微软MAI模型：Excel任务追平GPT-5.6，但部署成本低在哪？

一个参数量更小的模型，如何在特定任务上追平前沿大模型。这背后是数据魔法，架构创新，还是工程优化到极致。

纳德拉说微软自研MAI模型在Excel任务上表现与GPT-5.6相当，且部署成本更低。这句话里藏着两个关键信息：领域特化，以及成本。作为编译器从业者，我第一反应是：这模型大概率不是通用大模型，而是为办公场景（尤其是Excel）专门优化的垂直模型。

Excel任务的本质是什么。表格理解、公式生成、数据清洗、图表建议。这些任务有明确的上下文结构，数据分布相对固定。相比写作或代码生成，Excel任务更接近规则加模式匹配。如果微软用大量Excel操作数据微调一个中等规模模型（比如70亿参数级别），再配合知识蒸馏，将其压缩到更小（比如7B甚至3B），在特定benchmark上表现接近GPT-5.6（假设GPT-5.6是某个内部版本或GPT-4级别的模型）是有可能的。

但更关键的是部署成本。成本降低来自两个层面：模型本身的推理计算量，以及推理引擎的优化。

模型层面，小参数量意味着更少的FLOPs，更低的显存占用。但纳德拉说的“部署成本更低”可能还包含了微软在推理引擎上的积累。ONT（Open Neural Network Exchange）是微软主导的，而DeepSpeed、ONNX Runtime等工具在

原文链接：纳德拉：微软自研 MAI 模型在 Excel 任务表现与 GPT-5.6 相当，且部署成本更低 - IT之家