Microsoft AI သည် တက်ကြွသောကန့်သတ်ဘောင်များ 80 ဘီလီယံနှင့် စုစုပေါင်းဘောင်ပေါင်း 2.8 ထရီလီယံပါသည့် MAI-Base-2 တွင် အကြိုလေ့ကျင့်မှုကို ပြီးမြောက်ခဲ့ကြောင်း နည်းပညာဆိုင်ရာ "Lab Notes" ပို့စ်တွင် အောက်တိုဘာ ၁၅ ရက်က ကြေညာခဲ့သည်။ မော်ဒယ်သည် အကွာအဝေး အကဲဖြတ်မှုများတွင် စမ်းသပ်ထားသည့် အဖွင့်အလေးချိန် မော်ဒယ်တိုင်းကို စွမ်းဆောင်ရည်ထက် သာလွန်ပြီး အားအကောင်းဆုံး အဖွင့်အခြေခံမော်ဒယ် DeepSeek-V4-Pro-Base ထက် ကြိုတင်လေ့ကျင့်မှု FLOPs ထက် 4 ဆမှ 12 ဆ ပိုမိုထိရောက်သည်ဟု ကုမ္ပဏီမှ ပြောကြားခဲ့ပါသည်။

အဆိုပါကြေညာချက်သည် CEO Mustafa Suleyman ၏ Microsoft AI အဖွဲ့အစည်းအောက်တွင်တည်ဆောက်ထားသော Microsoft ၏အိမ်တွင်းမော်ဒယ်ပရိုဂရမ်သည် ၎င်း၏ OpenAI လက်တွဲမှုကိုသာ အားကိုးရမည့်အစား နယ်စပ်တွင်ယှဉ်ပြိုင်ရန် ရည်ရွယ်ထားကြောင်း အရှင်းလင်းဆုံးအချက်ပြမှုဖြစ်သည်။ MAI-Base-2 သည် မကြာမီ ရလဒ်များ ပိုမိုရရှိမည်ဟု ကတိပြုထားပြီး နောက်ပိုင်း သင်တန်းများ ဆင်းနေပြီဖြစ်သည်။ မော်ဒယ်အသစ်များ ဆက်လက်ထွက်ရှိခြင်းအတွက် ဆက်လက်ဖော်ပြရန်အတွက် ကျွန်ုပ်တို့၏ AI မော်ဒယ်သတင်း ကို လိုက်နာပါ။

ပြေးခြင်းစကေး

ဩဂုတ်လနှင့် စက်တင်ဘာလတွင် 2026 ခုနှစ်အတွင်း 38 ရက်အတွင်း MAI-Base-2 အား 16,000 NVIDIA GB200 GPUs တွင် လေ့ကျင့်သင်ကြားပေးခဲ့သည်ဟု Microsoft မှ ပြောကြားခဲ့ပါသည်။ ပျမ်းမျှအားဖြင့် 21% မော်ဒယ် FLOPs အသုံးချမှု (GB200 ၏ သီအိုရီအရ အများဆုံး 2.5 PFLOPS နှင့် နှိုင်းယှဉ်ပါက ပုံမှန်လုပ်ဆောင်သည်၊ BF16 တွင် FLOP နှင့် 9% ပေါင်းစပ်ခြင်းတို့ကို ရရှိသည်) goodput — လေ့ကျင့်မှု၏အပိုင်းအစသည် အနှောင့်အယှက်မရှိဘဲ တိုးတက်လာသည်။ ထိုကိန်းဂဏာန်းများသည် စည်းကမ်းကြီးမားသော ပြေးပွဲတစ်ခုကို ဖော်ပြသည်။ အနှောက်အယှက်ဖြစ်စေသော သို့မဟုတ် အသုံးပြုမှု ညံ့ဖျင်းသော GPU များသည် ဤစကေးတွင် စံနှုန်းဖြစ်ပြီး ကောင်းမွန်သောအချက်တိုင်းသည် သိမ်းဆည်းထားသော လေ့ကျင့်ချိန်၏ ရက်သတ္တပတ်များအဖြစ်သို့ ပြန်ဆိုပါသည်။

မော်ဒယ်သည် အရွယ်အစားပိုကြီးကာ သေးကျဲကာ၊ ဇွန်လတွင်ထွက်ရှိခဲ့သော Microsoft ၏ ဆင်ခြင်ခြင်းပုံစံအတွက် အခြေခံအုတ်မြစ်အဖြစ် ဆောင်ရွက်ခဲ့သည့် MAI-Base-1 သည် ၎င်း၏ယခင်က MAI-Base-1 ထက် ဒေတာပိုမိုလေ့ကျင့်ထားသည်။ Microsoft က MAI-Base-2 ၏ လေ့ကျင့်ရေး စာရွက်မှ ထိရောက်မှု ခြွေတာမှုကို ပိုမိုကြီးမားသော မော်ဒယ်အဖြစ် လေ့ကျင့်ရေးသို့ တမင်တကာ ပြန်လည် ရင်းနှီးမြုပ်နှံခဲ့သည်ဟု Microsoft မှ ပြောကြားခဲ့သည်။

