Microsoft AI hat das Vortraining für MAI-Base-2 abgeschlossen, ein neues Basismodell aus Expertenmischungen mit 80 Milliarden aktiven Parametern und 2,8 Billionen Gesamtparametern, gab die Abteilung am 15. Oktober in einem technischen „Lab Notes“-Beitrag bekannt. Das Unternehmen gibt an, dass das Modell jedes Open-Weight-Modell übertrifft, das es in ausstehenden Bewertungen getestet hat, und vor dem Training vier- bis zwölfmal effizienter bei FLOPs ist als das stärkste Open-Base-Modell, DeepSeek-V4-Pro-Base.

Die Ankündigung ist das bisher deutlichste Signal dafür, dass Microsofts internes Modellprogramm – das unter der Microsoft-KI-Organisation von CEO Mustafa Suleyman entwickelt wurde – beabsichtigt, an der Spitze zu konkurrieren, anstatt sich ausschließlich auf die OpenAI-Partnerschaft zu verlassen. MAI-Base-2 befindet sich derzeit im Nachtraining, weitere Ergebnisse werden in Kürze versprochen. Für eine fortlaufende Berichterstattung über neue Modellveröffentlichungen folgen Sie unseren KI-Modellneuigkeiten.

Das Ausmaß des Laufs

Microsoft gibt an, MAI-Base-2 über 38 Tage im August und September 2026 auf 16.000 NVIDIA GB200-GPUs trainiert zu haben. Der Lauf ergab eine durchschnittliche Auslastung der Modell-FLOPs von 21 % (normalisiert gegenüber dem theoretischen Maximum des GB200 von 2,5 PFLOPS in BF16, ohne Rematerialisierung und Optimierungs-FLOPs) und erreichte 89 % Goodput – den Bruchteil der Zeit, in der das Training ohne Unterbrechung verlief. Diese Zahlen beschreiben einen disziplinierten Großlauf; Unterbrochene oder schlecht ausgelastete GPU-Flotten sind in dieser Größenordnung die Norm, und jeder Punkt Goodput schlägt sich in wochenlang eingesparter Trainingszeit nieder.

Das Modell ist größer, spärlicher und basiert auf mehr Daten als sein Vorgänger MAI-Base-1, der als Grundlage für MAI-Thinking-1 diente, das im Juni veröffentlichte Argumentationsmodell von Microsoft. Microsoft gibt an, die Effizienzeinsparungen durch das Trainingsrezept von MAI-Base-2 bewusst in das Training eines größeren Modells reinvestiert zu haben.

So sagt Microsoft den Vergleich

Das Unternehmen bewertete MAI-Base-2 anhand von Grenzkontrollpunkten, die vor Oktober 2026 verfügbar waren, indem es Bits pro Byte für zurückgehaltenen Text – eine tokenizerunabhängige Metrik – zusammen mit Bewertungen von zurückgehaltenem Code aus der eigenen Codebasis von Microsoft verwendete. STEM-, Mathematik- und Frage-und-Antwort-Bewertungen wurden von externen Anbietern in Auftrag gegeben, um das Risiko einer Kontamination des Trainingssatzes zu verringern, und alle Bewertungssätze wurden anhand der Trainingsdaten dekontaminiert.

Das Vergleichsset umfasste DeepSeek-V4-Pro-Base, das von Microsoft als das leistungsfähigste Basismodell mit offenen Gewichten und dem einzigen veröffentlichten Basis-Pre-Training-Checkpoint mit mehr als einer Billion Parametern beschrieben wird, sowie Kimi K3, Qwen3.8-2.4T-A95B und MiMo-V2.6-Pro-RL. Microsoft weist auf einen Vorbehalt hin: Für diese drei sind nur Kontrollpunkte nach dem Training verfügbar, und das Nachtraining kann sich auf die Auswertungen vor dem Training auswirken. Microsoft berichtet, dass MAI-Base-2 in den zurückgehaltenen Bewertungen niedrigere Bits pro Byte erreichte als die anderen getesteten Modelle.

