微软在大语言模型上面没看到什么建树。但是在小模型和多模态模型上，好像兴趣很高。这不知道是不是跟他们的生态有关，这样在电脑和办公领域就可以用起来。

微软搞了一个语音识别模型MAI-Transcribe-2。这个模型涵盖60种语言，处理1小时音频仅需约10秒。目前该模型已在 Microsoft Foundry、MAI Playground 及 Open Router 上线，并推出限时优惠价，每小时音频仅需0.10美元。

微软的图像模型MAI-Image-2.6-Flash ，其图像生成速度达到 GPT-Image-2-Medium 的2.8倍，整体综合效率提升达72%。

都是比较实用的领域，反而国内在这方面的兴趣好像不足。其实这些虽然不在agi的主线上，但是在实际工作中还是非常有用的。