1X2.TV — Previsões de futebol com IA
Previsões de partidas e dicas de apostas com IA
Previsões de ações com IA
Previsões e análises do mercado de ações com IA

Análise do MAI-Thinking-1 em 2026: A Microsoft abandona a OpenAI com seu primeiro modelo de raciocínio

Análise prática do Microsoft MAI-Thinking-1, o primeiro modelo de raciocínio de IA interno da Microsoft lançado na Build 2026. Abordamos a arquitetura sparse-MoE de 35B, benchmarks AIME e SWE-Bench Pro, MAI-Code-1-Flash, preços do Foundry e como ele se compara ao Claude Opus 4.8, GPT-5.5 e Gemini 3.1 Pro.

Equipe AI Tools Hub
|
MAI-Thinking-1 Review 2026: Microsoft Ditches OpenAI With Its First Reasoning Model
Nosso Projeto

1X2.TV — Previsões de futebol com IA

Previsões de partidas de futebol, dicas de apostas e análises detalhadas com IA. Impulsionado por algoritmos de aprendizado de máquina que analisam mais de 50.000 partidas.

Obter Previsões

A Microsoft deixou oficialmente de ser uma revendedora da OpenAI disfarçada de empresa de IA. Em 2 de junho de 2026 — primeiro dia da Microsoft Build 2026 — a equipe de IA da Microsoft, liderada por Mustafa Suleyman, revelou o MAI-Thinking-1, o primeiro modelo de raciocínio desenvolvido internamente pela empresa, junto com seis modelos irmãos, incluindo o cavalo de batalha eficiente em inferência para codificação MAI-Code-1-Flash. Nenhum deles foi destilado de modelos professores da classe GPT. Nenhum deles foi treinado com dados da OpenAI. E o número principal — 94,5% no AIME 2026 — é um resultado de fronteira para um modelo com 35B de parâmetros ativos.

Passamos as últimas 24 horas testando o MAI-Thinking-1 no preview privado da Microsoft Foundry, colocando-o frente a frente com o Claude Opus 4.8, o Gemini 3.1 Pro e o GPT-5.5. Esta análise cobre o que há de genuinamente novo na arquitetura, como os benchmarks se sustentam em cargas de trabalho reais, onde o MAI-Thinking-1 vence discretamente e o subtexto político que você não deve ignorar.

A versão curta

Se você tem dez segundos:

  • Primeiro modelo de fronteira nativo da Microsoft. Sem destilação da OpenAI, sem professor de terceiros, treinado inteiramente em dados corporativos licenciados comercialmente dentro da infraestrutura própria da Microsoft.
  • Arquitetura: Mixture of Experts esparso, ~1T de parâmetros totais, 35B ativos por token, janela de contexto de 256K, chamadas de função e seguimento de instruções em várias etapas integrados.
  • Benchmarks: 97,0% no AIME 2025, 94,5% no AIME 2026, iguala o Claude Opus 4.6 no SWE-Bench Pro e foi preferido ao Claude Sonnet 4.6 nas avaliações cegas lado a lado da Surge.
  • O modelo irmão MAI-Code-1-Flash atinge 85,8% no benchmark de codificação adversarial da Microsoft e ~51% no SWE-Bench Pro, usando até 60% menos tokens que modelos comparáveis, e chega a todos os planos pagos do GitHub Copilot nesta semana.
  • Disponibilidade: preview privado via Microsoft Foundry, compatível com o padrão drop-in da API OpenAI Chat Completions. A disponibilidade geral é esperada para o segundo semestre de 2026.
  • Por que é importante: A Microsoft agora tem uma opção credível não-OpenAI para Copilot, Azure AI Foundry e dispositivos Windows Copilot+ — e a alavancagem que vem com isso.

Se você já construiu em torno da API da OpenAI no Azure, o MAI-Thinking-1 é um teste A/B de atrito quase zero que você deve realizar este mês. Se você não se importa com a política dos modelos, ainda é o modelo de raciocínio mais forte que você pode obter no Microsoft Foundry hoje.

O que é o MAI-Thinking-1?

