微软一口气发7个自研AI模型!OpenClaw用户这样切换模型,效率直接翻倍

你有没有想过一个问题：为什么微软要一口气发布7个自研AI模型？

不是1个，不是2个，是7个。推理、代码、图像、语音……几乎把AI的每个赛道都占了一遍。

6月3日，微软Build 2026开发者大会上，这波操作直接把整个AI圈炸了。有人说微软要”去OpenAI化”，有人说AI工具格局要大洗牌。

但作为一个OpenClaw用户，你更关心的可能是：这些模型我能用吗？我该怎么选模型？不同的任务用什么模型最合适？

今天这篇文章，不光帮你搞清楚微软这次到底发了什么，更教你怎么在OpenClaw里玩转多模型切换，让你的AI助手效率直接翻倍。

● ● ●

一、微软为什么要自研7个模型？

先说结论：微软不想再当OpenAI的”经销商”了。

过去几年，微软在AI领域基本就是OpenAI的”独家代理商”——Azure云上跑的是OpenAI的模型，Copilot用的是GPT，GitHub Copilot也是GPT驱动的。

这种模式在早期没问题，OpenAI有技术，微软有渠道，各取所需。但随着AI成为微软最核心的战略方向，把命脉握在别人手里，显然不是长久之计。

这次发布的7个MAI模型，就是微软”自立门户”的宣言。

更值得注意的是，微软AI首席执行官穆斯塔法·苏莱曼在会上说了一句话：

“我们的终极目标是人本超级智能（Humanist Superintelligence），AI系统旨在服务于人类，而非取代它们。”

翻译成大白话就是：我们要做自己的AI，按自己的节奏来。

● ● ●

二、7个MAI模型到底是什么？

别被”7个模型”吓到，其实很好理解。微软把AI的能力拆成了7个模块，每个模块一个专精模型：

重点来了： 微软强调，MAI-Thinking-1在训练过程中没有使用任何第三方模型的蒸馏技术。这句话的潜台词是——”我们是真的自研，不是套壳。”

而且，微软还搞了个”前沿微调”（Frontier Tuning）技术，让企业可以用自己的数据来训练这些模型。官方数据是：经过微调的MAI模型处理Excel任务时，效率最高可达GPT-5.4的10倍，成本只有十分之一。

这意味着什么？企业级AI应用的成本要大幅下降了。

● ● ●

三、对普通AI用户有什么影响？

你可能会说：”微软自研模型跟我有什么关系？我又不用Azure。”

关系大了。三个核心影响：

1. 模型选择变多了

以前你用AI工具，基本就是GPT、Claude、Gemini三选一。现在微软一下子加入7个选手，而且每个都是专精某个领域。选择多了，竞争就激烈，价格就会降。

2. “一个模型打天下”的时代结束了

微软这次的思路很明确：不同任务用不同模型。 写代码用Code模型，画图用Image模型，推理用Thinking模型。这比”用GPT做所有事情”要高效得多。

3. AI工具生态要洗牌

微软的MAI模型会通过Azure Foundry、Hugging Face、GitHub等平台开放。也就是说，第三方AI工具很快就能接入这些模型。 OpenClaw这样的平台，也会陆续支持更多模型选择。

● ● ●

四、OpenClaw多模型切换实操教程

说到重点了。作为OpenClaw用户，你怎么利用多模型切换来提升效率？

方法一：用 /model 命令快速切换

最简单的方式，直接在聊天中输入：

/model deepseek/deepseek-r1

切换到DeepSeek的推理模型。想换回来？

/model xiaomi/mimo-v2.5-pro

适用场景： 临时需要某个模型处理特定任务。

方法二：用 session_status 查看当前模型

不确定当前用的是什么模型？执行：

📊 session_status

会显示当前session使用的模型、token用量、费用等信息。

方法三：用 openclaw models 管理模型配置

查看所有可用模型：

openclaw models list

查看模型状态（是否可用、认证是否正常）：

openclaw models status

方法四：通过 Gateway 配置默认模型

如果你想永久切换默认模型，可以通过Gateway配置：

openclaw gateway config.schema.lookup path=model

查看模型配置的schema，然后用 config.patch 修改默认模型。

● ● ●

五、不同场景的模型推荐表

这是阿成实测总结的模型选择指南，直接抄作业就行：

阿成的使用心得：

我的日常工作流是这样的——选题分析用DeepSeek-R1（推理强），写稿用MiMo（中文表达好），代码调试用DeepSeek-Coder（编程专精）。一个任务可能切换2-3次模型，但效率提升非常明显。

关键原则：没有”最强”的模型，只有”最合适”的模型。

● ● ●

六、未来趋势：模型专精化是大方向

微软这次发布7个专精模型，其实代表了AI行业的一个大趋势：从”通用大模型”到”专精小模型”。

过去两年，大家都在追求”更大的模型”——GPT-4有万亿参数，Claude能处理10万token。但现在大家发现，一个100亿参数的专精模型，在特定任务上可能比万亿参数的通用模型更好用。

为什么？

1. 01成本更低：小模型推理成本是大模型的1/10甚至1/100
3. 02速度更快：响应时间从秒级降到毫秒级
5. 03精度更高：专注一个领域，表现反而更好

微软的MAI-Code-1-Flash只有50亿参数，但微软说它在代码生成上能和GitHub Copilot打平手。这就是专精化的威力。

对OpenClaw用户来说，这意味着：

• 未来会有更多专精模型可选
• 不同任务切换不同模型会成为常态
• 模型选择能力将成为AI工具使用者的核心竞争力

● ● ●

七、3个实操建议，现在就能用

建议1：建一个”模型切换清单”

把你的常见任务列出来，每个任务标注最适合的模型。以后遇到对应任务，直接切换，不用纠结。

建议2：善用”轻量模型”处理简单任务

不是所有任务都需要最强模型。日常问答、简单翻译、快速摘要，用轻量模型就够了，能省不少token费用。

建议3：关注OpenClaw的模型更新

OpenClaw会持续接入新模型。定期执行 openclaw models status 检查新模型是否可用，第一时间用上新能力。

# 检查模型状态
openclaw models status

# 更新OpenClaw到最新版本
openclaw update

● ● ●

写在最后

微软一口气发7个自研AI模型，表面上是技术发布，实际上是AI行业从”一超多强”走向”百花齐放”的信号。

对普通用户来说，这是好事。模型多了，选择多了，价格降了，体验好了。

但同时也意味着，你需要学会”选模型”这个新技能。 就像你不会用菜刀去拧螺丝一样，不同的AI任务也需要不同的模型来处理。

OpenClaw的多模型切换功能，就是为了帮你应对这个变化。一个命令切换模型，一个助手搞定所有任务。

这才是AI工具真正的进化方向——不是更大的模型，而是更聪明的选择。

💡 相关资源
– OpenClaw模型管理：openclaw models list
– 切换模型：/model <模型名>
– 查看当前模型：📊 session_status
– 有问题欢迎在评论区交流，阿成会一一回复
– 关注「灵犀眼阿成」，获取更多AI工具实战技巧