Microsoft AI ने MAI-Base-2 वर पूर्व-प्रशिक्षण पूर्ण केले आहे, 80 अब्ज सक्रिय पॅरामीटर्स आणि एकूण 2.8 ट्रिलियन पॅरामीटर्ससह नवीन मिश्रण-तज्ञ फाउंडेशन मॉडेल, विभागाने 15 ऑक्टोबर रोजी तांत्रिक "लॅब नोट्स" पोस्टमध्ये जाहीर केले. कंपनीचे म्हणणे आहे की हे मॉडेल प्रत्येक ओपन-वेट मॉडेलपेक्षा जास्त कामगिरी करते ज्याची चाचणी होल्ड-आउट मूल्यमापनांवर केली जाते आणि सर्वात मजबूत ओपन बेस मॉडेल, DeepSeek-V4-Pro-Base पेक्षा 4 ते 12 पट अधिक प्री-ट्रेनिंग FLOPs-कार्यक्षम आहे.

मायक्रोसॉफ्टचा इन-हाऊस मॉडेल प्रोग्राम - सीईओ मुस्तफा सुलेमन यांच्या मायक्रोसॉफ्ट एआय संस्थेच्या अंतर्गत तयार केलेला - त्याच्या ओपनएआय भागीदारीवर पूर्णपणे विसंबून राहण्याऐवजी आघाडीवर स्पर्धा करण्याचा मानस आहे, हे ही घोषणा अद्याप सर्वात स्पष्ट संकेत आहे. MAI-Base-2 आता पोस्ट-ट्रेनिंगमधून जात आहे, लवकरच आणखी निकालांचे आश्वासन दिले जाईल. नवीन मॉडेल रिलीजच्या चालू कव्हरेजसाठी, आमच्या AI मॉडेल न्यूज चे अनुसरण करा.

धावण्याचे प्रमाण

मायक्रोसॉफ्टचे म्हणणे आहे की त्यांनी ऑगस्ट आणि सप्टेंबर 2026 मध्ये 16,000 NVIDIA GB200 GPUs वर MAI-Base-2 ला प्रशिक्षित केले आहे. रनची सरासरी 21% मॉडेल FLOPs वापर आहे (GB200 च्या सैद्धांतिक कमाल 2.5 PFLOPS च्या तुलनेत सामान्यीकृत आहे FLOPs) आणि 89% गुडपुट प्राप्त केले — वेळेच्या प्रशिक्षणाचा अंश कोणत्याही व्यत्ययाशिवाय प्रगती करत आहे. त्या संख्या शिस्तबद्ध मोठ्या प्रमाणावरील धावांचे वर्णन करतात; या प्रमाणात व्यत्यय किंवा खराबपणे वापरलेले GPU फ्लीट्स हे प्रमाण आहे आणि गुडपुटचा प्रत्येक बिंदू वाचलेल्या प्रशिक्षण वेळेच्या आठवड्यांमध्ये अनुवादित करतो.

हे मॉडेल मोठे, विरळ आणि त्याच्या पूर्ववर्ती, MAI-Base-1 पेक्षा अधिक डेटावर प्रशिक्षित आहे, ज्याने MAI-Thinking-1 साठी पाया म्हणून काम केले, Microsoft चे जूनमध्ये रिलीझ केलेले तर्कसंगत मॉडेल. मायक्रोसॉफ्टचे म्हणणे आहे की त्यांनी जाणूनबुजून MAI-Base-2 च्या प्रशिक्षण रेसिपीमधील कार्यक्षमतेची बचत मोठ्या मॉडेलच्या प्रशिक्षणात पुन्हा गुंतवली आहे.

मायक्रोसॉफ्टने त्याची तुलना कशी केली

कंपनीने मायक्रोसॉफ्टच्या स्वतःच्या कोडबेसमधून काढलेल्या होल्ड-आउट कोड मूल्यमापनांसह - होल्ड-आउट मजकूरावर बिट-प्रति-बाइट - टोकनायझर-अज्ञेय मेट्रिक - वापरून ऑक्टोबर 2026 पूर्वी उपलब्ध असलेल्या फ्रंटियर चेकपॉइंट्सवर MAI-Base-2 चे मूल्यमापन केले. प्रशिक्षण-सेट दूषित होण्याचा धोका कमी करण्यासाठी बाह्य विक्रेत्यांकडून STEM, गणित आणि प्रश्नोत्तरे मूल्यमापन कार्यान्वित करण्यात आले आणि सर्व मूल्यांकन संच प्रशिक्षण डेटाच्या विरूद्ध निर्जंतुकीकरण करण्यात आले.

तुलना संचामध्ये DeepSeek-V4-Pro-Base समाविष्ट आहे, ज्याचे वर्णन Microsoft द्वारे ओपन वेट्ससह सर्वात सक्षम बेस मॉडेल आणि एक ट्रिलियन पॅरामीटर्सच्या वरील एकमेव रिलीझ बेस प्री-ट्रेनिंग चेकपॉईंट, तसेच Kimi K3, Qwen3.8-2.4T-A95B, आणि MiMo-V2.6-Pro-RL. मायक्रोसॉफ्ट एक चेतावणी नोंदवते: त्या तिघांसाठी, केवळ पोस्ट-प्रशिक्षित चेकपॉईंट्स उपलब्ध आहेत आणि प्रशिक्षणोत्तर मूल्यमापन पूर्व-प्रशिक्षणावर परिणाम करू शकते. आयोजित केलेल्या मूल्यमापनांमध्ये, मायक्रोसॉफ्टने चाचणी केलेल्या इतर मॉडेल्सच्या तुलनेत MAI-Base-2 ने कमी बिट्स-प्रति-बाइट प्राप्त केल्याचा अहवाल दिला आहे.

