Microsoft AI telah menyelesaikan pra-pelatihan tentang MAI-Base-2, model dasar campuran ahli baru dengan 80 miliar parameter aktif dan total 2,8 triliun parameter, divisi tersebut mengumumkan pada tanggal 15 Oktober dalam postingan teknis "Catatan Lab". Perusahaan tersebut mengatakan bahwa model tersebut mengungguli setiap model bobot terbuka yang diuji pada evaluasi yang diadakan dan 4 hingga 12 kali lebih efisien dalam FLOP pra-pelatihan dibandingkan model basis terbuka terkuat, DeepSeek-V4-Pro-Base.
Pengumuman ini merupakan sinyal paling jelas bahwa program model internal Microsoft – yang dibangun di bawah organisasi Microsoft AI milik CEO Mustafa Suleyman – bermaksud untuk bersaing di garis terdepan dibandingkan hanya mengandalkan kemitraan OpenAI saja. MAI-Base-2 kini menjalani pasca-pelatihan, dan hasil lebih lanjut dijanjikan segera. Untuk liputan berkelanjutan mengenai rilis model baru, ikuti berita model AI.
Skala Pelarian
Microsoft mengatakan pihaknya melatih MAI-Base-2 pada 16.000 GPU NVIDIA GB200 selama 38 hari pada bulan Agustus dan September 2026. Proses tersebut rata-rata menggunakan 21% pemanfaatan FLOP model (dinormalisasi terhadap maksimum teoretis GB200 sebesar 2,5 PFLOPS di BF16, tidak termasuk rematerialisasi dan pengoptimal FLOP) dan mencapai hasil baik 89% — hanya sepersekian waktu pelatihan yang berlangsung tanpa gangguan. Angka-angka tersebut menggambarkan kedisiplinan dalam menjalankan skala besar; armada GPU yang terganggu atau kurang dimanfaatkan adalah hal yang biasa pada skala ini, dan setiap titik hasil yang baik berarti penghematan waktu pelatihan selama berminggu-minggu.
Model ini lebih besar, lebih jarang, dan dilatih pada lebih banyak data dibandingkan pendahulunya, MAI-Base-1, yang menjadi dasar MAI-Thinking-1, model penalaran Microsoft yang dirilis pada bulan Juni. Microsoft mengatakan pihaknya sengaja menginvestasikan kembali penghematan efisiensi dari resep pelatihan MAI-Base-2 ke dalam pelatihan model yang lebih besar.
Bagaimana Microsoft Mengatakannya Dibandingkan
Perusahaan mengevaluasi MAI-Base-2 terhadap pos pemeriksaan perbatasan yang tersedia sebelum Oktober 2026 menggunakan bit per byte pada teks yang disimpan — metrik tokenizer-agnostik — bersama dengan evaluasi kode yang disimpan yang diambil dari basis kode Microsoft sendiri. Evaluasi STEM, matematika, dan Tanya Jawab dilakukan dari vendor eksternal untuk mengurangi risiko kontaminasi set pelatihan, dan semua set evaluasi didekontaminasi terhadap data pelatihan.
Rangkaian perbandingan mencakup DeepSeek-V4-Pro-Base, yang dijelaskan oleh Microsoft sebagai model dasar paling mumpuni dengan bobot terbuka dan satu-satunya pos pemeriksaan pra-pelatihan dasar yang dirilis di atas satu triliun parameter, ditambah Kimi K3, Qwen3.8-2.4T-A95B, dan MiMo-V2.6-Pro-RL. Microsoft mencatat peringatan: untuk ketiga hal tersebut, hanya pos pemeriksaan pasca-pelatihan yang tersedia, dan pasca-pelatihan dapat memengaruhi evaluasi pra-pelatihan. Sepanjang evaluasi yang diadakan, Microsoft melaporkan MAI-Base-2 mencapai bit per byte yang lebih rendah dibandingkan model lain yang diuji.
Klaim Efisiensi, Diterjemahkan
Angka efisiensi 4-12x bukanlah hasil benchmark langsung, melainkan analisis pencocokan komputasi. Untuk setiap evaluasi yang dilakukan, Microsoft menerapkan hukum penskalaan bit per byte terhadap pelatihan FLOP dan memperkirakan berapa banyak komputasi yang dibutuhkan resepnya agar sesuai dengan skor DeepSeek-V4-Pro-Base. Kisaran tersebut mencerminkan perbedaan di keempat evaluasi. Klaimnya, secara sederhana: Microsoft mengatakan resepnya mengekstrak kemampuan beberapa kali lebih banyak per unit komputasi pelatihan dibandingkan model dasar terkuat yang tersedia secara terbuka — dan Microsoft menghabiskan surplus tersebut dalam skala besar.
Memiliki Full Stack
Selain kinerja mentah, postingan tersebut juga memaparkan alasan strategisnya. Microsoft mengatakan bahwa memiliki saluran model end-to-end memberikannya sumber data yang kuat dibandingkan token pelatihan, dan pra-pelatihan bergantung pada data organik tanpa penyulingan dari model lain. Asal usul tersebut, menurut perusahaan, akan memungkinkan mereka melisensikan bobot model kepada perusahaan melalui Foundry sebagai sumber intelijen terdepan yang tepercaya, sementara penyesuaian model dan infrastruktur akan menurunkan biaya terlebih dahulu pada produk Microsoft sendiri.
Bagian teknis menghargai tiga inisiatif atas keberhasilan proses ini: ilmu penskalaan, termasuk "tangga penskalaan" yang memperhitungkan data pelatihan berulang melalui teknik yang disebut penskalaan sumber, yang menjaga rasio data unik terhadap parameter tetap di seluruh anak tangga; desain bersama model-infrastruktur, termasuk peningkatan penerapan MoE dan pengoptimal Muon serta pemotongan gradien aktivasi; dan memperluas saluran data dengan integrasi data vision. Microsoft mengatakan penskalaan sumber adalah kunci untuk menskalakan secara andal ke ukuran 2,8 triliun parameter tanpa kejutan yang berlebihan.
Apa Artinya Bagi Pasar
Jika klaim tersebut tetap berada di bawah pengawasan independen, MAI-Base-2 memposisikan Microsoft sebagai pembuat model perbatasan Barat terbesar keempat bersama OpenAI, Anthropic, dan Google — dengan pendekatan berbeda yang dibangun berdasarkan asal data dan lisensi perusahaan, bukan berdasarkan mindshare chatbot konsumen. Pasar yang paling penting adalah basis pelanggan perusahaan Azure, tempat pelanggan Foundry dapat memperoleh akses ke model kelas terdepan yang garis pelatihannya dikontrol sepenuhnya oleh Microsoft.
Verifikasi independen masih menjadi pertanyaan terbuka. Evaluasi Microsoft dilaporkan sendiri, peringatan pasca-pelatihan model perbandingan bersifat material, dan bit per byte pada teks yang disimpan tidak secara langsung diterjemahkan ke dalam obrolan, pengkodean, dan tolok ukur agen yang digunakan perusahaan untuk berbelanja. Turunan MAI-Base-2 pasca-pelatihan — penerus MAI-Thinking-1 — akan menjadi ujian sesungguhnya. Namun pesan mendasar dari pengumuman ini tidak ambigu: komitmen Microsoft untuk melatih model frontier secara internal, dengan armada silikonnya sendiri, tidak lagi aspiratif. Ini memiliki model dasar yang telah selesai, dan alur pasca-pelatihan sudah berjalan.
---
Tetap Terdepan dalam AIDapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.
Baca berita AI selengkapnya →
