Microsoft GitHub Copilot-ന് അടുത്ത തലമുറ കോഡിംഗ് മോഡലായി MAI Code 1.1 Flash അവതരിപ്പിച്ചു, എന്നാൽ ആദ്യകാല ബെഞ്ച്മാർക്കുകളും വിലവിവരപ്പട്ടികകളും പ്രകടനത്തിലും ചിലവിലും DeepSeek-ന്റെ ഓപ്പൺ-വെയ്റ്റ് (open-weight) സേവനത്തേക്കാൾ പിന്നിലാണെന്ന് കാണിക്കുന്നു.

ബെഞ്ച്മാർക്ക് യാഥാർത്ഥ്യവും പത്രക്കുറിപ്പും തമ്മിലുള്ള വ്യത്യാസം

ജൂൺ മാസത്തിലെ MAI മോഡലിനെ അപേക്ഷിച്ച് ടോക്കൺ കാര്യക്ഷമതയിൽ (token efficiency) 25% വർദ്ധനവും ചിലവിൽ 75% കുറവും നൽകുമെന്ന് Microsoft-ന്റെ ലോഞ്ച് കുറിപ്പുകൾ വാഗ്ദാനം ചെയ്യുന്നു. Copilot-നുള്ള ലക്ഷക്കണക്കിന് റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് (reinforcement-learning) സാഹചര്യങ്ങളിൽ മോഡലിനെ പരിശീലിപ്പിച്ചതിന് ശേഷം "കോഡ് സർവൈവലിൽ" (code survival) 4% വർദ്ധനയുണ്ടായതായും കമ്പനി അവകാശപ്പെടുന്നു.

സ്വതന്ത്രമായ പരിശോധനകൾ മറ്റൊരു കഥയാണ് പറയുന്നത്. SWE-bench Verified സ്യൂട്ടിൽ, MAI Code 1.1 Flash 72.6% പാസ് റേറ്റാണ് രേഖപ്പെടുത്തുന്നത്, ഇത് Claude Haiku 4.5 (69.8 %), GPT-5.4 mini (69.2 %) എന്നിവയേക്കാൾ നേരിയ മുന്നേറ്റമാണ്. ഈ നേട്ടം വളരെ പരിമിതവും ഒരു മെട്രിക്സിൽ മാത്രം ഒതുങ്ങുന്നതുമാണ്.

യഥാർത്ഥ ലോകത്തെ കമാൻഡ്-ലൈൻ ടാസ്ക്കുകൾ പൂർത്തിയാക്കാനുള്ള മോഡലിന്റെ കഴിവിനെ അളക്കുന്ന Terminal Bench 2.1-ൽ ഈ വ്യത്യാസം വർദ്ധിക്കുന്നു. ഇവിടെ MAI Code 1.1 Flash 62.9% സ്കോർ ചെയ്യുമ്പോൾ, DeepSeek-V4-Flash-0731 82.7% ഫലം രേഖപ്പെടുത്തുന്നു. ടെർമിനൽ കേന്ദ്രീകൃതമായ കോഡ് ജനറേഷനെ ആശ്രയിക്കുന്ന ഡെവലപ്പർമാരെ ബാധിക്കാൻ മാത്രം വലിയതാണ് ഈ വ്യത്യാസം.

വിലയിലെ സമ്മർദ്ദങ്ങൾ

പുതിയ മോഡലിനെ ഒരു "ബജറ്റ് ഫ്രണ്ട്ലി" (budget-friendly) ഓപ്ഷനായി Microsoft വിപണനം ചെയ്യുന്നുണ്ടെങ്കിലും ടോക്കൺ വിലകൾ മറ്റൊന്ന് സൂചിപ്പിക്കുന്നു. DeepSeek-V4-Flash ഓരോ ഇൻപുട്ട് ടോക്കണിനും $0.14-ഉം ഔട്ട്പുട്ട് ടോക്കണിനും $0.28-ഉം ഈടാക്കുന്നു. MAI Code 1.1 Flash ഇൻപുട്ടിന് $0.20-ഉം ഔട്ട്പുട്ടിന് $1.20-ഉം ആണ് നിരക്ക് നിശ്ചയിച്ചിരിക്കുന്നത്. Claude Haiku 4.5 യഥാക്രമം $1.00, $5.00 എന്നിങ്ങനെയാണ്, ഇത് അതിന്റെ പ്രീമിയം പദവി സ്ഥിരീകരിക്കുന്നു.

ഔട്ട്പുട്ട് ടോക്കൺ ചിലവിലെ വലിയ വർദ്ധനവ് കാരണം, വലിയ അളവിൽ കോഡുകൾ ജനറേറ്റ് ചെയ്യുന്ന ഏതൊരു വർക്ക്ഫ്ലോയ്ക്കും Microsoft-ന്റെ മോഡൽ കൂടുതൽ ചിലവേറിയ ഒന്നായി മാറും. മുൻപത്തെ മോഡലിൽ നിന്ന് വാഗ്ദാനം ചെയ്ത കുറവുകൾക്ക് ശേഷവും ഇത് സംഭവിക്കും. വലിയ തോതിൽ പ്രവർത്തിക്കുന്ന ഡെവലപ്പർമാരെയും സംരംഭങ്ങളെയും സംബന്ധിച്ചിടത്തോളം, സാമ്പത്തിക ലാഭം വൻതോതിൽ DeepSeek-ന് അനുകൂലമാണ്.