कार्यक्षमतेचा दावा, डीकोड केलेला

4-12x कार्यक्षमतेचा आकडा हा थेट बेंचमार्क विजय नसून गणना-जुळणारे विश्लेषण आहे. प्रत्येक आयोजित केलेल्या मूल्यमापनासाठी, मायक्रोसॉफ्टने प्रशिक्षण FLOPs विरुद्ध बिट्स-प्रति-बाइटचा एक स्केलिंग कायदा बसवला आणि डीपसीक-व्ही4-प्रो-बेसच्या स्कोअरशी जुळण्यासाठी स्वतःच्या रेसिपीची किती गणना करावी लागेल याचा अंदाज लावला. श्रेणी चार मूल्यमापनांमधील फरक दर्शवते. दावा, सोप्या भाषेत: मायक्रोसॉफ्टचे म्हणणे आहे की त्याची रेसिपी प्रशिक्षण गणनेच्या प्रति युनिट सर्वात मजबूत उघडपणे उपलब्ध बेस मॉडेलपेक्षा कितीतरी पटीने अधिक क्षमता अर्क करते — आणि त्याने ते जास्तीचे प्रमाण खर्च केले.

पूर्ण स्टॅकची मालकी

कच्च्या कामगिरीच्या पलीकडे, पोस्ट धोरणात्मक तर्क मांडते. मायक्रोसॉफ्टचे म्हणणे आहे की त्याच्या मॉडेल पाइपलाइनची मालकी एंड-टू-एंड ते प्रशिक्षण टोकन्सवर मजबूत डेटा सिद्ध करते आणि पूर्व-प्रशिक्षण इतर मॉडेल्सच्या डिस्टिलेशनशिवाय सेंद्रिय डेटावर अवलंबून असते. कंपनीने असा युक्तिवाद केला आहे की, ते फ्रंटियर इंटेलिजेंसचा विश्वासार्ह स्त्रोत म्हणून फाऊंड्रीद्वारे एंटरप्राइजेसना मॉडेल वजनाचा परवाना देईल, तर को-ट्यूनिंग मॉडेल्स आणि पायाभूत सुविधा मायक्रोसॉफ्टच्या स्वतःच्या उत्पादनांमध्ये प्रथम किंमत कमी करतात.

तांत्रिक विभाग धावण्याच्या यशासाठी तीन उपक्रमांना श्रेय देतो: स्केलिंग विज्ञान, ज्यामध्ये "स्केलिंग शिडी" समाविष्ट आहे जे स्त्रोत स्केलिंग नावाच्या तंत्राद्वारे पुनरावृत्ती प्रशिक्षण डेटासाठी खाते आहे, जे विशिष्ट डेटाचे गुणोत्तर पॅरामीटर्समध्ये निश्चित ठेवते; मॉडेल-इन्फ्रास्ट्रक्चर को-डिझाइन, सुधारित MoE आणि Muon ऑप्टिमायझर अंमलबजावणीसह सक्रियकरण ग्रेडियंट क्लिपिंगसह; आणि व्हिजन डेटाच्या एकत्रीकरणासह विस्तारित डेटा पाइपलाइन. मायक्रोसॉफ्टचे म्हणणे आहे की आश्चर्यचकित न करता 2.8-ट्रिलियन-पॅरामीटर आकारात विश्वसनीयरित्या स्केलिंग करण्यासाठी स्त्रोत स्केलिंग महत्त्वाचे आहे.

बाजारासाठी याचा अर्थ काय आहे

दावे स्वतंत्र छाननीत टिकून राहिल्यास, MAI-Base-2 Microsoft ला OpenAI, Anthropic आणि Google सोबत चौथ्या प्रमुख वेस्टर्न फ्रंटियर-मॉडेल बिल्डर म्हणून स्थान देते — ग्राहक चॅटबॉट माइंडशेअर ऐवजी डेटा प्रोव्हेन्सिंग आणि एंटरप्राइझ लायसन्सिंगवर आधारित भिन्न पिचसह. सर्वात महत्त्वाची बाजारपेठ म्हणजे Azure चा एंटरप्राइझ ग्राहक आधार, जेथे फाऊंड्री ग्राहक फ्रंटियर-क्लास मॉडेलमध्ये प्रवेश मिळवू शकतात ज्याचे प्रशिक्षण वंश Microsoft पूर्णपणे नियंत्रित करते.

स्वतंत्र पडताळणी हा खुला प्रश्न राहिला आहे. मायक्रोसॉफ्टचे मूल्यमापन स्वयं-अहवाल दिलेले आहेत, तुलना मॉडेलचे प्रशिक्षणोत्तर चेतावणी सामग्री आहे, आणि धरून ठेवलेल्या मजकुरावरील बिट्स-प्रति-बाइट थेट चॅट, कोडिंग आणि एजंटिक बेंचमार्क एंटरप्रायझेस प्रत्यक्षात खरेदी करत नाहीत. MAI-Base-2 चे उत्तर-प्रशिक्षित डेरिव्हेटिव्ह्ज — MAI-थिंकिंग-1 चे उत्तराधिकारी — ही खरी परीक्षा असेल. परंतु घोषणेचा अंतर्निहित संदेश अस्पष्ट आहे: मायक्रोसॉफ्टने स्वतःच्या सिलिकॉन फ्लीटवर, घरातील फ्रंटियर मॉडेल्सचे प्रशिक्षण देण्याची पैज आता महत्त्वाकांक्षी नाही. त्याचे एक तयार बेस मॉडेल आहे, आणि प्रशिक्षणोत्तर पाइपलाइन आधीच चालू आहे.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →