أكملت شركة Microsoft AI التدريب المسبق على MAI-Base-2، وهو نموذج أساسي جديد من مزيج من الخبراء يضم 80 مليار معلمة نشطة و2.8 تريليون معلمة إجمالية، حسبما أعلن القسم في 15 أكتوبر في منشور "ملاحظات المختبر" الفني. تقول الشركة إن النموذج يتفوق في الأداء على كل نموذج مفتوح الوزن اختبرته في التقييمات المعلقة، وهو أكثر كفاءة بما يتراوح بين 4 إلى 12 مرة من FLOPs قبل التدريب من أقوى نموذج قاعدة مفتوحة، DeepSeek-V4-Pro-Base.

يعد هذا الإعلان أوضح إشارة حتى الآن إلى أن برنامج Microsoft النموذجي الداخلي - الذي تم إنشاؤه تحت إشراف منظمة Microsoft AI التابعة للرئيس التنفيذي مصطفى سليمان - ينوي التنافس على الحدود بدلاً من الاعتماد فقط على شراكة OpenAI. يخضع MAI-Base-2 الآن لمرحلة ما بعد التدريب، مع الوعد بمزيد من النتائج قريبًا. للحصول على تغطية مستمرة لإصدارات النماذج الجديدة، تابع [أخبار نماذج الذكاء الاصطناعي] (https://aibuzzwire.news).

مقياس الجري

تقول Microsoft إنها دربت MAI-Base-2 على 16000 وحدة معالجة رسوميات NVIDIA GB200 على مدار 38 يومًا في أغسطس وسبتمبر 2026. بلغ متوسط التشغيل 21% من استخدام نموذج FLOPs (تم تطبيعه مقابل الحد الأقصى النظري لـ GB200 وهو 2.5 PFLOPS في BF16، باستثناء إعادة تجسيد وFLOPs المحسّن) وحقق 89% من الإنتاجية الجيدة - جزء من الوقت الذي يتقدم فيه التدريب بدون انقطاع. تصف هذه الأرقام سباقًا منضبطًا واسع النطاق؛ تعد أساطيل وحدات معالجة الرسومات المتقطعة أو سيئة الاستخدام هي القاعدة على هذا النطاق، وكل نقطة من الإنتاجية الجيدة تُترجم إلى أسابيع من وقت التدريب المحفوظ.

النموذج أكبر حجمًا، ومتناثرًا، ومُدرَّب على بيانات أكثر من سابقه، MAI-Base-1، الذي كان بمثابة الأساس لـ MAI-Thinking-1، وهو نموذج الاستدلال الذي أصدرته Microsoft في يونيو. تقول Microsoft إنها أعادت استثمار وفورات الكفاءة من وصفة تدريب MAI-Base-2 عمدًا في تدريب نموذج أكبر.

كيف تقول مايكروسوفت أنها تقارن

قامت الشركة بتقييم MAI-Base-2 مقابل نقاط التفتيش الحدودية المتاحة قبل أكتوبر 2026 باستخدام وحدات البت لكل بايت على النص المحتجز - وهو مقياس لا يعتمد على الرمز المميز - إلى جانب تقييمات التعليمات البرمجية المحتجزة المستمدة من قاعدة التعليمات البرمجية الخاصة بشركة Microsoft. تم إجراء تقييمات العلوم والتكنولوجيا والهندسة والرياضيات والأسئلة والأجوبة من موردين خارجيين لتقليل مخاطر تلوث مجموعة التدريب، وتمت إزالة التلوث من جميع مجموعات التقييم مقابل بيانات التدريب.

تضمنت مجموعة المقارنة DeepSeek-V4-Pro-Base، الذي وصفته Microsoft بأنه النموذج الأساسي الأكثر قدرة مع الأوزان المفتوحة ونقطة التفتيش الأساسية الوحيدة التي تم إصدارها قبل التدريب فوق تريليون معلمة، بالإضافة إلى Kimi K3 وQwen3.8-2.4T-A95B وMiMo-V2.6-Pro-RL. تلاحظ Microsoft تحذيرًا: بالنسبة إلى هؤلاء الثلاثة، لا تتوفر سوى نقاط التفتيش بعد التدريب، وقد يؤثر ما بعد التدريب على تقييمات ما قبل التدريب. من خلال التقييمات التي تم إجراؤها، أفادت Microsoft أن MAI-Base-2 حقق عددًا أقل من البتات لكل بايت مقارنة بالنماذج الأخرى التي تم اختبارها.

