Claude太貴燒不起！微軟重回自研路將推全新AI編程大模型
重點摘要
微軟因第三方AI大模型採購成本過高，計劃推出自研AI大模型，重點瞄準AI編程市場。此舉旨在擺脫外部依賴、降低運營成本，並已要求內部員工限期內停止使用商用Claude大模型。
### 重點整理：微軟終結Claude依賴，重回自研AI編程大模型
微軟近期因為第三方AI大模型的採購成本高漲，特別是使用Anthropic的Claude模型所帶來的授權費用壓力，決定重新啟動自研策略，計畫推出專屬的AI編程大模型。這項決策意味著微軟將逐步減少對外部大型語言模型的依賴，並試圖透過內部技術團隊的力量，打造更符合自身雲端服務與開發工具生態的解決方案。據了解，微軟已要求內部員工在設定的期限內，停止使用商用版本的Claude，轉而轉向測試或開發中的自研替代方案。
### 背景脈絡：從高度仰賴第三方到策略轉向
過去一段時間，微軟憑藉與OpenAI的深度合作，以及將GPT模型整合進Azure OpenAI服務與GitHub Copilot等產品，站穩了AI應用市場。然而，隨著AI模型的使用量快速成長，直接向第三方如Anthropic購買授權的成本也跟著水漲船高，逐漸侵蝕獲利空間。尤其對於需要大規模用戶存取的產品線，如Azure雲端服務中的開發者工具，這筆開銷更顯沈重。與此同時，Google、Meta等競爭對手紛紛推出自研或開源的語言模型
這篇整理稿目前主要依據 AIBase 提供的原始內容產生。由於來源內容有限，本站不會額外編造未出現在原文中的數據、引述或結論。
後續若來源釋出更完整資訊，系統會優先根據原文正文重新整理重點，而不是只依標題擴寫。讀者需要完整細節時，建議直接查看原始來源。
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。