Azienda AI / Microsoft
Microsoft
Un’azienda spesso citata per gli ecosistemi enterprise, l’integrazione di piattaforma e le linee di modelli compatti pensati per il deployment pratico.
Microsoft collega cloud, produttività e infrastruttura enterprise all’AI applicata su scala planetaria — e sempre più spesso rilascia modelli propri. La famiglia Phi ha dimostrato che dati curati con attenzione, "da manuale", possono concentrare il reasoning dei grandi modelli in modelli grandi quanto un telefono.
Accanto a Phi, la più recente famiglia in-house MAI segna una strategia di prima parte più diretta: copre testo, voce, immagini e la linea di reasoning MAI-Thinking, distribuita nativamente tramite Microsoft Foundry. Insieme uniscono la portata della piattaforma a modelli compatti e attenti all’efficienza.
Catalogo modelli
Ogni release della linea di modelli di questa azienda.
Ogni riga è una release distinta: la sua data, il suo tipo e le caratteristiche per cui è nota. Apri una fonte per approfondire.
| Modello | Rilascio | Tipo | Caratteristiche | Fonte |
|---|---|---|---|---|
| Microsoft-Decision-1 | ott 2026 | Decisione |
| |
| MAI-Thinking-1 | giu 2026 | Reasoning |
| |
| MAI in Foundry (Transcribe/Voice/Image) | apr 2026 | Famiglia modelli |
| |
| Phi-4-reasoning-vision | mar 2026 | Reasoning |
| |
| MAI-1-preview & MAI-Voice-1 | ago 2025 | Debutto |
| |
| Phi-4-reasoning | apr 2025 | Reasoning |
| |
| Phi-4 | dic 2024 | Aggiornamento |
| |
| Phi-3 | apr 2024 | Release open |
| |
| Phi-2 | dic 2023 | Compatto |
| |
| Phi-1 | giu 2023 | Ricerca |
|
Timeline
Una timeline pratica di release dei modelli e tappe aziendali.
Questa pagina segue i momenti che contano davvero: le release dei modelli chiave, i salti di versione e le mosse aziendali che hanno cambiato il modo in cui questa azienda si presenta sul mercato AI.
Microsoft completa il pre-training di un modello da 2,8 trilioni di parametri, MAI-Base-2.
Microsoft AI dichiara di battere ogni modello open-weight testato richiedendo fino a 12 volte meno calcolo di un rivale di punta — il modello è ancora in post-training, senza data di rilascio, prezzo o benchmark pubblici.
Microsoft-Decision-1 scambia la conversazione con scelte calibrate.
Costruito su Qwen3.5-9B e tarato per routing, classificazione e verifica, risponde 35 volte più veloce di GPT-6 Sol a una frazione del costo — Xbox lo ha usato per smistare oltre 10.000 feedback dei giocatori.
MAI-Thinking-1 guida i sette nuovi modelli MAI presentati a Build.
Un reasoner MoE da 35B più gli aggiornamenti Code, Image, Voice e Transcribe trasformano MAI in una lineup di prima parte completa da un giorno all’altro.
MAI-Transcribe-1, MAI-Voice-1 e MAI-Image-2 arrivano in Foundry.
Il primo risultato del team Superintelligence rende MAI una famiglia commerciale multi-modalità, non un esperimento confinato a Copilot.
Phi-4-reasoning-vision decide da solo quando ragionare.
Il vision-language model da 15B aggiunge reasoning adattivo, mentre le varianti distillate Phi Silica arrivano nei Copilot+ PC.
MAI-1-preview e MAI-Voice-1 svelano la scommessa in-house di Microsoft.
I primi foundation model interamente fatti in casa segnalano che il futuro di Copilot non dipendera solo da OpenAI.
Phi-4-reasoning porta il pensiero in stile o-series nei modelli piccoli.
Dopo le varianti mini e multimodali di febbraio, le edizioni reasoning dimostrano che la chain-of-thought deliberata non è riservata ai giganti.
Phi-4 specializza la linea small sul reasoning matematico complesso.
Con 14B di parametri e training su dati sintetici supera modelli ben più grandi nelle competizioni di matematica, affilando l’identità di Phi.
Phi-3 diventa open weight e abbastanza piccolo per un telefono.
Phi-3-mini gira su smartphone rivaleggiando con la qualità di classe GPT-3.5, trasformando la linea di ricerca in una famiglia di prodotto.
Phi-2 concentra reasoning da classe sub-13B in 2,7 miliardi di parametri.
Il seguito rende la tesi della qualità dei dati impossibile da ignorare, eguagliando nei benchmark modelli fino a 25 volte più grandi.
Phi-1 dimostra che i dati “da manuale” battono la scala bruta.
Un modello da 1.3B addestrato su dati curati supera modelli per il codice molto più grandi, fondando il programma SLM di Microsoft.