash که حالا پشت Dynamics 365 Contact Center نشسته، تا ۸۹٪ هزینهٔ GPU رو کاهش داده. همین مدل تو Azure Voice Live هم برای ساخت ایجنتهای صوتی در دسترسه.
بخش آخر پست دربارهٔ همکاری با متخصصهای حوزهست. به گفتهٔ نویسنده، MAI-Transcribe-1.5 حالا جریان کاری چندزبانهٔ Dragon Copilot — سرویسی که ۱۷۰ هزار ارائهدهندهٔ خدمات درمانی ازش استفاده میکنن — رو تو ۵۸ زبون پشتیبانی میکنه و تو ارزیابیهای داخلی خطای رونویسی و تشخیص زبون رو تو بیشتر زبونها بهشکل نسبی نصف کرده.
نکات کلیدی:
- MAI-Image-2.5-Pro و MAI-Voice-2-Flash تو پیشنمایش عمومی Foundry
- Flash دو برابر سریعتر و ۳۲٪ ارزونتر از MAI-Voice-2
- Bing Image Creator کاملاً روی مدل داخلی مایکروسافت رفت
- کاهش تا ۸۴٪ هزینهٔ GPU در PowerPoint و تا ۸۹٪ در Dynamics 365
- OneDrive: ۲۶٪ افزایش نرخ ذخیره و ۲۵٪ کاهش تأخیر P95
- MAI-Transcribe-1.5 پشت Dragon Copilot با پشتیبانی ۵۸ زبون
