Microsoft가 OpenAI 없이 만든 첫 코딩 모델 — MAI-Code-1-Flash, GitHub Copilot에 탑재

Copilot은 2021년 AI 페어 프로그래머 카테고리를 직접 만든 제품입니다. VS Code 통합, GitHub 코드베이스 신호, 압도적인 배포 규모까지 갖추고 있었는데, 막상 개발자들은 Claude Code나 Cursor 같은 외부 도구로 빠져나갔습니다. 이유는 단순했는데, 모델이 약했습니다. MAI-Code-1-Flash는 Microsoft가 그 문제를 처음으로 자기 손으로 해결하려는 시도입니다. OpenAI 데이터 없이 자체 훈련한 첫 코딩 모델로, 6월 2일 Build 2026에서 공개됐고 같은 날 GitHub Copilot에 바로 탑재됐습니다.

---

MAI-Code-1-Flash가 뭐냐

MAI는 Microsoft AI의 약자로, Mustafa Suleyman이 이끄는 자체 AI 연구 조직입니다. MAI-Code-1-Flash는 이 조직이 Build 2026에서 동시에 공개한 7종 MAI 모델 패밀리 중 하나입니다. 나머지는 추론 모델 MAI-Thinking-1, 이미지 생성 MAI-Image-2.5, 음성 MAI-Voice-2, 전사 MAI-Transcribe-1.5 등입니다.

MAI-Code-1-Flash의 스펙부터 정리하면 이렇습니다. 아키텍처는 sparse MoE로 총 파라미터 137B, 토큰당 활성 파라미터 5B입니다. 컨텍스트 윈도우는 256K 토큰입니다. 가격은 GitHub 기준 입력 $0.75/1M 토큰, 출력 $4.50/1M 토큰입니다. VS Code GitHub Copilot 모델 피커에서 Free, Pro, Pro+, Max 전 플랜에서 쓸 수 있고, OpenRouter, Fireworks AI, Baseten을 통한 외부 API 접근도 가능합니다.

훈련은 2026년 3~5월 사이에 진행됐습니다. Microsoft가 강조하는 건 두 가지입니다. 첫째, OpenAI를 포함한 서드파티 모델 데이터를 쓰지 않은 완전 자체 훈련이고, 둘째, 범용 코드 데이터가 아니라 GitHub Copilot의 실제 프로덕션 하네스 위에서 훈련됐다는 점입니다.

---

Copilot 하네스 훈련이 뭔 의미냐

일반적인 코딩 모델 훈련은 코드 데이터로 사전 학습하고, 이후 SWE-Bench 같은 벤치마크에서 평가하는 방식으로 진행됩니다. 벤치마크에서 좋은 점수를 내도 실제 IDE 환경에서 체감이 다른 경우가 생기는 이유 중 하나입니다.

MAI-Code-1-Flash는 다른 방식을 택했습니다. 모델이 Copilot에서 실제로 사용하는 파일 편집 도구, 터미널 통합, 멀티스텝 태스크 루프 같은 실제 도구 하네스를 훈련 환경으로 삼았습니다. 에이전트 코딩 작업에서 모델이 도구를 어떻게 호출하고 결과를 어떻게 반영하는지를 실제 운영 환경에서 학습했다는 의미입니다.

Microsoft가 이 접근을 "harness-native training"이라고 부르는데, 결과적으로 모델이 에이전트 루프에서 도구를 더 효율적으로 쓰는 방향으로 훈련됐습니다. SWE-Bench Verified에서 비슷한 수준의 다른 모델 대비 복잡한 태스크를 60% 적은 토큰으로 해결한다는 게 공식 주장입니다.

---

벤치마크 — Claude Haiku 4.5 대비 어떤가

Microsoft 공식 발표 기준 수치입니다. SWE-Bench Pro에서 MAI-Code-1-Flash가 51.2%, Claude Haiku 4.5가 35.2%로 16포인트 차이입니다. SWE-Bench Verified에서는 MAI-Code-1-Flash 71.6%, Claude Haiku 4.5가 66.6%입니다. Terminal Bench 2와 SWE-Bench Multilingual에서도 Haiku 4.5를 앞선다고 밝혔습니다.

비교 대상이 Claude Haiku 4.5라는 점에 주목할 필요가 있습니다. Haiku는 Anthropic의 경량 모델 라인입니다. MAI-Code-1-Flash의 포지셔닝이 프론티어 모델과 맞붙는 게 아니라 소형·고효율 모델 구간에서 Copilot 유저의 기본값을 바꾸는 것임을 보여줍니다. Copilot Auto 피커가 간단한 작업에 MAI-Code-1-Flash를 자동으로 배정하고, 어려운 작업은 더 큰 모델로 에스컬레이션하는 방식입니다.

McKinsey 대상 파인튜닝 결과에서는 GPT-5.5 대비 10배 비용 효율을 냈다고 밝혔는데, 이 수치는 특정 컨설팅 워크플로우에 최적화된 결과라 일반화하기 어렵습니다. 모든 수치는 Microsoft 자체 측정 기준이라 독립 검증이 필요한 상태입니다.

