این بخش در تاریخ 15 اکتبر در یک پست فنی "یادداشت‌های آزمایشگاهی" اعلام کرد که هوش مصنوعی مایکروسافت پیش‌آموزش را روی MAI-Base-2، یک مدل پایه جدید ترکیبی از متخصصان با 80 میلیارد پارامتر فعال و 2.8 تریلیون پارامتر کل، تکمیل کرده است. این شرکت می‌گوید که این مدل از هر مدل وزن باز که در ارزیابی‌های نگه‌داشته‌شده آزمایش کرده بود، بهتر عمل می‌کند و 4 تا 12 برابر کارآمدتر FLOPهای قبل از آموزش نسبت به قوی‌ترین مدل پایه باز، DeepSeek-V4-Pro-Base است.
این اعلام روشن‌ترین سیگنالی است که نشان می‌دهد برنامه مدل داخلی مایکروسافت - که تحت مدیریت سازمان هوش مصنوعی مایکروسافت مصطفی سلیمان، مدیرعامل شرکت ساخته شده است - قصد دارد به جای اتکا به مشارکت OpenAI خود، در مرز رقابت کند. MAI-Base-2 اکنون در حال گذراندن دوره پس از آموزش است و به زودی نتایج بیشتری را وعده داده است. برای پوشش مداوم نسخه‌های جدید مدل، [اخبار مدل هوش مصنوعی] (https://aibuzzwire.news) ما را دنبال کنید.
مقیاس اجرا
مایکروسافت می گوید که MAI-Base-2 را بر روی 16000 پردازنده گرافیکی NVIDIA GB200 طی 38 روز در آگوست و سپتامبر 2026 آموزش داده است. این اجرا به طور متوسط 21% استفاده از مدل FLOPs (عادی شده در برابر حداکثر تئوری GB200 از 2.5 PFLOPS در BF16 و بهینه سازی مجدد در BF16، بهینه سازی مجدد FLOPs) را انجام داده است. 89٪ بازده - کسری از زمان آموزش بدون وقفه پیشرفت کرد. این اعداد یک اجرای منظم در مقیاس بزرگ را توصیف می کنند. ناوگان GPU قطع شده یا استفاده نادرست در این مقیاس معمول است و هر نقطه از عملکرد خوب به هفته ها صرفه جویی در زمان آموزش تبدیل می شود.
این مدل بزرگتر، پراکنده‌تر و بر روی داده‌های بیشتری نسبت به مدل قبلی خود، MAI-Base-1، که به عنوان پایه‌ای برای MAI-Thinking-1، مدل استدلال مایکروسافت در ژوئن منتشر شد، آموزش دیده است. مایکروسافت می گوید که عمداً صرفه جویی در بهره وری حاصل از دستورالعمل آموزشی MAI-Base-2 را برای آموزش یک مدل بزرگتر سرمایه گذاری کرده است.
چگونه مایکروسافت می گوید مقایسه می کند
این شرکت MAI-Base-2 را در مقایسه با نقاط بازرسی مرزی که قبل از اکتبر 2026 در دسترس بود، با استفاده از بیت در بایت روی متن نگه‌داشته‌شده - یک معیار توکنایزر-آگنوستیک - به همراه ارزیابی‌های کد نگه‌داشته‌شده از پایگاه کد خود مایکروسافت ارزیابی کرد. ارزیابی‌های STEM، ریاضی، و پرسش و پاسخ از فروشندگان خارجی برای کاهش خطر آلودگی مجموعه آموزشی سفارش داده شد و همه مجموعه‌های ارزیابی در برابر داده‌های آموزشی ضدعفونی شدند.
مجموعه مقایسه شامل DeepSeek-V4-Pro-Base بود که توسط مایکروسافت به عنوان تواناترین مدل پایه با وزنه های باز و تنها ایست بازرسی اولیه پایه منتشر شده بالای یک تریلیون پارامتر، به علاوه Kimi K3، Qwen3.8-2.4T-A95B و MiMo-V2.6-Pro-RL توصیف شد. مایکروسافت به هشداری اشاره می کند: برای آن سه، فقط نقاط بازرسی پس از آموزش در دسترس است و پس از آموزش ممکن است بر ارزیابی های قبل از آموزش تأثیر بگذارد. در ارزیابی‌های انجام‌شده، مایکروسافت گزارش می‌دهد که MAI-Base-2 نسبت به سایر مدل‌های آزمایش شده، بیت‌های کمتری در بایت به دست آورده است.
