Как начать пользоваться MAI-Thinking-1: первая собственная LLM от Microsoft

MAI-Thinking-1 - первая языковая модель собственной разработки Microsoft, представленная 2 июня 2026 года на конференции Build. До этого Microsoft полностью полагался на модели OpenAI (GPT-серия) для своих продуктов - Copilot, Azure AI, GitHub. Выпуск MAI-Thinking-1 стал знаковым событием: впервые корпорация показала, что способна создавать frontier-модели самостоятельно, без дистилляции из чужих весов.

Это reasoning-модель, то есть она решает задачи пошагово, «думая вслух» перед выдачей ответа. Архитектура - разреженный Mixture of Experts (MoE) с 35 миллиардами активных параметров при значительно большем общем числе. Контекстное окно - 256 000 токенов, что позволяет загружать документы объемом до 600 страниц за один раз.

Кому подойдет MAI-Thinking-1:

Важное отличие MAI-Thinking-1 от большинства конкурирующих моделей: Microsoft обучил её исключительно на корпоративных данных с коммерческими лицензиями, без дистилляции из моделей OpenAI, Google или Anthropic. Это означает более чистые правовые обязательства для бизнес-использования.

MAI-Thinking-1 доступна через два канала: GitHub Models (бесплатно для разработчиков) и Azure AI Foundry (корпоративный доступ). Рассмотрим оба варианта.

GitHub Models - быстрый старт бесплатно:

GitHub Models предоставляет бесплатный тариф с ограниченным числом запросов в день - достаточно для тестирования и небольших проектов. Аутентификация происходит через ваш GitHub-аккаунт, никаких банковских карт не требуется.

Azure AI Foundry - для production-проектов:

Для работы через API модель совместима со стандартным форматом Chat Completions - тем же, что использует OpenAI. Это значит, что любой код, написанный для OpenAI SDK, можно переключить на MAI-Thinking-1, изменив лишь базовый URL и ключ.

Как только вы попали в Playground на GitHub Models или в Azure AI Foundry Studio, начните с задач, которые демонстрируют сильные стороны reasoning-модели. В отличие от обычных чат-моделей, MAI-Thinking-1 перед выдачей ответа показывает блок «рассуждений» - это её внутренний монолог, в котором она анализирует задачу, рассматривает альтернативы и проверяет свои выводы. Такое «думающее» поведение особенно заметно на сложных задачах.

Математика и логика:

Спросите модель решить олимпиадную задачу или разобрать математическое доказательство. MAI-Thinking-1 показывает 97,0% на AIME 2025 (американская олимпиада по математике), что означает практически безупречное решение задач конкурсного уровня. Попробуйте: «Докажи, что количество простых чисел бесконечно» или «Реши систему уравнений и объясни каждый шаг». Попросите также решить задачу о вероятности или доказать теорему методом математической индукции - на таких задачах reasoning-архитектура раскрывается в полную силу.

Анализ длинного документа:

Загрузите в контекст большой PDF или текст (до 256К токенов - это около 200 000 слов). Попросите резюмировать ключевые тезисы, выявить противоречия или составить сравнительную таблицу. Это задача, с которой большинство моделей с коротким контекстом справляются плохо. Например, загрузите годовой отчет компании или объемную юридическую документацию и спросите: «Какие риски упомянуты в этом документе? Составь структурированный список с цитатами».

Код и архитектура:

Отправьте функцию с багом и попросите найти и объяснить проблему. Или попросите написать алгоритм сортировки с анализом сложности. Особенно интересно использовать MAI-Thinking-1 для архитектурных задач: «Как лучше спроектировать систему кеширования для высоконагруженного API? Опиши компромиссы между разными подходами». MAI-Code-1-Flash - это отдельная, более легкая (5B параметров) модель от Microsoft для быстрого autocomplete в GitHub Copilot. MAI-Thinking-1 же оптимальна для глубокого архитектурного анализа.

Структурированный анализ и принятие решений:

Попробуйте «цепочку размышлений»: задайте сложный вопрос и попросите модель рассуждать вслух (prompt вида «Давай подумаем шаг за шагом»). Reasoning-модели специально обучены раскрывать ход своей логики, что делает ответы более прозрачными и проверяемыми. Например: «Мне нужно выбрать между PostgreSQL и MongoDB для системы с миллионами пользователей. Разбери плюсы и минусы каждого варианта для нашего сценария нагрузки».

Научные и исследовательские задачи:

MAI-Thinking-1 хорошо подходит для синтеза информации из нескольких источников. Загрузите несколько научных статей или технических отчетов и попросите сравнить методологии, выявить пробелы в исследованиях или сформулировать гипотезы. Контекстное окно в 256К токенов делает возможным одновременный анализ нескольких объемных документов.