എങ്ങനെയാണ് MAI Code 1.1 Flash ഉണ്ടായത്

Copilot സ്റ്റാക്കിലെ തേർഡ് പാർട്ടി സേവനങ്ങൾക്ക് പകരം സ്വന്തമായി നിർമ്മിച്ച ബദലുകൾ കൊണ്ടുവരാനുള്ള Microsoft-ന്റെ വലിയ ശ്രമത്തിന്റെ ഭാഗമാണ് ഈ മോഡൽ. Copilot ഉപയോഗത്തിൽ നിന്നുള്ള വിപുലമായ റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് ഡാറ്റ ഉപയോഗിച്ച് പരിശീലിപ്പിക്കുന്നതിലൂടെ, ഉപയോക്താക്കളുടെ പെരുമാറ്റവും മോഡലിന്റെ മെച്ചപ്പെടുത്തലും തമ്മിലുള്ള ഫീഡ്‌ബാക്ക് ലൂപ്പ് കൂടുതൽ ശക്തമാക്കാൻ Microsoft പ്രതീക്ഷിക്കുന്നു. ഈ ലോഞ്ച് ക്രമാനുഗതമായ അപ്‌ഗ്രേഡുകളുടെ ഒരു രീതി പിന്തുടരുന്നു: ജൂൺ പതിപ്പ് ചിലവ് കുറയ്ക്കുന്ന ഒന്നായി അവതരിപ്പിച്ചപ്പോൾ, Flash പതിപ്പ് അതിന്റെ തുടർച്ചയായിട്ടാണ് കാണുന്നത്.

വിജയികൾ, പരാജിതർ, വിശാലമായ പ്രത്യാഘാതങ്ങൾ

AI ചിലവ് നിയന്ത്രിക്കാൻ ആഗ്രഹിക്കുന്ന സംരംഭങ്ങൾക്ക്, പ്രത്യേകിച്ച് ഔട്ട്പുട്ട് അളവ് കൂടുതലായിരിക്കുമ്പോൾ, DeepSeek-ന്റെ വില കൂടുതൽ ആകർഷകമായി തോന്നാം. അതേസമയം, Microsoft-ന് Copilot ഇക്കോസിസ്റ്റത്തിന്മേൽ കൂടുതൽ നിയന്ത്രണം ലഭിക്കുകയും OpenAI അല്ലെങ്കിൽ Anthropic പോലുള്ള പുറത്തുള്ള സേവനദാതാക്കളിൽ നിന്നുള്ള വരുമാനം സ്വന്തം പ്ലാറ്റ്‌ഫോമിലേക്ക് തിരിച്ചുവിടാൻ സാധിക്കുകയും ചെയ്യുന്നു.

Microsoft-ന്റെ സാധ്യമായ പ്രതിരോധം

ടോക്കൺ കാര്യക്ഷമതയിലെ നേട്ടങ്ങളെയും SWE-bench-ലെ നേരിയ മുന്നേറ്റത്തെയും Microsoft-ന്റെ സ്വന്തം ഡാറ്റ ഊന്നിപ്പറയുന്നു.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • അഡോപ്ഷൻ മെട്രിക്സ് (Adoption metrics): ഡെവലപ്പർമാർ പുതിയ ഡിഫോൾട്ട് മോഡലിലേക്ക് മാറുമോ അതോ API വഴി മറ്റ് ബദൽ മോഡലുകൾ ഉപയോഗിക്കുമോ എന്ന് Copilot-ന്റെ ഉപയോഗ സ്ഥിതിവിവരക്കണക്കുകൾ വെളിപ്പെടുത്തും.
  • വില ക്രമീകരണങ്ങൾ: Microsoft-ന്റെ ഔട്ട്പുട്ട് ടോക്കൺ വില ഉയർന്ന നിലയിൽ തുടരുകയാണെങ്കിൽ, വിപണിയിലെ സമ്മർദ്ദം വില പുതുക്കാൻ അവരെ പ്രേരിപ്പിച്ചേക്കാം.
  • ബെഞ്ച്മാർക്ക് അപ്‌ഡേറ്റുകൾ: ടെർമിനൽ കേന്ദ്രീകരിച്ചുള്ള പരിശോധനകളുടെ പുതിയ പതിപ്പുകൾ പ്രകടനത്തിന്റെ സന്തുലിതാവസ്ഥ മാറ്റിയേക്കാം, പ്രത്യേകിച്ച് Microsoft അതിന്റെ റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് പൈപ്പ്‌ലൈൻ മെച്ചപ്പെടുത്തുന്നതിനനുസരിച്ച്.
  • ഓപ്പൺ-വെയ്റ്റ് മത്സരം: കോഡിംഗ് മേഖലയിലേക്ക് കൂടുതൽ ഓപ്പൺ-വെയ്റ്റ് മോഡലുകൾ കടന്നുവരുന്നത് വില-പ്രകടനം (price-performance) തമ്മിലുള്ള മത്സരത്തെ ശക്തമാക്കിയേക്കാം.

ചുരുക്കത്തിൽ

MAI Code 1.1 Flash പരിമിതമായ ബെഞ്ച്മാർക്കുകളിൽ നേരിയ പുരോഗതി കൊണ്ടുവരുന്നുണ്ടെങ്കിലും, ടെർമിനൽ പ്രകടനത്തിലും ടോക്കൺ ചിലവിലും അത് DeepSeek-ന്റെ ഓപ്പൺ-വെയ്റ്റ് മോഡലിന് പിന്നിലായിത്തീരുന്നു. ഇത് ഡെവലപ്പർമാരെ ഇന്റഗ്രേഷൻ സൗകര്യവും യഥാർത്ഥ കാര്യക്ഷമതയും തമ്മിൽ താരതമ്യം ചെയ്യാൻ പ്രേരിപ്പിക്കുന്നു.