Microsoft AI는 2026년 6월 2일(업데이트 6월 8일)에 자사의 새로운 추론 모델인 MAI-Thinking-1을 발표했다. 이 모델은 중간 규모(medium-sized)의 모델임에도 불구하고, 동일한 weight class 내에서 가장 강력한 모델 중 하나로 평가되며, 주요 소프트웨어 엔지니어링 벤치마크에서 선도적인 모델들과 동등한 성능을 보이고, 고급 수학적 추론 능력을 입증하며, 블라인드 인간 측면 비교 평가(blind human side-by-side evaluations)에서 Sonnet 4.6보다 선호되었다. MAI-Thinking-1은 third-party 모델로부터의 distillation 없이, enterprise-grade의 깨끗하고 상업적으로 라이선스된 데이터로 scratch부터 훈련되었다. 이 모델은 사람과 조직을 돕기 위해 설계된 Humanist Superintelligence를 구축하기 위한 Microsoft AI의 광범위한 작업의 일환이다.

이 발표의 핵심은 단일 모델을 넘어선 "Hill-Climbing Machine"이라는 co-designed pipeline의 도입이다. 이 pipeline은 모델 개발의 모든 구성 요소를 "climbable"하게 만들어, 역량이 시간이 지남에 따라 지속적이고 안정적으로 향상되도록 설계된 반복 가능한 시스템이다. 이는 더 나은 데이터(better data), 더 강력한 보상(stronger rewards), 더 유능한 환경(more capable environments), 그리고 더 많은 컴퓨팅 리소스(more compute)를 흡수할 수 있도록 한다. 이 방법론은 세 가지 주요 철학적 기둥(pillar)에 기반한다.

첫째, 능력은 '상속'되는 것이 아니라 '학습'되어야 한다(capabilities should be learned, not inherited). 비록 더 빠르게 획득할 수 있지만, '상속된' 지능(inherited intelligence)은 실제 사용에 필수적인 steerability가 부족하다고 주장한다. 모방자(imitator)는 기본적으로 가르친 주체(teacher)의 설계 선택에 묶여 있으며 새로운 상황에 적응하는 데 어려움을 겪는다. MAI-Thinking-1은 third-party 모델로부터의 distillation 없이 훈련되어, 모델이 당면한 task를 진정으로 학습하도록 강제했다. 이는 모델이 다른 모델의 내부 표현이나 출력 분포를 모방하는 대신, 원시 데이터와 task로부터 직접적인 지식과 추론 능력을 구축했음을 의미한다.

둘째, 깨끗한 데이터(clean data)이다. 모델은 깨끗하고, 추적 가능하며(traceable), enterprise-grade 데이터로 scratch부터 훈련되었으며, third-party 모델로부터의 distillation은 없었다. 이는 품질, 출처(provenance), 그리고 통제에 중요하며, 모델을 형성한 요소들을 설명할 수 없다면, 모델의 행동을 완전히 이해하거나 신뢰할 수 있게 개선하기 어렵다고 강조한다. 이는 데이터 오염, 편향, 또는 알려지지 않은 출처의 콘텐츠가 모델의 성능과 신뢰성에 미치는 부정적인 영향을 방지하려는 접근 방식이다.

셋째, 전체 스택에 걸친 자급자족(self-sufficiency across the entire stack)이다. MSFT 자체 가속기(accelerators)와 모델의 공동 설계부터 reinforcement learning framework에 이르기까지, 사내(in-house) 훈련 인프라에 노력을 집중했다. 이는 Hill-Climbing Machine을 구축하는 데 중요한 부분이며, 시스템을 end-to-end로 완전히 최적화하고 형성하여 필요에 가장 잘 부합하도록 하는 것을 목표로 한다. 이는 외부 종속성을 줄이고, 훈련 파이프라인의 모든 계층에 대한 완전한 통제 및 최적화를 가능하게 한다.