Полная независимость от дистилляции: Microsoft обучил модель с нуля на собственных данных, не используя веса или синтетические данные GPT, Gemini или Claude. Это важно для юридической чистоты enterprise-деплоев. Многие компании сталкиваются с вопросом: «Не нарушает ли использование этой модели лицензионные соглашения конкурирующих поставщиков?» Для MAI-Thinking-1 ответ однозначный: нет, модель полностью оригинальная.

MoE-архитектура с 35B активными параметрами: несмотря на большой общий размер, при каждом запросе активируется лишь 35B параметров. Это обеспечивает высокое качество при относительно низких вычислительных затратах по сравнению с «плотными» моделями аналогичного уровня. Пользователи получают качество «большой» модели при скорости и стоимости более компактной.

Контекст 256K токенов: один из самых больших контекстных окон среди mid-size reasoning-моделей. Можно загружать целые кодовые базы, юридические контракты, научные статьи или книги. На практике это означает, что можно за один запрос обработать весь репозиторий небольшого проекта или полный текст деловых переговоров за несколько месяцев.

Поддержка function calling и агентные сценарии: модель умеет вызывать внешние инструменты - API, базы данных, поиск - в рамках агентных сценариев. Это открывает возможности для автоматизированных рабочих процессов. Например, можно создать агента, который получает данные из CRM, анализирует тренды и формирует отчет без участия человека на каждом этапе.

Предпочтение пользователей над Claude Sonnet 4.6: в слепых сравнительных тестах (blind side-by-side evaluations) Microsoft сообщает, что пользователи предпочитали MAI-Thinking-1 ответам Claude Sonnet 4.6. Это примечательно: Claude Sonnet 4.6 является одной из лучших mid-tier моделей на рынке, и превзойти её по предпочтениям пользователей - серьезное достижение для дебютной модели.

Производительность на AIME 2026: 94,5% на задачах AIME 2026 - это реальная математическая олимпиада, задачи для которой не были в обучающей выборке модели. Результат подтверждает подлинные reasoning-способности, а не простое запоминание. Для контекста: среднестатистический абитуриент топовых математических вузов решает около 30-40% задач AIME.

Готовность к enterprise и compliance: обучена на clean, commercially licensed данных, доступна в Azure с соответствием SOC 2, ISO 27001 и другим корпоративным стандартам безопасности. Данные не покидают выбранный регион Azure при использовании через Foundry. Это критично для компаний с жесткими требованиями к compliance - например, в финансовом секторе, здравоохранении или государственных структурах.

Экосистема Microsoft и интеграция: поскольку MAI-Thinking-1 - родная модель Microsoft, можно ожидать её глубокой интеграции в экосистему: Microsoft 365 Copilot, GitHub Copilot Workspace, Power Platform, Azure AI Studio. Это означает, что компании, уже работающие в стеке Microsoft, получат доступ к модели через уже знакомые инструменты.

Параллельный выпуск MAI-Code-1-Flash: вместе с MAI-Thinking-1 Microsoft выпустил MAI-Code-1-Flash - компактную (5B параметров) модель специально для кода, уже интегрированную в GitHub Copilot. Если ваша задача - autocomplete и быстрые исправления кода, то именно Code-1-Flash работает в Copilot; для сложного архитектурного анализа и reasoning о коде - используйте Thinking-1.

На момент написания (июнь 2026 года) Microsoft предлагает два основных пути доступа к MAI-Thinking-1 с разными ценовыми структурами.

GitHub Models (бесплатный тариф):

Azure AI Foundry (pay-as-you-go):

Технические ограничения:

Сравнение с конкурентами:

MAI-Thinking-1 позиционируется как сильная mid-tier reasoning-модель: выше по возможностям, чем обычные chat-модели вроде GPT-4o Mini или Gemini Flash, но ниже топовых flagship-моделей (Claude Opus 4.8, GPT-5.5). Для большинства enterprise-задач - анализ документов, код-ревью, математические расчеты - этого уровня достаточно при более доступной цене.

Ситуация с доступом к MAI-Thinking-1 из России аналогична другим западным AI-сервисам. GitHub.com доступен без VPN - соответственно, Playground на GitHub Models также открывается напрямую. Это самый простой способ попробовать модель.

Azure AI Foundry потребует создания Microsoft-аккаунта и Azure-подписки. Регистрация Microsoft-аккаунта в целом возможна из России, однако для оплаты Azure-сервисов нужна карта, поддерживающая международные платежи. Если российская карта не принимается - используйте VPN с подключением к EU или US, либо воспользуйтесь зарубежной картой.

Для Playground на GitHub Models VPN, как правило, не требуется. При использовании API из российской сети возможны периодические проблемы со стабильностью соединения - в этом случае VPN помогает обеспечить стабильный канал.

Рекомендация: начните с GitHub Models Playground без VPN. Если понадобится full API-доступ через Azure и возникнут проблемы с оплатой или регистрацией - используйте VPN с европейским или американским адресом.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.