Der Effizienzanspruch, entschlüsselt

Die 4-12-fache Effizienzzahl ist kein direkter Benchmark-Sieg, sondern eine Compute-Matching-Analyse. Für jede ausgehaltene Bewertung hat Microsoft ein Skalierungsgesetz von Bits pro Byte an Trainings-FLOPs angepasst und abgeschätzt, wie viel Rechenleistung das eigene Rezept benötigen würde, um mit der Punktzahl von DeepSeek-V4-Pro-Base übereinzustimmen. Der Bereich spiegelt die Unterschiede zwischen den vier Bewertungen wider. Die Behauptung im Klartext: Microsoft gibt an, dass sein Rezept pro Trainingsrecheneinheit ein Vielfaches mehr Kapazität extrahiert als das stärkste offen verfügbare Basismodell – und diesen Überschuss hat das Unternehmen in großem Maßstab ausgegeben.

Den gesamten Stack besitzen

Über die bloße Leistung hinaus legt der Beitrag die strategischen Gründe dar. Microsoft gibt an, dass der durchgängige Besitz seiner Modellpipeline eine starke Datenherkunft gegenüber Trainingstokens gewährleistet und dass das Vortraining auf organischen Daten basiert, ohne dass diese aus anderen Modellen destilliert werden. Diese Herkunft, so argumentiert das Unternehmen, ermöglicht es ihm, Modellgewichte über Foundry als vertrauenswürdige Quelle für Frontier Intelligence an Unternehmen zu lizenzieren, während die gemeinsame Abstimmung von Modellen und Infrastruktur zunächst die Kosten für Microsofts eigene Produkte senkt.

Im technischen Teil werden drei Initiativen für den Erfolg des Laufs genannt: Skalierungswissenschaft, einschließlich „Skalierungsleitern“, die wiederholte Trainingsdaten über eine Technik namens Quellenskalierung berücksichtigen, die das Verhältnis von eindeutigen Daten zu Parametern über die Sprossen hinweg festhält; Co-Design von Modell und Infrastruktur, einschließlich verbesserter MoE- und Myon-Optimiererimplementierungen sowie Aktivierungsgradienten-Clipping; und erweiterte Datenpipelines durch die Integration von Vision-Daten. Laut Microsoft war die Quellskalierung der Schlüssel zur zuverlässigen Skalierung auf die 2,8-Billionen-Parameter-Größe ohne übermäßige Überraschungen.

Was es für den Markt bedeutet

Wenn die Behauptungen einer unabhängigen Prüfung standhalten, positioniert MAI-Base-2 Microsoft neben OpenAI, Anthropic und Google als vierten großen westlichen Grenzmodellentwickler – mit einem differenzierten Pitch, der auf Datenherkunft und Unternehmenslizenzierung statt auf Verbraucher-Chatbot-Mindshare basiert. Der Markt, der zuerst zählt, ist der Unternehmenskundenstamm von Azure, wo Foundry-Kunden Zugang zu einem Spitzenmodell erhalten könnten, dessen Schulungslinie Microsoft vollständig kontrolliert.

Die unabhängige Überprüfung bleibt die offene Frage. Bei den Bewertungen von Microsoft handelt es sich um Selbstberichte, der Vorbehalt der Vergleichsmodelle nach dem Training ist erheblich, und Bits pro Byte bei zurückgehaltenem Text lassen sich nicht direkt auf die Chat-, Codierungs- und Agenten-Benchmarks übertragen, mit denen Unternehmen tatsächlich arbeiten. Posttrainierte Derivate von MAI-Base-2 – den Nachfolgern von MAI-Thinking-1 – werden der eigentliche Test sein. Die zugrunde liegende Botschaft der Ankündigung ist jedoch eindeutig: Microsofts Wette, Frontier-Modelle intern auf der eigenen Siliziumflotte zu trainieren, ist nicht länger ehrgeizig. Es verfügt über ein fertiges Basismodell und die Post-Training-Pipeline läuft bereits.

---

Der KI einen Schritt voraus sein

Erhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Weitere KI-Neuigkeiten lesen →