Comment la nouvelle IA MAI de Microsoft se compare-t-elle à Claude, GPT et Kimi en matière de programmation ?

Premiers résultats issus de workflows réels de développeurs, par Faith Xu

Microsoft AI (MAI) est un laboratoire de recherche américain spécialisé dans l'intelligence artificielle (IA), qui fait partie de Microsoft. Il supervise les produits d'intelligence artificielle destinés au grand public. En mars 2026, MAI a annoncé la création d'une division Copilot, qui regrouperait Copilot, Microsoft 365 et des applications grand public telles que Edge et Bing. Jacob Andreou serait à la tête de cette division et rendrait compte au PDG de Microsoft, Satya Nadella. Suleyman resterait au sein de MAI mais superviserait sa division MAI Superintelligence. En juin 2026, MAI a publié 7 nouveaux modèles développés en interne, dont MAI-Image-2.5 et MAI-Code-1-Flash, ainsi que 5 autres.

Dans VS Code, nous nous efforçons de vous aider à être plus productifs grâce au codage assisté par l’IA, tout en optimisant chaque token. Cela implique d’améliorer l’expérience dans son ensemble, depuis les modèles que nous utilisons jusqu’au produit et à l’infrastructure qui les sous-tendent, afin que vous disposiez d’options adaptées à différents workflows, besoins de performances et budgets. Dans l’article « Le harnais de codage derrière GitHub Copilot dans VS Code », nous avons expliqué comment le harnais de codage de VS Code relie le modèle, les outils et l’expérience de l’éditeur pour aider le modèle à fonctionner de manière optimale.

Dans cet article, nous examinons comment l’entraînement spécifique de modèles pour l’infrastructure de VS Code peut encore améliorer la qualité et l’efficacité. Le modèle sur lequel nous nous concentrons est MAI-Code-1-Flash, le modèle de codage léger de Microsoft conçu pour les tâches de codage rapides et itératives que les développeurs effectuent quotidiennement dans GitHub Copilot. Depuis son lancement lors de la conférence Build, ce modèle fonctionne en production aux côtés des principaux modèles de codage, ce qui nous a permis d’observer très tôt ses performances dans les flux de travail réels des développeurs.

Les résultats montrent que l’association de MAI-Code-1-Flash au harnais de codage de VS Code offre une excellente qualité de code tout en réduisant la consommation de jetons, ce qui aide les développeurs à tirer le meilleur parti de leurs limites d’utilisation.

Qualité et efficacité en production

Lors de l’évaluation des modèles de codage, la qualité et l’efficacité sont des critères essentiels. Un modèle qui utilise moins de jetons réduit les coûts, mais ces économies ont davantage de valeur si les développeurs peuvent continuer à accomplir leurs tâches efficacement. L’objectif est de trouver le juste équilibre : une excellente qualité de code tout en utilisant les jetons de manière efficace.

Pour comprendre les performances de MAI-Code-1-Flash dans ce compromis, nous avons analysé les données agrégées des développeurs ayant sélectionné chaque modèle dans VS Code Copilot Chat. Nous avons examiné à la fois la qualité du code généré et l’efficacité avec laquelle les développeurs ont obtenu un résultat durable. En matière de qualité, nous avons mesuré si les développeurs acceptaient les suggestions générées et si ce code était conservé après une édition active et lors de la validation. En matière d’efficacité, nous avons mesuré le nombre médian de tokens générés par tour de conversation et le nombre médian de tours nécessaires pour parvenir à une validation.

Les résultats suggèrent que MAI-Code-1-Flash trouve un équilibre efficace entre qualité et efficacité. Il surpasse Claude Haiku 4.5 et GPT-5.4 Mini en termes de qualité. Les modèles de plus grande taille, GPT-5.6 Luna et Kimi K2.7 Code, offrent des avantages en termes de qualité, mais nécessitent entre 67 % et 94 % de tokens supplémentaires par tour, ainsi qu’un plus grand nombre de tours par validation.


Données issues des utilisateurs ayant sélectionné chaque modèle dans VS Code Copilot Chat entre le 2 juin 2026 et le 24 juillet 2026. Définitions des indicateurs : Taux de survie du code = pourcentage de code généré par l’IA conservé après 10 minutes d’édition active. Taux de survie au commit = pourcentage de code généré par l’IA conservé lors d’un commit Git. Taux d’acceptation = pourcentage de suggestions générées par l’IA acceptées par l’utilisateur. Tokens par tour = nombre médian de tokens générés par le modèle par tour de conversation (un seul échange requête-réponse). Tours par commit = nombre médian de tours de conversation qu’un utilisateur effectue avant d’atteindre un commit Git.

