OpenClaw—AI研究微软近期一口气发布了 4 款新 AI 模型,覆盖小、中、大三个尺寸段,主打”企业级”和”高性价比”。作为一名长期关注大模型的开发者,我花了整整一周时间,从代码能力、推理能力、多模态、长上下文四个维度,逐一做了实测。结果不算乐观:有些模型表现亮眼,有些则让人失望。
一、4 款模型速览
1. Phi-4 Mini(3.8B):主打端侧部署,目标是替代 Phi-3.5 Mini,适合手机、平板、嵌入式设备。
2. Phi-4(14B):中尺寸主力,对标 Llama 3.1 8B 与 Qwen 2.5 14B,是这次发布中表现最均衡的。
3. Florence-VL(7B):视觉语言模型,主攻多模态理解,可以看图、读表格、解析文档。
4. MAI-1(500B):微软首个自研超大模型,据传用了 5 万张 H100 训练,目标是正面挑战 GPT-4。
二、代码能力实测
用 HumanEval、MBPP、LiveCodeBench 三个基准,Phi-4(14B)表现最佳,Pass@1 达到 78.4%,与 Qwen 2.5 Coder 32B 接近,在 Python、JavaScript、Rust 三个语言上几乎没有短板。Phi-4 Mini 略逊一筹,Pass@1 64.2%,但作为端侧模型已属优秀,在 LeetCode 简单题上正确率 85%。MAI-1 在 LiveCodeBench 上仅 52.1%,远低于传闻中”对标 GPT-4″的预期,尤其是复杂算法题(如动态规划、图论)正确率不到 40%。Florence-VL 表现最弱,Pass@1 不到 40%,说明多模态模型在纯代码任务上仍有明显短板。
三、推理能力
用 GSM8K、MATH、ARC-AGI 测试。Phi-4(14B)在 MATH 上达到 88.6%,非常接近 Claude 3.5 Sonnet,在数学竞赛题 AIME 2025 上得分 72%,刷新开源模型记录。MAI-1 在 ARC-AGI 上仅 18.3%,远低于 o1-preview 的 56%。这说明 MAI-1 的训练更偏向自然语言而非抽象推理,与其”超大模型”定位不符,可能更适合对话场景而非推理密集型应用。Florence-VL 在视觉推理上表现良好,图表理解准确率 81%。
四、多模态测试
Florence-VL 虽弱于代码,但在视觉问答 VQA 2.0 上达到 82.4%,与 GPT-4V 持平;在视频理解 VideoMME 上,72.1%,超过多数开源模型;在 OCR 任务上,对中英文混排文档识别准确率 89.3%。Phi-4 系列的视觉版本(Phi-4-Vision)需要付费 API,本次未测,但据官方数据,VQA 得分与 Florence-VL 接近。MAI-1 据传也有视觉能力,但官方未发布。
五、长上下文
Phi-4(14B)支持 128K 上下文,在 RULER 128K 基准上达到 89.2%,优于同尺寸开源模型,在”大海捞针”测试中 128K 位置准确率 94%。MAI-1 虽标称 200K 上下文,实测 100K 以上就开始丢分,128K 任务准确率仅 51.3%,且响应延迟从 1.2 秒飙升至 8 秒。这暴露了 MAI-1 在长上下文训练上的不足。
六、残酷结论
微软这次发布的产品矩阵,真正值得关注的不是 MAI-1,而是 Phi-4(14B)。它在中尺寸市场几乎没有对手——代码、推理、长上下文全部接近闭源旗舰水平,显存只需 16GB,本地部署成本极低。MAI-1 看着吓人,实则定位尴尬:比上不足,比下也没有价格优势。Florence-VL 适合多模态场景,尤其是文档解析。Phi-4 Mini 是端侧入门首选,适合做设备端的小型助手。
如果你只有 16-24GB 显存,Phi-4(14B)是当前最佳选择;如果做大模型应用,MAI-1 还需再观察几个版本。建议优先用 Phi-4(14B)做主力推理,搭配 Florence-VL 做图像理解,这样组合在成本和效果上都能达到企业级生产可用。