ادعای کارایی، رمزگشایی شده است
رقم بازده 4-12 برابری یک برد محک مستقیم نیست، بلکه یک تحلیل تطبیق محاسباتی است. برای هر ارزیابی انجام‌شده، مایکروسافت یک قانون مقیاس‌بندی بیت در بایت را در برابر FLOPهای آموزشی تطبیق داد و تخمین زد که دستور العمل خودش به چه مقدار محاسبه نیاز دارد تا با امتیاز DeepSeek-V4-Pro-Base مطابقت داشته باشد. محدوده منعکس کننده تفاوت بین چهار ارزیابی است. این ادعا، به زبان ساده: مایکروسافت می‌گوید که دستور العمل‌اش چندین برابر بیشتر از قوی‌ترین مدل پایه در دسترس در هر واحد آموزش، توانایی استخراج می‌کند – و این مازاد را در مقیاس صرف کرد.
مالکیت فول استک
فراتر از عملکرد خام، پست منطق استراتژیک را بیان می کند. مایکروسافت می‌گوید مالکیت خط لوله مدل خود به‌صورت سرتاسری به آن منشأ داده قوی نسبت به توکن‌های آموزشی می‌دهد و پیش‌آموزش بر داده‌های ارگانیک بدون تقطیر از مدل‌های دیگر متکی است. این شرکت استدلال می‌کند که این منشأ به آن اجازه می‌دهد وزن مدل‌ها را از طریق Foundry به عنوان یک منبع قابل اعتماد اطلاعات مرزی به شرکت‌ها مجوز دهد، در حالی که هماهنگی مدل‌ها و زیرساخت‌ها هزینه را ابتدا در محصولات خود مایکروسافت کاهش می‌دهد.
بخش فنی سه ابتکار را برای موفقیت اجرا در نظر می‌گیرد: علم مقیاس‌بندی، از جمله «نردبان‌های مقیاس‌بندی» که داده‌های تمرینی مکرر را از طریق تکنیکی به نام مقیاس‌گذاری منبع محاسبه می‌کنند، که نسبت داده‌های منحصربه‌فرد به پارامترها را در سراسر پله‌ها ثابت نگه می‌دارد. طراحی مشترک مدل-زیرساخت، از جمله بهبود یافته‌های MoE و بهینه‌ساز Muon در کنار برش گرادیان فعال‌سازی. و خطوط لوله داده را با ادغام داده های بینایی گسترش داد. مایکروسافت می‌گوید مقیاس منبع کلیدی برای مقیاس‌بندی قابل اعتماد به اندازه پارامتر 2.8 تریلیون بدون تعجب بیش از حد بود.
چه معنایی برای بازار دارد
اگر این ادعاها تحت بررسی مستقل باقی بماند، MAI-Base-2 مایکروسافت را به عنوان چهارمین سازنده مدل‌های مرزی غربی در کنار OpenAI، Anthropic و Google قرار می‌دهد – با پیش‌بینی متفاوتی که بر اساس منشأ داده‌ها و مجوزهای سازمانی به جای اشتراک ذهن ربات‌های چت مصرف‌کننده ساخته شده است. بازاری که در درجه اول اهمیت دارد، پایگاه مشتریان سازمانی Azure است، جایی که مشتریان ریخته گری می توانند به یک مدل کلاس مرزی دسترسی پیدا کنند که مایکروسافت تبار آموزشی آن را کاملاً کنترل می کند.
تأیید مستقل همچنان سؤال باز است. ارزیابی‌های مایکروسافت خود گزارش می‌شوند، اخطار پس از آموزش مدل‌های مقایسه با اهمیت است، و بیت‌های در بایت در متن نگه‌داشته‌شده مستقیماً به چت، کدنویسی و معیارهای عاملی که شرکت‌ها واقعاً با آن‌ها خرید می‌کنند، ترجمه نمی‌شود. مشتقات پس از آموزش MAI-Base-2 - جانشین MAI-Thinking-1 - آزمون واقعی خواهد بود. اما پیام اصلی اعلامیه مبهم است: شرط مایکروسافت برای آموزش مدل‌های مرزی در داخل، بر روی ناوگان سیلیکونی خود، دیگر آرزویی نیست. این یک مدل پایه تمام شده دارد و خط لوله پس از آموزش در حال حاضر در حال اجرا است.
---
از هوش مصنوعی جلوتر بمانیدآخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.
بیشتر بخوانید اخبار هوش مصنوعی →
