MAI-Code-1-Flash: 実際の開発者ワークフローからの初期成果

2026年7月29日 Faith Xu

VS Codeでは、すべてのトークンを有効に活用しながら、AI支援によるコーディングでより多くの作業を効率よく行えるよう取り組んでいます。それは、私たちが使用するモデルから、その背後にある製品やインフラストラクチャに至るまで、体験全体を改善することを意味します。これにより、さまざまなワークフロー、パフォーマンスの要件、予算に合わせた選択肢を提供できます。The Coding Harness Behind GitHub Copilot in VS Codeでは、VS Codeのコーディングハーネスがモデル、ツール、エディター体験をどのように結びつけ、モデルが最も効果的に機能するよう支援しているかについて説明しました。

この記事では、VS Codeのハーネス向けにモデルを特化してトレーニングすることが、品質と効率をさらに向上させる仕組みについて見ていきます。私たちが注目するモデルは、MAI-Code-1-Flashです。これは、MicrosoftがGitHub Copilotで開発者が日々行う高速で反復的なコーディングタスク向けに構築した軽量コーディングモデルです。Buildでの発表以来、このモデルは主要なコーディングモデルと並行して本番環境で稼働しており、実際の開発者ワークフローでどのように機能するかについての初期の知見を得ることができました。

その結果、MAI-Code-1-FlashとVS Codeのコーディングハーネスを組み合わせることで、より少ないトークン使用量で優れたコーディング品質が実現し、開発者が利用制限内でより多くの成果を得られるようになることが示されています。

本番環境における品質と効率

コーディングモデルを評価する際、品質と効率は重要な要素です。トークン消費量の少ないモデルはコストを削減しますが、そのコスト削減は、開発者がこれまで通り効果的にタスクを完了できる場合にこそ価値が増します。目標は適切なバランスをとることです。つまり、トークンを効率的に使用しながら、高いコーディング品質を維持することです。

MAI-Code-1-Flashがこのトレードオフにおいてどのように機能するかを理解するために、VS Code Copilot Chatで各モデルを選択した開発者からの集計データを分析しました。生成されたコードの品質と、開発者が持続的な結果に到達する効率性の両方を検証しました。品質については、開発者が生成された提案を受け入れたかどうか、そしてそのコードがアクティブな編集後やコミット時に残っていたかどうかを測定しました。効率性については、会話の1ターンあたりに生成されたトークンの中央値と、コミットに到達するまでに必要なターン数の中央値を測定しました。

結果として、MAI-Code-1-Flashは品質と効率のバランスを効果的に保っていることが示唆されています。品質の面では、Claude Haiku 4.5およびGPT-5.4 Miniを上回っています。より大型のGPT-5.6 LunaやKimi K2.7 Codeは品質面で優位性を持っていますが、1ターンあたり67%〜94%多くのトークンを必要とし、コミットに必要なターン数も多くなります。

データは、2026年6月2日から2026年7月24日までの間にVS Code Copilot Chatで各モデルを選択したユーザーのものです。 指標の定義：コード生存率 = アクティブな編集の10分後も保持されたAI生成コードの割合。コミット生存率 = Gitコミット時に保持されていたAI生成コードの割合。受入率 = ユーザーに受け入れられたAI生成提案の割合。ターンあたりのトークン数 = 会話の1ターン（単一のリクエストとレスポンスのやり取り）あたりにモデルによって生成されたトークンの中央値。コミットあたりのターン数 = ユーザーがGitコミットに到達するまでに完了した会話ターン数の中央値。

Autoフライトによる結果の検証

集計された利用データを検証するもう一つの方法として、VS Code Copilot ChatのAutoモデルエクスペリエンスを通じてA/Bフライトを実行しました。Auto機能は、開発者がモデルを手動で選択しなくても自動的にモデルを割り当てるため、どのモデルを選択するか、あるいはどのようなタスクにそれを使用するかというユーザーごとの違いから、モデルの影響を切り離して評価することができます。その後、開発者が使い続けたいと思うほどその体験が有用であったかどうかの指標として、エンゲージメントとリピート利用を調査しました。

結果は、同じ傾向を裏付けるものでした。MAI-Code-1-Flashは、他の軽量モデルよりもトークン効率を維持しながら、より高いエンゲージメントを促進しました。GPT-5.4 Miniと比較して2日以内に再利用する確率が6%高く、Claude Haiku 4.5と比較して11%高くなりました。エンゲージメントが高いにもかかわらず、トークン使用量の中央値はGPT-5.4 Miniよりも13%、Claude Haiku 4.5よりも11%低くなりました。言い換えれば、人々はMAI-Code-1-Flashをより多く使用したにもかかわらず、実行コストは依然として低かったのです。

これらを総合すると、本番環境の指標とAutoフライトは、MAI-Code-1-Flashが果たすように設計された役割、すなわち「トークンを効率的に使用しながら、シンプルなコーディングタスクで優れた結果を提供する」という役割を浮き彫りにしています。最後に、このモデルと、それがサポートするために構築されたワークフローについて詳しく見ていきましょう。

開発者の働き方に合わせて設計

MAI-Code-1-Flashは、VS Codeのコーディングハーネスやそれがサポートする現実のワークフローと密接に連携するように開発されました。コードの探索、インクリメンタルな変更、テストの生成や精査、バグ修正といった、軽量で反復的な作業に特に適しています。その適応型ソリューションの長さにより、シンプルなリクエストには簡潔な応答を維持し、必要な場合にのみ詳細な処理を行います。これにより、有用な出力をより高速に提供すると同時に、トークン効率も向上します。

このモデルは、サードパーティモデルからの蒸留を行わず、クリーンで追跡可能なデータを使用してゼロからトレーニングされました。消費者向けプランからの集計された利用シグナルに基づいて時間とともに改善され続けますが、Copilot BusinessおよびCopilot Enterpriseの顧客データはトレーニングには使用されません。

今すぐ試して、次の進化を形作ろう

MAI-Code-1-Flashは本日からGitHub Copilotでご利用いただけます。現在お気に入りのモデルと並行して試用し、自分のワークフローでどのように感じられるかを確認してみてください。うまく機能している点や改善してほしい点については、開発チームが積極的に意見を聞いているコミュニティディスカッションで共有してください。

皆様からのフィードバックは、次の進化を形作る上でも役立ちます。MAI-Code-1-Flashは、MAIコーディングモデルの旅路における最初のステップに過ぎません。今年後半に登場するより大規模なMAIコーディングモデルは、より高い知性と深い推論能力を備え、最強のフロンティアモデルに対抗できるように設計された品質をもって、より複雑なタスクへとファミリーを拡張していきます。

ハッピーコーディング！💙