O MAI-Thinking-1 é o primeiro modelo de linguagem de grande porte de classe de raciocínio da Microsoft — a mesma categoria da série o da OpenAI, DeepSeek-R1 e variantes do Claude com raciocínio estendido da Anthropic. Como esses modelos, ele gasta tempo em uma cadeia interna de pensamento antes de emitir uma resposta final e escala o poder de computação no tempo de teste ajustando quanto tempo ele pensa.

Ele está no topo de sete novos modelos MAI anunciados no Build 2026, um grupo que inclui:

  • MAI-Thinking-1 — raciocínio de fronteira e carro-chefe agêntico.
  • MAI-Code-1-Flash — modelo de codificação pequeno e rápido que agora alimenta o GitHub Copilot no plano gratuito.
  • MAI-Voice-2 — texto para fala de próxima geração para o Copilot Voice e a narração do Windows.
  • MAI-Image-2 — texto para imagem, apresentado como a alternativa corporativa ao DALL·E 3 e ao Stable Diffusion.
  • MAI-Embed-1 — modelo de incorporação de contexto longo para recuperação no Foundry e Microsoft 365 Work IQ.
  • MAI-OCR-1 e MAI-Translate-1 — modelos utilitários para fluxos de trabalho com documentos.

O ponto estratégico é que a Microsoft agora controla toda a pilha — dados de pré-treinamento, modelo base, receita de ajuste fino, pipeline de RLHF, serviço de inferência e a superfície de aplicação. Essa é a configuração de que a OpenAI, a Anthropic e o Google sempre desfrutaram e que a Microsoft, apesar de possuir o Azure e o Copilot, nunca teve totalmente.

Arquitetura: Uma Verdadeira Mistura de Especialistas, Não Apenas de Marketing

A afirmação técnica que merece atenção é a divisão de 35B ativos / ~1T de parâmetros totais. Essa é uma verdadeira Mistura de Especialistas (MoE) esparsa no estilo do DeepSeek V4 e da linha de fronteira da Mistral — não a MoE “larga e rasa” que alguns fornecedores têm chamado de esparsa para inflar a contagem de parâmetros.

O que isso lhe traz na prática:

  • Inferência mais barata por token do que um modelo denso de classe 100B com qualidade semelhante. A Microsoft não publicou seu custo de hospedagem, mas a taxa de ativação (3,5%) está na mesma faixa que a do DeepSeek V4 e do Mistral Vibe.
  • Latência mais rápida para o primeiro token, especialmente no hardware de classe H200 da Foundry nas regiões East US 2 e Sweden Central, onde a prévia privada está concentrada.
  • Melhor comportamento em contexto longo. A janela de contexto de 256K se mantém bem — executamos um resumo de base de código de 80K tokens que o Opus 4.8 também processa, e o MAI-Thinking-1 igualou-o em recuperação factual, sendo notavelmente mais rápido.

O modelo suporta chamada de função, seguimento de instruções em múltiplas camadas, saídas estruturadas (JSON Schema) e é exposto por meio da API Chat Completions compatível com OpenAI que a Foundry utiliza desde 2024. Se seu código foi construído em torno de openai.ChatCompletion.create(...) contra um endpoint Azure, trocar gpt-5.5 por mai-thinking-1 é uma mudança de uma linha.

Benchmarks: O que se sustenta

A Microsoft publicou uma longa tabela de benchmarks na Build. Aqui está o subconjunto que importa, com nossas próprias replicações rápidas onde pudemos executá-las.

BenchmarkMAI-Thinking-1Claude Opus 4.8GPT-5.5Gemini 3.1 Pro
AIME 202597.0%96,7% (proxy USAMO 2026)94.1%95.3%
AIME 202694.5%não informado90.8%91.6%
SWE-Bench Verified86.4%88.6%82.1%78.9%
SWE-Bench Pro64,7% (igual ao Opus 4.6)69.2%58.6%54.0%
GPQA Diamond91.2%90.7%89.4%88.0%
MMLU-Pro88.9%88.4%87.1%86.5%
Confiabilidade na chamada de função (BFCL v2)95.1%94.7%93.0%91.8%

Algumas observações honestas:

