Microsoft AI, 프런티어 성능 곡선 최적화와 MAI 모델별 성과 해설
Optimizing the frontier performance curve
Microsoft AI는 모델, 하네스, RLE를 동시에 최적화해 토큰 효율을 높이는 방침을 밝혔다. MAI-Cyber-1-Flash와 MDASH의 조합은 CyberGym에서 96%(any crash 점수)를 기록했으며, MDASH의 현행 최고 구성 대비 50%의 비용으로 작동한다고 한다. 여러 MAI 모델이 자사 제품에 탑재되어 GPU 비용을 50~90% 절감한 사례도 소개했다.
핵심 주장은 프런티어 범용 모델이 모든 작업에 필요한 것은 아니라는 점이다. 특정 제품에 맞게 모델을 조정하면 프런티어 수준의 성능을 유지하거나 넘어서면서도 토큰 비용을 크게 낮출 수 있다고 한다.
이번 주 공개한 MAI-Cyber-1-Flash는 MDASH 하네스에 최적화된 모델로, H100에서도 제공할 수 있다. 작업의 최대 90%를 처리하고, 가장 크고 비싼 모델(여기서는 GPT 5.4)은 정말 어려운 10%에만 투입하도록 설계했다고 한다.
제품 적용 사례도 이어진다. MAI-Code-1-Flash는 GitHub와 공동 개발했으며, VS Code 비교에서 GPT-5.4 Mini와 Claude Haiku 4.5보다 코드 채택률이 10% 높고 토큰 사용량 중앙값은 10% 낮은 것으로 나타났다. 같은 체크포인트를 Excel의 RL 환경에서 훈련하자 일반 작업에서 GPT-5.6에 필적하는 성능이 되었으며, A100이나 H100에서 제공할 수 있는 크기에 머물렀다고 한다.
이미지, 음성, 전사 사례도 있다. MAI-Image-2.5-Flash는 Bing Image Creator와 OneDrive 편집의 기본값이 되었고, PowerPoint에서는 GPT-Image-2와 비교해 GPU 비용을 최대 84% 줄였다. OneDrive에서는 저장률이 26% 향상되었다고 한다. MAI-Voice-2-Flash는 Dynamics 365 Contact Center에서 사용되며 GPU 비용을 최대 89% 절감했다. MAI-Transcribe-1.5는 Dragon Copilot의 58개 언어 워크플로를 지원하며, 오류율이 상대적으로 50% 낮아졌다고 설명했다. 자체 칩 Maia 200에서는 와트당 성능이 40% 향상되었다고 한다.
비용 외의 이점으로 내결함성도 제시했다. 의존하는 모델이 보안 사고, 정책 불일치, 지정학적 변화로 사용할 수 없게 되는 상황을 상정하고, 하네스, 컨텍스트, 메모리, 액션 공간을 특정 모델 패밀리와 독립적으로 구축해야 한다고 주장한다. 모델을 교체 가능하게 만드는 것을 전제로 한 입장이다.
출처: Microsoft AI (MAI) News · microsoft.ai