Microsoft AI telah menyelesaikan pra-latihan mengenai MAI-Base-2, model asas campuran pakar baharu dengan 80 bilion parameter aktif dan 2.8 trilion jumlah parameter, bahagian itu mengumumkan pada 15 Oktober dalam siaran teknikal "Nota Makmal". Syarikat itu berkata model itu mengatasi prestasi setiap model berat terbuka yang diuji pada penilaian tertahan dan 4 hingga 12 kali lebih cekap pralatihan FLOP daripada model asas terbuka terkuat, DeepSeek-V4-Pro-Base.
Pengumuman itu merupakan isyarat paling jelas bahawa program model dalaman Microsoft — dibina di bawah organisasi AI Microsoft CEO Mustafa Suleyman — berhasrat untuk bersaing di sempadan dan bukannya bergantung semata-mata pada perkongsian OpenAInya. MAI-Base-2 kini sedang menjalani latihan pasca, dengan lebih banyak keputusan dijanjikan tidak lama lagi. Untuk liputan berterusan keluaran model baharu, ikuti [berita model AI] kami(https://aibuzzwire.news).
Skala Larian
Microsoft berkata ia melatih MAI-Base-2 pada 16,000 GPU NVIDIA GB200 selama 38 hari pada bulan Ogos dan September 2026. Larian ini purata 21% penggunaan model FLOP (dinormalkan berbanding maksimum teori GB200 iaitu 2.5 PFLOPS dalam BF16 — tidak termasuk FLOPs%8 yang dioptimumkan) dan pencapaian FLOP yang baik. latihan masa berjalan tanpa gangguan. Nombor tersebut menggambarkan larian berskala besar yang berdisiplin; armada GPU yang terganggu atau kurang digunakan adalah perkara biasa pada skala ini, dan setiap titik goodput diterjemahkan ke dalam minggu masa latihan yang disimpan.
Model ini lebih besar, jarang dan terlatih menggunakan lebih banyak data berbanding pendahulunya, MAI-Base-1, yang berfungsi sebagai asas untuk MAI-Thinking-1, model penaakulan Microsoft yang dikeluarkan pada bulan Jun. Microsoft berkata ia sengaja melabur semula penjimatan kecekapan daripada resipi latihan MAI-Base-2 untuk melatih model yang lebih besar.
Bagaimana Microsoft Katakan Ia Membandingkan
Syarikat itu menilai MAI-Base-2 terhadap pusat pemeriksaan sempadan yang tersedia sebelum Oktober 2026 menggunakan bit-per-bait pada teks yang ditahan — metrik tokenizer-agnostik — bersama-sama dengan penilaian kod yang ditahan yang diambil daripada pangkalan kod Microsoft sendiri. Penilaian STEM, matematik dan Soal Jawab telah ditugaskan daripada vendor luar untuk mengurangkan risiko pencemaran set latihan, dan semua set penilaian telah dinyahkontaminasi terhadap data latihan.
Set perbandingan termasuk DeepSeek-V4-Pro-Base, yang diterangkan oleh Microsoft sebagai model asas yang paling berkebolehan dengan pemberat terbuka dan satu-satunya pusat pemeriksaan pra-latihan asas yang dikeluarkan melebihi satu trilion parameter, ditambah Kimi K3, Qwen3.8-2.4T-A95B dan MiMo-V2.6-Pro-RL. Microsoft mencatatkan kaveat: untuk ketiga-tiga itu, hanya pusat pemeriksaan pasca latihan yang tersedia dan selepas latihan boleh menjejaskan penilaian pra-latihan. Sepanjang penilaian yang diadakan, Microsoft melaporkan MAI-Base-2 mencapai bit-per-bait yang lebih rendah daripada model lain yang diuji.
Tuntutan Kecekapan, Dinyahkod
Angka kecekapan 4-12x bukanlah kemenangan penanda aras langsung tetapi analisis pemadanan pengiraan. Untuk setiap penilaian yang diadakan, Microsoft memasang undang-undang penskalaan bit-per-bait terhadap latihan FLOP dan menganggarkan jumlah pengiraan resipinya sendiri yang diperlukan untuk memadankan skor DeepSeek-V4-Pro-Base. Julat itu mencerminkan perbezaan merentas empat penilaian. Tuntutan itu, secara ringkas: Microsoft mengatakan resipinya mengekstrak beberapa kali lebih banyak keupayaan bagi setiap unit pengiraan latihan daripada model asas yang tersedia secara terbuka yang paling kuat - dan ia membelanjakan lebihan itu pada skala.
Memiliki Tindanan Penuh
Di luar prestasi mentah, jawatan itu membentangkan rasional strategik. Microsoft berkata memiliki saluran paip modelnya dari hujung ke hujung memberikannya sumber data yang kukuh berbanding token latihan, dan pra-latihan bergantung pada data organik tanpa penyulingan daripada model lain. Sumber itu, kata syarikat itu, akan membenarkannya melesenkan pemberat model kepada perusahaan melalui Foundry sebagai sumber risikan sempadan yang dipercayai, manakala model dan infrastruktur penalaan bersama mengurangkan kos terlebih dahulu dalam produk Microsoft sendiri.
Bahagian teknikal mengkreditkan tiga inisiatif untuk kejayaan larian: sains penskalaan, termasuk "tangga skala" yang merangkumi data latihan berulang melalui teknik yang dipanggil penskalaan sumber, yang mengekalkan nisbah data unik kepada parameter tetap merentas anak tangga; reka bentuk bersama infrastruktur model, termasuk pelaksanaan pengoptimuman MoE dan Muon yang dipertingkatkan di samping keratan kecerunan pengaktifan; dan saluran paip data yang diperluas dengan penyepaduan data penglihatan. Microsoft berkata penskalaan sumber adalah kunci kepada penskalaan yang boleh dipercayai kepada saiz 2.8 trilion parameter tanpa kejutan yang berlebihan.
Maksudnya untuk Pasaran
Jika tuntutan itu bertahan di bawah penelitian bebas, MAI-Base-2 meletakkan Microsoft sebagai pembina model sempadan Barat yang keempat di samping OpenAI, Anthropic dan Google — dengan nada berbeza yang dibina berdasarkan asal data dan pelesenan perusahaan dan bukannya perkongsian minda chatbot pengguna. Pasaran yang paling penting ialah pangkalan pelanggan perusahaan Azure, di mana pelanggan Foundry boleh mendapat akses kepada model kelas sempadan yang mana keturunan latihannya dikawal sepenuhnya oleh Microsoft.
Pengesahan bebas masih menjadi persoalan terbuka. Penilaian Microsoft dilaporkan sendiri, kaveat pasca latihan model perbandingan adalah penting, dan bit-per-bait pada teks yang ditahan tidak diterjemahkan secara langsung kepada sembang, pengekodan dan tanda aras agen yang sebenarnya digunakan oleh perusahaan. Derivatif pasca terlatih MAI-Base-2 — pengganti MAI-Thinking-1 — akan menjadi ujian sebenar. Tetapi mesej asas pengumuman itu tidak jelas: pertaruhan Microsoft untuk melatih model sempadan dalaman, pada armada silikonnya sendiri, tidak lagi bercita-cita tinggi. Ia mempunyai model asas siap, dan saluran paip pasca latihan sudah berjalan.
---
Kekal Mendahului AIDapatkan berita, analisis dan penemuan terkini AI — semuanya di satu tempat.
Baca lebih banyak berita AI →