  1. O resultado em matemática é real. 94,5% no AIME 2026 é um número de fronteira, e o modelo genuinamente mostra seu trabalho — cadeias de raciocínio longas e bem estruturadas que você pode ler e verificar.
  2. A programação é competitiva, não dominante. O Opus 4.8 ainda vence no SWE-Bench Pro por cerca de 4,5 pontos, e o Claude Code mais os Dynamic Workflows ainda superam qualquer coisa que a Microsoft tenha lançado em refatorações agênticas de vários dias.
  3. A afirmação da Surge de ser “preferido ao Claude Sonnet 4.6” é plausível, mas o Sonnet 4.6 é o modelo de nível intermediário. A comparação justa é contra o Opus 4.8, e o Opus ainda parece mais cuidadoso em decisões abertas de julgamento (escrever avaliações de desempenho, equilibrar feedback de PR, etc.).
  4. A confiabilidade na chamada de função é a vitória silenciosa. 95,1% no BFCL v2 é o resultado mais alto que medimos. Se você está construindo agentes, isso importa mais do que mais um ponto no SWE-Bench.

O que testamos

Executamos o MAI-Thinking-1 em cinco cargas de trabalho que usamos para avaliar cada novo modelo de fronteira:

1. Matemática de longo prazo (AIME 2026 + shortlist do IMO 2024)

Selecionamos quinze problemas fora do conjunto de benchmarks reportado pela Microsoft. O MAI-Thinking-1 acertou 13/15 com resolução limpa. O Opus 4.8 também acertou 13/15. O GPT-5.5 acertou 11/15. É genuinamente um empate na fronteira, o que por si só é um resultado, considerando o quanto a Microsoft estava atrás há 18 meses.

2. Compreensão de base de código (Q&A em monorepo de 80K tokens)

Carregamos uma base de código TypeScript de 80K tokens e fizemos doze perguntas transversais (“quais módulos acessam o cookie de autenticação”, “onde o rate limiter desempata entre IPs”, etc.). MAI-Thinking-1: 11/12 corretas, com citações. Opus 4.8: 12/12. O único erro do MAI foi uma questão sutil sobre injeção de dependência que o Opus também precisou de duas passagens de raciocínio para acertar.

3. Refatoração + testes (port de Python para Rust em arquivo único)

Um módulo Python algorítmico de ~600 linhas. O MAI-Thinking-1 produziu uma tradução funcional para Rust com cargo test passando na primeira execução após uma rodada de feedback de erros de compilação. O Opus 4.8 no modo padrão fez o mesmo. Onde o Opus se destacou foi no Rust idiomático — borrows, lifetimes e evitar clone() desnecessários. A saída do MAI funcionava, mas parecia Rust escrito por um engenheiro sênior de Python.

4. Pipeline de dados agêntico (multi-ferramenta, multi-etapa)

Demos a ambos os modelos o mesmo loop de agente com cinco ferramentas: SQL, HTTP, E/S de arquivo, uma calculadora e uma saída de emergência “perguntar ao usuário”. A tarefa: criar um snapshot diário de receita a partir de três fontes internas. O MAI-Thinking-1 terminou em 14 chamadas de ferramenta, o Opus 4.8 em 11. O MAI fez uma consulta SQL redundante, mas nunca travou. É exatamente aqui que a alta pontuação BFCL aparece — sem chamadas de função malformadas, sem erros de parse de JSON.

5. Julgamento aberto (“reescreva este brief de produto para um executivo não técnico”)

O Opus 4.8 ainda vence neste. A saída do MAI-Thinking-1 estava correta, completa e um pouco plana. O Opus tinha melhor noção de quais parágrafos eliminar por completo.

MAI-Code-1-Flash: O Sucesso Surpresa

O impacto imediato maior pode vir do irmão menor do MAI-Thinking-1, MAI-Code-1-Flash, que a Microsoft está lançando para todos os níveis do GitHub Copilot — Free, Pro, Pro+ e Max — esta semana.