Validation des résultats avec les tests Auto

Afin de valider les données d’utilisation agrégées d’une autre manière, nous avons mené des tests A/B sur l’expérience du modèle Auto dans VS Code Copilot Chat. Auto attribue des modèles sans que les développeurs aient à en sélectionner un, ce qui nous a permis d’isoler l’impact du modèle des différences liées au choix de chaque modèle ou aux tâches pour lesquelles il est utilisé. Nous avons ensuite examiné l’engagement et la fréquence d’utilisation comme indicateurs permettant de déterminer si les développeurs trouvaient l’expérience suffisamment utile pour continuer à l’utiliser.

Les résultats ont confirmé cette tendance. MAI-Code-1-Flash a généré un engagement plus fort tout en restant plus économe en tokens que les autres modèles légers. Les utilisateurs étaient 6 % plus susceptibles de revenir dans les deux jours qu’avec GPT-5.4 Mini et 11 % plus susceptibles qu’avec Claude Haiku 4.5. Malgré un engagement plus élevé, l’utilisation médiane de tokens était inférieure de 13 % à celle de GPT-5.4 Mini et de 11 % à celle de Claude Haiku 4.5. En d’autres termes, les utilisateurs ont davantage utilisé MAI-Code-1-Flash, tout en bénéficiant d’un coût d’exécution moindre.


Considérées dans leur ensemble, les métriques de production et les exécutions « Auto » mettent en évidence le rôle que MAI-Code-1-Flash est censé jouer : fournir d’excellents résultats sur des tâches de codage simples tout en utilisant efficacement les jetons. Pour conclure, examinons de plus près le modèle et les workflows qu’il a été conçu pour prendre en charge.

Conçu pour s’adapter à la manière de travailler des développeurs

MAI-Code-1-Flash a été développé pour fonctionner en étroite collaboration avec l’environnement de codage VS Code et les workflows concrets qu’il prend en charge. Il est particulièrement bien adapté aux tâches légères et itératives telles que l’exploration du code, l’apport de modifications incrémentielles, la génération ou le peaufinage de tests, et la correction de bogues. La longueur adaptative de ses solutions permet de fournir des réponses concises pour les requêtes simples et d’approfondir l’analyse uniquement lorsque cela est nécessaire. Cela signifie qu’il fournit plus rapidement des résultats utiles, tout en améliorant l’efficacité d’utilisation des jetons.

Le modèle a été entraîné à partir de zéro à l’aide de données propres et traçables, sans recourir à la distillation à partir de modèles tiers. Il continuera à s’améliorer au fil du temps grâce aux signaux d’utilisation agrégés issus des formules grand public, tandis que les données des clients Copilot Business et Copilot Enterprise ne sont pas utilisées pour l’entraînement.

Essayez-le dès aujourd’hui, contribuez à façonner l’avenir

MAI-Code-1-Flash est disponible dès aujourd’hui dans GitHub Copilot. Testez-le parallèlement à votre modèle de prédilection actuel, découvrez comment il s’intègre à votre flux de travail et partagez ce qui fonctionne bien ou ce que vous aimeriez voir amélioré dans la discussion communautaire, où l’équipe est à l’écoute.

Vos retours contribuent également à façonner l’avenir. MAI-Code-1-Flash n’est que la première étape dans l’évolution des modèles de codage MAI. Des modèles de codage MAI plus puissants, qui seront lancés plus tard dans l’année, étendront la gamme à des tâches plus complexes, avec une intelligence accrue, un raisonnement plus approfondi et une qualité conçue pour rivaliser avec les modèles de pointe les plus performants.

Bon codage ! 💙

Source : MAI-Code-1-Flash: early results from real developer workflows

Et vous ?

Quel est votre avis sur le sujet ?

Voir aussi :

Microsoft dévoile sept nouveaux modèles d'IA afin de réduire sa dépendance vis-à-vis d'OpenAI et de faire baisser les coûts pour les développeurs, dont MAI-Code-1-Flash, son premier modèle dédié au codage IA

Exploiter tout le potentiel de l'IA pour tous les développeurs dans Visual Studio grâce à la fonctionnalité « Bring your Own Model », par Tanmayee Kamath

Votre travail n'a peut-être pas besoin du modèle d'IA le plus performant, par Waldek Mastykarz