Microsoft AI wis rampung pra-training ing MAI-Base-2, anyar campuran-of-experts pondasi model karo 80 milyar paramèter aktif lan 2,8 triliun paramèter total, divisi announced 15 Oktober ing technical "Cathetan Lab" post. Perusahaan kasebut ujar manawa model kasebut ngluwihi saben model bobot mbukak sing diuji ing evaluasi sing dianakake lan 4 nganti 12 kaping luwih efisien FLOPs sadurunge latihan tinimbang model basa terbuka sing paling kuat, DeepSeek-V4-Pro-Base.
Pengumuman kasebut minangka sinyal sing paling jelas yen program model in-house Microsoft - dibangun ing CEO Mustafa Suleyman Microsoft AI organisasi - arep saingan ing wates tinimbang mung ngandelake kemitraan OpenAI. MAI-Base-2 saiki ngalami latihan pasca, kanthi luwih akeh asil sing dijanjekake. Kanggo liputan sing terus-terusan babagan rilis model anyar, tututi [kabar model AI] (https://aibuzzwire.news).
Skala Lari
Microsoft ngandika iku dilatih MAI-Base-2 ing 16.000 NVIDIA GB200 GPUs liwat 38 dina ing Agustus lan September 2026. Lari rata-rata 21% model FLOPs pemanfaatan (dinormalisasi marang GB200 kang maksimum teori 2,5 PFLOPS ing BF16 - ora kalebu rematerialization lan 9% Optimization FLOPs) latihan wektu maju tanpa gangguan. Angka-angka kasebut njlèntrèhaké lari skala gedhé sing disiplin; armada GPU diselani utawa kurang digunakke iku pakewuh ing ukuran iki, lan saben titik goodput nerjemahake menyang minggu wektu latihan disimpen.
Model luwih gedhe, sparser, lan dilatih ing data luwih saka sawijining leluhur, MAI-Base-1, kang dadi dhasar kanggo MAI-Thinking-1, model pertimbangan Microsoft dirilis ing Juni. Microsoft ngandika iku sengaja reinvested tabungan efficiency saka resep latihan MAI-Base-2 kanggo latihan model luwih gedhe.
Kepiye Microsoft Says Iki Dibandhingake
Perusahaan ngevaluasi MAI-Base-2 nglawan checkpoints perbatasan sing kasedhiya sadurunge Oktober 2026 nggunakake bit-per-byte ing teks sing ditahan - metrik tokenizer-agnostik - bebarengan karo evaluasi kode sing ditahan saka basis kode Microsoft dhewe. Evaluasi STEM, math, lan Q&A ditugasake saka vendor eksternal kanggo nyuda risiko kontaminasi set latihan, lan kabeh set evaluasi didekontaminasi marang data latihan.
Set perbandingan kasebut kalebu DeepSeek-V4-Pro-Base, sing diterangake dening Microsoft minangka model dhasar sing paling mumpuni kanthi bobot mbukak lan siji-sijine titik pamriksan pra-latihan dhasar sing dirilis ing ndhuwur siji triliun paramèter, ditambah Kimi K3, Qwen3.8-2.4T-A95B, lan MiMo-V2.6-Pro-RL. Microsoft nyathet caveat: kanggo telu kasebut, mung pos mriksa pasca latihan sing kasedhiya, lan pasca latihan bisa mengaruhi evaluasi pra-latihan. Sajrone evaluasi sing ditindakake, Microsoft nglaporake MAI-Base-2 entuk bit-per-bait sing luwih murah tinimbang model liyane sing diuji.
Klaim Efisiensi, Dekode
Angka efisiensi 4-12x dudu kamenangan pathokan langsung nanging analisis sing cocog karo komputasi. Kanggo saben evaluasi sing dianakake, Microsoft nyetel hukum skala bit-per-byte marang latihan FLOP lan ngira-ngira jumlah resepe dhewe sing kudu cocog karo skor DeepSeek-V4-Pro-Base. Rentang kasebut nuduhake beda antarane papat evaluasi. Pratelan kasebut, kanthi gampang: Microsoft ujar manawa resep kasebut ngekstrak kaping pirang-pirang kemampuan saben unit komputasi latihan tinimbang model basis sing paling kuat sing kasedhiya - lan mbuwang keluwihan kasebut ing skala.
Nduwe Full Stack
Ngluwihi kinerja mentah, kiriman kasebut nyedhiyakake alasan strategis. Microsoft ujar manawa nduweni model pipa end-to-end menehi bukti data sing kuat babagan token latihan, lan pra-latihan gumantung ing data organik tanpa distilasi saka model liyane. Bukti kasebut, ujare perusahaan, bakal menehi lisensi bobot model kanggo perusahaan liwat Foundry minangka sumber intelijen perbatasan sing dipercaya, dene model lan prasarana co-tuning luwih murah ing produk Microsoft dhewe.
Ing bagean technical kridit telung inisiatif kanggo sukses roto kang: ilmu njongko, kalebu "scaling ladders" sing akun kanggo bola-bali data latihan liwat technique disebut sumber njongko, kang tansah rasio data unik kanggo paramèter tetep tengen rungs; model-infrastruktur co-desain, kalebu apik MoE lan Muon optimizer implementasine kajawi aktivasi gradient clipping; lan pipa data sing ditambahi kanthi integrasi data visi. Microsoft ujar manawa skala sumber minangka kunci kanggo nggawe skala kanthi andal nganti ukuran parameter 2.8 triliun tanpa kejutan overfitting.
Apa Tegese kanggo Pasar
Yen pratelan kasebut terus diteliti kanthi mandiri, MAI-Base-2 posisi Microsoft minangka pembangun model perbatasan Barat sing nomer papat bebarengan karo OpenAI, Anthropic, lan Google - kanthi pitch dibedakake sing dibangun ing basis data lan lisensi perusahaan tinimbang mindshare chatbot konsumen. Pasar sing paling penting yaiku basis pelanggan perusahaan Azure, ing ngendi pelanggan Foundry bisa entuk akses menyang model kelas perbatasan sing garis keturunan pelatihan Microsoft dikontrol.
Verifikasi independen tetep dadi pitakonan sing mbukak. Evaluasi Microsoft dilapurake dhewe, caveat pasca-latihan model perbandingan minangka materi, lan bit-per-byte ing teks sing ditahan ora langsung nerjemahake menyang obrolan, kode, lan tolok ukur agen sing bener-bener dituku. Turunan pasca-dilatih saka MAI-Base-2 - penerus MAI-Thinking-1 - bakal dadi tes nyata. Nanging pesen sing ndasari saka woro-woro kasebut ora jelas: taruhan Microsoft kanggo latihan model perbatasan ing omah, ing armada silikon dhewe, ora dadi aspirasi maneh. Nduwe model dhasar sing wis rampung, lan pipa pasca latihan wis mlaku.
---
Tetep Ahead of AIEntuk warta, analisis, lan terobosan AI paling anyar - kabeh ing sak panggonan.
Waca liyane AI warta →
