Umělá inteligence společnosti Microsoft dokončila předškolní přípravu na MAI-Base-2, novém základním modelu směsi expertů s 80 miliardami aktivních parametrů a 2,8 bilionu celkových parametrů, oznámila divize 15. října v technickém příspěvku „Lab Notes“. Společnost říká, že tento model překonává všechny modely s otevřenou váhou, které testovala při dlouhodobých hodnoceních, a je 4 až 12krát účinnější předtréninkové FLOPy než nejsilnější model s otevřenou základnou, DeepSeek-V4-Pro-Base.
Oznámení je zatím nejjasnějším signálem, že interní modelový program Microsoftu – vytvořený pod organizací Microsoft AI generálního ředitele Mustafy Suleymana – má v úmyslu konkurovat na hranicích spíše než spoléhat pouze na své partnerství OpenAI. MAI-Base-2 nyní prochází po tréninku a brzy jsou přislíbeny další výsledky. Pro průběžné zpravodajství o nových verzích modelů sledujte naše zprávy o modelu AI.
Měřítko běhu
Microsoft říká, že trénoval MAI-Base-2 na 16 000 GPU NVIDIA GB200 po dobu 38 dní v srpnu a září 2026. Průběh průměrného využití modelu FLOPs 21 % (normalizováno proti teoretickému maximu GB200 2,5 PFLOPS v BF16, bez zahrnutí dobré reputační optimalizace 8 % – zlomek 8% reputerálního materiálu) trénink probíhal bez přerušení. Tato čísla popisují disciplinovaný běh ve velkém měřítku; přerušované nebo špatně využívané flotily GPU jsou v tomto měřítku normou a každý dobrý výkon se promítá do týdnů ušetřeného tréninkového času.
Model je větší, řidší a natrénovaný na více datech než jeho předchůdce MAI-Base-1, který sloužil jako základ pro MAI-Thinking-1, model uvažování společnosti Microsoft vydaný v červnu. Microsoft říká, že záměrně reinvestoval úspory efektivity z tréninkového receptu MAI-Base-2 do tréninku většího modelu.
Jak to Microsoft říká srovnává
Společnost vyhodnotila MAI-Base-2 oproti hraničním kontrolním bodům dostupným před říjnem 2026 pomocí bitů na bajt na pozdrženém textu – metrika agnostická pro tokenizer – spolu s vyhodnocením zdržených kódů čerpaných z vlastní kódové základny společnosti Microsoft. Hodnocení STEM, matematiky a otázek a odpovědí bylo zadáno od externích dodavatelů, aby se snížilo riziko kontaminace tréninkových sad, a všechny hodnotící sady byly dekontaminovány podle tréninkových dat.
Srovnávací sada zahrnovala DeepSeek-V4-Pro-Base, popsaný Microsoftem jako nejschopnější základní model s otevřenými váhami a jediným uvolněným základním předtréninkovým kontrolním bodem nad jeden bilion parametrů, plus Kimi K3, Qwen3.8-2.4T-A95B a MiMo-V2.6-Pro-RL. Microsoft upozorňuje na upozornění: pro tyto tři jsou k dispozici pouze kontrolní body po školení a následné školení může ovlivnit hodnocení před školením. V rámci zdržených hodnocení Microsoft uvádí, že MAI-Base-2 dosáhl nižších bitů na bajt než ostatní testované modely.
Tvrzení o účinnosti, dekódováno
Údaj o účinnosti 4-12x není přímou výhrou benchmarku, ale analýzou porovnávání výpočtů. Pro každé zdržené hodnocení Microsoft přizpůsobil zákon škálování bitů na bajt proti tréninkovým FLOPům a odhadl, kolik výpočtů by potřeboval jeho vlastní recept, aby odpovídal skóre DeepSeek-V4-Pro-Base. Rozsah odráží rozdíly mezi čtyřmi hodnoceními. Tvrzení, v prostém slova smyslu: Microsoft říká, že jeho recept extrahuje několikanásobně více schopností na jednotku tréninkového výpočtu než nejsilnější otevřeně dostupný základní model – a tento přebytek utratil v měřítku.
Vlastnictví celé sady
Kromě hrubého výkonu příspěvek uvádí strategické zdůvodnění. Microsoft říká, že vlastnictví jeho modelového potrubí end-to-end mu poskytuje silnou datovou provenienci oproti školicím tokenům a že předtrénování se spoléhá na organická data bez destilace z jiných modelů. Společnost tvrdí, že tato provenience umožní podnikům licencovat váhy modelů prostřednictvím Foundry jako důvěryhodného zdroje hraniční inteligence, zatímco společné ladění modelů a infrastruktury snižuje náklady především u vlastních produktů společnosti Microsoft.
Technická sekce připisuje zásluhy za úspěch běhu třem iniciativám: vědě o škálování, včetně „žebříků škálování“, které zohledňují opakovaná trénovací data pomocí techniky zvané zdrojové škálování, která udržuje poměr jedinečných dat k parametrům na příčkách pevně daný; společný návrh modelu a infrastruktury, včetně vylepšených implementací optimalizátoru MoE a Muon spolu s ořezáváním gradientu aktivace; a rozšířené datové kanály s integrací dat vidění. Microsoft říká, že škálování zdroje bylo klíčem ke spolehlivému škálování na velikost 2,8 bilionu parametrů bez přehnaných překvapení.
Co to znamená pro trh
Pokud tvrzení obstojí pod nezávislou kontrolou, MAI-Base-2 staví Microsoft jako čtvrtého hlavního tvůrce západního hraničního modelu vedle OpenAI, Anthropic a Google – s odlišnou prezentací postavenou na původu dat a podnikovém licencování spíše než spotřebitelském chatbotu. Trh, na kterém záleží jako první, je podniková zákaznická základna Azure, kde by zákazníci Foundry mohli získat přístup k modelu hraniční třídy, jehož školicí linie Microsoft plně kontroluje.
Otevřenou otázkou zůstává nezávislé ověření. Hodnocení společnosti Microsoft se hlásí sami, výhrada srovnávacích modelů po školení je podstatná a bity na bajt v pozdrženém textu se přímo nepřekládají do chat, kódování a srovnávacích testů agentů, se kterými podniky skutečně nakupují. Dodatečně vyškolené deriváty MAI-Base-2 — nástupci MAI-Thinking-1 — budou skutečným testem. Ale základní poselství oznámení je jednoznačné: sázka Microsoftu na interní školení hraničních modelů na vlastní křemíkové flotile již není aspirací. Má hotový základní model a potrubí po školení již běží.
---
Stay Ahead of AIZískejte nejnovější zprávy, analýzy a průlomové informace o umělé inteligenci – vše na jednom místě.
Přečtěte si další zprávy o AI →