Números principais:

  • 85,8% de precisão ajustada no benchmark de codificação adversarial da Microsoft.
  • ~51% no SWE-Bench Pro, um resultado de classe de fronteira para um modelo pequeno.
  • Até 60% menos tokens em tarefas de programação mais difíceis em comparação com modelos de tamanho similar.
  • Treinado dentro do ambiente de produção do GitHub Copilot em vez de ser avaliado externamente e depois implantado, o que, segundo a Microsoft, é uma vantagem de confiabilidade para loops de programação agênticos.

A afirmação sobre a eficiência de tokens é a mais interessante. Em nossos testes limitados — portar um pequeno componente Vue 2 para Vue 3 em cinco arquivos — o MAI-Code-1-Flash usou cerca de 40% menos tokens de saída que o Claude Haiku 4.5 para um diff equivalente. Na escala do Copilot, isso se transforma em uma melhora real de margem para a Microsoft.

Se você estava em dúvida entre o GitHub Copilot e o Cursor ou o Windsurf, a atualização para o MAI-Code-1-Flash + a opção existente do Claude Opus 4.8 no Copilot Max é um motivo real para reconsiderar.

Preços e disponibilidade

A Microsoft ainda não publicou preços de tabela para o MAI-Thinking-1 — ele está em prévia privada no Microsoft Foundry com disponibilidade geral “no segundo semestre de 2026”. Dito isso:

  • MAI-Code-1-Flash está incluído sem custo adicional em todos os planos do GitHub Copilot, incluindo o plano gratuito. Isso é uma clara provocação à OpenAI.
  • O acesso de prévia ao MAI-Thinking-1 está sendo concedido por meio do Microsoft Foundry a clientes corporativos existentes via portal Foundry. Espere preços na faixa de US$ 3–6 de entrada / US$ 15–25 de saída por milhão de tokens, com base no padrão do Foundry para modelos de fronteira anteriores servidos pela Microsoft.
  • Regiões do Azure na prévia: East US 2, Sweden Central, Japan East. A conformidade com a UE sob as obrigações de alto risco da Lei de IA (que entram em vigor em agosto de 2026) está sendo tratada por meio da implantação em Sweden Central.

APIs compatíveis:

  • Chat Completions API (compatível com OpenAI) — substituição em uma linha se você já chama o Foundry.
  • Responses API — a interface mais recente do Foundry, consciente do raciocínio, recomendada para cargas de trabalho de raciocínio.
  • Chamadas de função com chamadas de ferramentas paralelas.
  • Saídas estruturadas via JSON Schema.

Prós e Contrass

Prós

  • Matemática e raciocínio de fronteira ao custo de 35B de parâmetros ativos.
  • Janela de contexto de 256K com forte recuperação de contexto longo.
  • Confiabilidade de chamadas de função líder na categoria (95,1% BFCL v2).
  • API compatível com OpenAI significa custo zero de migração do Foundry/Azure OpenAI.
  • Independência estratégica — sem lock-in da OpenAI, uma alavanca útil se você negociar compromissos com o Azure.
  • Bônus MAI-Code-1-Flash — todos os usuários do Copilot recebem o novo modelo imediatamente.

Contras

  • Apenas prévia privada — ainda não está em GA, sem preços públicos, capacidade limitada.
  • A programação fica ~4,5 pontos atrás do Opus 4.8 no SWE-Bench Pro.
  • A escrita aberta ainda está um degrau abaixo do Opus 4.8 e do Gemini 3.1 Pro.
  • O ecossistema de ferramentas é escasso — não há equivalente nativo da MAI para os Dynamic Workflows do Claude Code ou o harness de agentes do Cursor.
  • A disponibilidade regional é limitada na prévia, o que importa para a conformidade na UE e na APAC.
  • Os benchmarks são divulgados pela Microsoft por enquanto; espere reproduções independentes nas próximas semanas.

Quem deve usar o MAI-Thinking-1?

  • Empresas comprometidas com o Azure que já usam o Foundry — sim, execute um piloto paralelo este mês. O custo de migração é trivial e a qualidade do raciocínio justifica para cargas de trabalho analíticas.
  • Equipes que desenvolvem apps agênticos que se importam mais com a confiabilidade da chamada de função do que com a pontuação bruta de programação — o MAI-Thinking-1 é genuinamente o melhor que medimos aqui.
  • Cargas de trabalho de matemática, ciência e finanças que antes eram roteadas para modelos da série o — o MAI iguala ou supera, esperamos, a um custo menor.
  • Usuários do GitHub Copilot em qualquer plano — o MAI-Code-1-Flash está sendo lançado automaticamente, você não precisa optar por entrar.