---

Adaptive Thinking — 토큰 효율의 핵심

MAI-Code-1-Flash의 토큰 효율성에서 중요한 역할을 하는 기능이 Adaptive Thinking입니다. 요청의 복잡도에 따라 추론 예산을 동적으로 조절하는 방식입니다.

자동완성이나 간단한 함수 생성처럼 단순한 요청에는 최소한의 추론 단계만 거쳐 빠르게 응답합니다. 반면 멀티파일 리팩토링이나 아키텍처 설계처럼 복잡한 작업에서는 추론 예산을 늘려서 더 깊은 분석을 수행합니다. 요청 복잡도를 모델이 자체 판단해서 조절하기 때문에, 개발자가 별도로 모드를 선택할 필요가 없습니다.

Copilot의 토큰 기반 청구 방식(2026년 6월 1일부터 적용)에서 이 기능이 직접적인 비용 절감으로 연결됩니다. 단순 작업에서 토큰을 아끼고 복잡한 작업에만 토큰을 쓰는 구조라, Pro 플랜($39/월) 기준 에이전트 워크플로우를 더 오래 돌릴 수 있습니다.

---

VS Code에서 쓰는 방법

GitHub Copilot을 쓰고 있다면 추가 설치 없이 VS Code 모델 피커에서 선택할 수 있습니다. 롤아웃이 6월 2일부터 단계적으로 진행 중이라 아직 피커에 안 보이면 조금 기다리면 됩니다.

VS Code → GitHub Copilot 채팅 패널 → 모델 피커 드롭다운 → MAI-Code-1-Flash 선택

Auto 모드를 선택하면 Copilot이 작업 복잡도에 따라 MAI-Code-1-Flash와 다른 모델 사이에서 자동으로 라우팅합니다. 간단한 인라인 완성은 MAI-Code-1-Flash로, 무거운 에이전트 작업은 더 큰 모델로 보내는 방식입니다.

Copilot 밖에서 직접 API로 호출하려면 OpenRouter를 통하는 게 현재 가장 빠릅니다.

# OpenRouter를 통한 MAI-Code-1-Flash API 호출
from openai import OpenAI

client = OpenAI(
    api_key="your_openrouter_api_key",
    base_url="https://openrouter.ai/api/v1"
)

response = client.chat.completions.create(
    model="microsoft/mai-code-1-flash",
    messages=[
        {
            "role": "system",
            "content": "You are an expert software engineer. Be concise and precise."
        },
        {
            "role": "user",
            "content": "아래 Python 함수에서 버그를 찾아 수정하고 타입 힌트를 추가해줘:\n\ndef calculate_average(numbers):\n    total = 0\n    for n in numbers:\n        total += n\n    return total / len(numbers)"
        }
    ],
    max_tokens=1024
)

print(response.choices[0].message.content)

Fireworks AI와 Baseten도 Build 2026 발표에서 파트너로 공개됐습니다. 각 플랫폼에서 모델명이 다를 수 있으니 각 문서를 확인하는 게 맞습니다.

---

왜 이게 중요한가 — MS의 전략적 의미

Build 2026에서 Satya Nadella가 직접 한 말이 있습니다. "우리는 프론티어 모델을 소비하는 것에서 프론티어에 직접 참여하는 것으로 이동하는 중"이라고 했습니다. 3년 동안 OpenAI에 13조 달러를 투자하고 Anthropic에도 5조 달러를 넣은 회사가 직접 모델을 만들기 시작했다는 선언입니다.

Microsoft 입장에서 자체 모델의 이점은 두 가지입니다. Copilot 수억 명 유저에게 모델을 서빙하는 단가를 낮출 수 있고, OpenAI와 Anthropic 가격 정책에 영향을 덜 받는 구조를 만들 수 있습니다. 아직 MAI-Code-1-Flash는 프론티어 모델과 직접 경쟁하는 구간이 아닙니다. 그러나 MAI-Thinking-1이 SWE-Bench Pro에서 Claude Opus 4.6과 동급이라는 발표가 함께 나왔고, 이 라인업이 계속 발전하면 OpenAI와의 관계 재정의가 시작될 수 있습니다.

---

마무리

MAI-Code-1-Flash 하나만 놓고 보면 소형 코딩 모델 하나가 나온 것처럼 보입니다. 그런데 맥락을 같이 보면 얘기가 달라집니다. Microsoft가 처음으로 자기 인프라 위에서 자기 모델을 만들어 자기 제품에 탑재했고, 7종 모델 패밀리를 한 번에 발표했습니다. Claude Code와 Cursor에 개발자들을 뺏기던 Copilot이 모델 레벨에서 자구책을 들고 나온 시점이기도 합니다. 일단 GitHub Copilot 쓰고 있다면 모델 피커에서 골라보는 것부터 시작하면 됩니다.