MAI-Thinking-1은 35B-active, 약 1T-total 파라미터를 가진 sparse Mixture of Experts (MoE) 모델로, 훨씬 더 큰 모델보다 더 작은 inference footprint를 가진다. 그럼에도 불구하고, 이 모델은 SWE-Bench Pro에서 Claude Opus 4.6과 동등한 성능을 보인다. 이는 고급 코딩 지원이 배포될 수 있는 장소, 사용 빈도, 그리고 예외적인 task에서 일상적인 workflow로 전환될 수 있는지에 중요하다고 언급한다. 이들은 agentic coding에 필요한 훈련 환경에 집중 투자했으며, 각 검증된 환경은 deterministic, executable하며, 실제 test suite에 의해 평가된다. 이는 모델이 코드 읽기, 파일 편집, 테스트 실행, 오류 관찰, 중간 실수 복구 등 개발자들이 실제로 수행하는 multi-step 작업에 대한 연습을 할 수 있게 한다.

수학적 추론 능력에 있어서 MAI-Thinking-1은 AIME 2025에서 97.0%, AIME 2026에서 94.5%를 달성하여 해당 weight class에서 강력한 수학 및 과학적 추론 능력을 보여준다. 이는 자체 데이터, 보상, 평가 프로세스를 통해 Hill-Climbing loop가 실제 추론 능력 향상을 이끌어낼 수 있음을 시사하며, 이러한 지능이 시간이 지남에 따라 다른 도메인으로 일반화될 수 있음을 확신한다.

인간 측면 비교 평가에서 MAI-Thinking-1은 Sonnet 4.6보다 선호되었다. Surge와의 협력을 통해 전문 평가자 풀을 사용하여 1,276개의 task에 걸쳐 모델이 task를 이해하는지, 지침을 따르는지, 적절한 수준의 세부 정보를 사용하는지, 명확하게 작성하는지, 사용자의 시간을 존중하는지 등을 측정했다. 이 평가는 single-turn 및 multi-turn 대화의 다양한 사용 사례를 포함하며, 각 응답이 얼마나 도움이 되고 사용자의 목표를 실제로 진전시키는지 측정하는 데 중점을 두었다. 이는 훈련 후(post-training)의 핵심 초점이었으며, 모델이 brittle하지 않으면서도 유능하고, 불완전하지 않으면서도 간결하며, 과도하지 않으면서도 유용하게 만드는 것을 목표로 한다.

MAI-Thinking-1은 기업 환경(enterprise readiness)을 염두에 두고 구축되었다. 이는 256k token window의 긴 context를 지원하며 (600페이지 문서에 해당), function calling 및 개발자 지침 추가의 유연성을 제공한다. 모델은 여러 계층의 지침을 따르도록 훈련되었으며, 기본 스타일은 기업 요구 사항에 맞춰 조정되었다. 또한 널리 사용되는 Chat Completions API와 호환된다. 모든 MAI 모델은 Microsoft Foundry를 통해 enterprise-grade 보안 및 규정 준수(compliance)를 제공한다.

Microsoft AI는 사람과 조직을 돕는 Humanist Superintelligence 구축을 목표로 한다. 모델은 인간의 자율성을 지지하고 도움이 되는 것을 목표로 인간 통제 하의 보조 기술(subordinate technologies)로 남아있어야 한다. 이는 모델이 안전과 규정 준수를 구실로 정당한 요청을 거부해서는 안 된다는 것을 의미한다. MAI-Thinking-1의 경우, 안전하지 않은 규정 준수(unsafe compliance)와 불필요한 거부(unnecessary refusal)를 결함으로 간주하는 보상 구성(reward construction)을 통해 이 균형을 달성하고자 했다. 안전은 역량과 동일한 reinforcement learning 인프라로 훈련되므로, 안전 보상(safety rewards)은 동일한 Hill-Climbing loop의 일부가 되어 안전이 항상 역량에 맞춰지고 우연적이지 않도록 한다. 결과적으로, 모델은 민감하고 안전하지 않은 요청에 대한 안전 기준을 보장하면서도 비민감성 콘텐츠에 대해서는 도움이 되는 균형을 이룬다.

MAI-Thinking-1은 현재 Microsoft Foundry에서 private preview로 제공되며, 곧 MAI Playground에서 public preview로 제공될 예정이다.