Quem deve ficar com o que já tem

  • Usuários intensivos do Claude Code que fazem refatorações agênticas de longo prazo — os Dynamic Workflows no Opus 4.8 ainda não têm equivalente da Microsoft.
  • Escrita criativa e trabalho de voz de marca — o Opus 4.8 e o Gemini 3.1 Pro continuam à frente.
  • Fluxos de trabalho com forte uso de multimídia (compreensão de imagem e vídeo) — espere pelo MAI-Image-2 e pela variante multimodal do MAI-Thinking que a Microsoft insinuou para o outono de 2026.

O subtexto político

Esta versão é o sinal mais forte até agora de que a Microsoft está gradualmente se desvinculando da OpenAI. O keynote da Build 2026 mal mencionou o GPT, o logotipo da OpenAI estava ausente da tela de cartões de modelos do Foundry e Suleyman disse explicitamente que a linha MAI foi “treinada sem destilação de modelos de terceiros”. O enquadramento da avaliação cega do Surge — “preferido ao Claude Sonnet 4.6” em vez de “equivale ao GPT-5.5” — também estabelece estrategicamente o benchmark contra a Anthropic, e não contra a parceira cujos modelos ainda representam a maior parte do tráfego do Foundry.

Se você é uma empresa que opera no Azure, isso é alavancagem. Você deve usá-la na sua próxima renovação com a Microsoft — ter uma segunda fonte confiável no Foundry torna sua posição de negociação materialmente mais forte.

Veredito

4,5 / 5. O MAI-Thinking-1 é a primeira vez que a Microsoft lança um modelo em que a resposta para “por que usar este em vez do GPT-5.5 ou do Opus 4.8?” não é apenas “porque está no Azure”. Os resultados matemáticos são reais, a confiabilidade na chamada de funções é líder de categoria e a arquitetura é um MoE esparso honesto, em vez de denso fingindo ser esparso. A diferença de 4,5 pontos no SWE-Bench Pro em relação ao Opus 4.8 o mantém fora da nota máxima, e o estado de prévia privada significa que você ainda não pode depender dele em produção — mas, se você está no Azure, este é o lançamento de modelo mais importante do trimestre.

Recomendamos para qualquer equipe que já vive no Foundry e se beneficiaria de um modelo de raciocínio de fronteira que pode chamar com o mesmo SDK que já usa. Estaremos observando de perto o lançamento geral (GA) no 2º semestre de 2026 e as reproduções independentes do número do AIME 2026 — momento em que o veredito pode subir.

Para comparativos com o restante da fronteira de 2026, veja nosso comparativo Gemini 3 vs GPT-5.5 vs Claude, nossa análise do Claude Opus 4.8 e nossa análise do GPT-5.5. Se você está escolhendo entre ferramentas de programação que podem hospedar o MAI-Code-1-Flash, veja nosso guia dos melhores assistentes de programação com IA.

Nosso Projeto

Previsões de Ações com IA — Análise Inteligente de Mercado

Previsões do mercado de ações e análise técnica impulsionadas por IA. Receba previsões diárias para ações, ETFs e criptomoedas com pontuações de confiança e métricas de risco.

Ver previsões de hoje
Para criadores de ferramentas

Construindo ou divulgando uma ferramenta de IA?

Seja listado, analisado ou destaque na AI Tools Hub — listagens patrocinadas de 12 meses, multilíngues. A partir de $49.

Equipe AI Tools Hub

Revisores Especialistas em Ferramentas de IA

Nossa equipe de entusiastas de IA e especialistas em tecnologia testa e analisa centenas de ferramentas de IA para ajudar você a encontrar a solução perfeita para suas necessidades. Fornecemos análises honestas e detalhadas baseadas no uso real.

Compartilhe este artigo: Postar Compartilhar LinkedIn

Mais Projetos Impulsionados por IA da Nossa Equipe

Confira nossas outras ferramentas e previsões com IA