المطالبة بالكفاءة، تم فك شفرتها

إن رقم الكفاءة 4-12x ليس فوزًا معياريًا مباشرًا ولكنه تحليل مطابقة للحوسبة. بالنسبة لكل تقييم تم تعليقه، قامت Microsoft بتركيب قانون قياس للبتات لكل بايت مقابل تدريب FLOPs وقدرت مقدار الحوسبة التي ستحتاجها الوصفة الخاصة بها لمطابقة نتيجة DeepSeek-V4-Pro-Base. يعكس النطاق الاختلافات عبر التقييمات الأربعة. الادعاء بعبارات واضحة: تقول Microsoft إن وصفتها تستخرج قدرة لكل وحدة حوسبة تدريبية أكبر بعدة مرات من أقوى نموذج أساسي متاح بشكل مفتوح - وقد أنفقت هذا الفائض على نطاق واسع.

امتلاك المكدس الكامل

وبعيدًا عن الأداء الأولي، يحدد هذا المنشور الأساس المنطقي الاستراتيجي. تقول Microsoft إن امتلاك خط الأنابيب النموذجي الخاص بها من البداية إلى النهاية يمنحها مصدرًا قويًا للبيانات عبر رموز التدريب، وأن التدريب المسبق يعتمد على البيانات العضوية دون التقطير من النماذج الأخرى. وتقول الشركة إن هذا المصدر سيسمح لها بترخيص أوزان النماذج للمؤسسات من خلال Foundry كمصدر موثوق للاستخبارات الحدودية، في حين أن ضبط النماذج والبنية التحتية المشتركة يخفض التكلفة أولاً في منتجات Microsoft الخاصة.

ينسب القسم الفني الفضل إلى ثلاث مبادرات لنجاح التشغيل: علم القياس، بما في ذلك "سلالم القياس" التي تمثل بيانات التدريب المتكررة عبر تقنية تسمى قياس المصدر، والتي تحافظ على نسبة البيانات الفريدة إلى المعلمات الثابتة عبر الدرجات؛ التصميم المشترك للبنية التحتية للنموذج، بما في ذلك تطبيقات تحسين MoE وMuon جنبًا إلى جنب مع قص التدرج التنشيطي؛ وتوسيع خطوط أنابيب البيانات مع تكامل بيانات الرؤية. تقول Microsoft إن تحجيم المصدر كان أمرًا أساسيًا للتوسع بشكل موثوق إلى حجم المعلمة البالغ 2.8 تريليون دون مفاجآت زائدة.

ماذا يعني بالنسبة للسوق

إذا صمدت المطالبات تحت التدقيق المستقل، فإن MAI-Base-2 يضع مايكروسوفت في المرتبة الرابعة منشئ النماذج الحدودية الغربية الكبرى إلى جانب OpenAI وAnthropic وGoogle - مع عرض تقديمي مختلف مبني على مصدر البيانات وترخيص المؤسسات بدلاً من المشاركة الذهنية لروبوتات الدردشة الاستهلاكية. السوق الذي يهم أولاً هو قاعدة عملاء Azure المؤسسية، حيث يمكن لعملاء Foundry الوصول إلى نموذج من الدرجة الحدودية الذي تتحكم Microsoft بشكل كامل في خط تدريبه.

ويظل التحقق المستقل هو السؤال المفتوح. يتم الإبلاغ عن تقييمات Microsoft ذاتيًا، ويعتبر التحذير بعد التدريب على نماذج المقارنة جوهريًا، ولا تتم ترجمة البتات لكل بايت في النص المحفوظ مباشرة إلى الدردشة والترميز والمعايير المعيارية التي تتسوق بها المؤسسات فعليًا. وستكون مشتقات MAI-Base-2، التي خلفت MAI-Thinking-1، بعد التدريب عليها، هي الاختبار الحقيقي. لكن الرسالة الأساسية للإعلان لا لبس فيها: إن رهان مايكروسوفت على تدريب النماذج الرائدة داخل الشركة، على أسطول السيليكون الخاص بها، لم يعد طموحا. إنه يحتوي على نموذج أساسي نهائي، وخط أنابيب ما بعد التدريب قيد التشغيل بالفعل.

---

ابقَ في طليعة الذكاء الاصطناعي

احصل على آخر الأخبار والتحليلات والإنجازات في مجال الذكاء الاصطناعي — كل ذلك في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →