MAI-Code-1-Flash

Fiche modèle · Microsoft · mai-code-1-flash

MAI-Code-1-Flash is a Microsoft AI coding model built for fast, efficient assistance in everyday developer workflows, built end-to-end by Microsoft on clean and appropriately licensed data. It is trained directly with the GitHub Copilot harnesses used in production for agentic coding in real developer environments, and uses adaptive solution length control to stay concise on simple requests while spending more reasoning budget on complex tasks. It outperforms Claude Haiku 4.5 across coding benchmarks while using up to 60% fewer tokens, and is rolling out to GitHub Copilot individual users in Visual Studio Code via the model picker and the default Auto picker.

Fiches modèles

Identité

Organisation	Microsoft
Pays	—
Famille	—
Type	llm
Date de sortie	2026-06-02
Licence	proprietary
Licence commerciale	non
Licence open source	non
Poids ouverts	non
Auto-hébergement (DGX Spark)	non — poids fermés
Modalités	—
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	—
Paramètres actifs (session)	5 B
Source des paramètres actifs	web : https://microsoft.ai/pdf/MAI-Code-1-Flash-Model-Card.PDF
Curation des paramètres actifs	2026-10-19
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-06-05T21:54:38.960634Z
Mis à jour le	2026-11-04T06:04:52.700941Z
Source	LLM Stats
URL	https://llm-stats.com/models/mai-code-1-flash

Tokens/tâche

Prix par fournisseur

Prix

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
instruction_following	0.80
math	0.40
physics	0.80
reasoning	0.60
frontend_development	0.50
general	0.60
agents	0.50
biology	0.80
chemistry	0.80
code	0.60
communication	0.70
tool_calling	0.60
vision	0.20

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
advancedif	instruction_following	0.71	1.00	0.71	non	oui	2026-11-04T06:04:52.760988Z
aime-2026	math	0.93	1.00	0.93	non	oui	2026-11-04T06:04:52.793194Z
amo-bench	math	0.40	1.00	0.40	non	oui	2026-11-04T06:04:52.803127Z
artifacts-bench	code	0.36	1.00	0.36	non	oui	2026-11-04T06:04:52.858688Z
frontier-science	reasoning	0.58	1.00	0.58	non	oui	2026-11-04T06:04:52.853137Z
frontiermath	math	0.06	1.00	0.06	non	oui	2026-11-04T06:04:52.813077Z
gpqa	reasoning	0.85	1.00	0.85	non	oui	2026-11-04T06:04:52.833206Z
humanity's-last-exam	reasoning	0.18	1.00	0.18	non	oui	2026-11-04T06:04:52.823402Z
ifbench	instruction_following	0.75	1.00	0.75	non	oui	2026-11-04T06:04:52.743187Z
robust-if	instruction_following	0.61	1.00	0.61	non	oui	2026-11-04T06:04:52.773245Z
swe-bench-multilingual	reasoning	0.66	1.00	0.66	non	oui	2026-11-04T06:04:52.729450Z
swe-bench-pro	reasoning	0.51	1.00	0.51	non	oui	2026-11-04T06:04:52.723334Z
swe-bench-verified	reasoning	0.72	1.00	0.72	non	oui	2026-11-04T06:04:52.713947Z
tau2-telecom	communication	0.72	1.00	0.72	non	oui	2026-11-04T06:04:52.783137Z
terminal-bench-2	reasoning	0.55	1.00	0.55	non	oui	2026-11-04T06:04:52.733132Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	125	—	11.01	2	trueskill	2026-10-19	model_history
code	117	—	19.20	5	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04