Microsoft က ၎င်းကို နှိုင်းယှဉ်ပြောဆိုပုံ

ကုမ္ပဏီသည် Microsoft ၏ကိုယ်ပိုင်ကုဒ်ဘေ့စ်မှ ထုတ်ယူထားသော ကုဒ်အကဲဖြတ်ချက်များနှင့်အတူ ဘစ်တစ်ဘိုက်ကို ကန့်သတ်ထားသောစာသား—တစ်တုံးတစ်ဘိုက်ကို အသုံးပြု၍ MAI-Base-2 ကို 2026 ခုနှစ် အောက်တိုဘာလမတိုင်မီ အကဲဖြတ်ခဲ့သည်။ လေ့ကျင့်ရေး-သတ်မှတ်ညစ်ညမ်းမှုအန္တရာယ်ကို လျှော့ချရန်အတွက် STEM၊ သင်္ချာနှင့် အမေးအဖြေ အကဲဖြတ်ချက်များကို ပြင်ပရောင်းချသူများထံမှ တာဝန်ပေးအပ်ခဲ့ပြီး အကဲဖြတ်မှုအစုံအားလုံးကို လေ့ကျင့်ရေးဒေတာတွင် ညစ်ညမ်းစေခဲ့သည်။

နှိုင်းယှဉ်မှုတွင် အဖွင့်အလေးများပါသော စွမ်းရည်အရှိဆုံး အခြေစိုက်စခန်းမော်ဒယ်အဖြစ် Microsoft မှ ဖော်ပြထားသော DeepSeek-V4-Pro-Base နှင့် ကန့်သတ်ဘောင်တစ်ထရီလျံအထက်ရှိ တစ်ခုတည်းသောအခြေခံအကြိုလေ့ကျင့်ရေးဂိတ်၊ Kimi K3၊ Qwen3.8-2.4T-A95B နှင့် MiMo-V2.6-Pro-RL တို့ပါဝင်သည်။ Microsoft မှ သတိပေးချက်တစ်ခု မှတ်သားထားပါသည်- ထိုသုံးမျိုးအတွက်၊ လေ့ကျင့်ပြီးသည့် စစ်ဆေးရေးဂိတ်များသာ ရနိုင်သည်၊ လေ့ကျင့်မှုပြီးသည်နှင့် လေ့ကျင့်ရေးအကြိုအကဲဖြတ်ချက်များကို အကျိုးသက်ရောက်နိုင်သည်။ အကဲဖြတ်မှုများတွင် Microsoft မှ MAI-Base-2 သည် အခြားစမ်းသပ်ထားသော မော်ဒယ်များထက် bits-per-byte နည်းပါးကြောင်း အစီရင်ခံပါသည်။

ထိရောက်မှုအရေးဆိုမှု၊ သုံးသည်။

4-12x ထိရောက်မှုကိန်းဂဏန်းသည် တိုက်ရိုက်စံနှုန်းဖြင့် အနိုင်ရခြင်းမဟုတ်သော်လည်း တွက်ချက်မှုနှင့်ကိုက်ညီသော ခွဲခြမ်းစိတ်ဖြာချက်ဖြစ်သည်။ အကဲဖြတ်မှုတစ်ခုစီအတွက် Microsoft သည် လေ့ကျင့်ရေး FLOPs များနှင့် ဆန့်ကျင်ဘက် bits-per-byte ၏ အတိုင်းအတာကို အတိုင်းအတာတစ်ခုအထိ ဥပဒေတစ်ရပ် တပ်ဆင်ခဲ့ပြီး DeepSeek-V4-Pro-Base ၏ရမှတ်များနှင့် ကိုက်ညီရန် ၎င်း၏ကိုယ်ပိုင်ချက်ပြုတ်နည်းကို တွက်ချက်ရန် မည်မျှလိုအပ်မည်ကို ခန့်မှန်းခဲ့သည်။ အပိုင်းအခြားသည် အကဲဖြတ်မှုလေးခုတွင် ကွဲပြားမှုများကို ထင်ဟပ်စေသည်။ ရှင်းရှင်းပြောရလျှင် - Microsoft က ၎င်း၏ ချက်ပြုတ်နည်းသည် အပြင်းထန်ဆုံး ပွင့်လင်းမြင်သာစွာရနိုင်သော အခြေခံမော်ဒယ်ထက် လေ့ကျင့်ရေးတွက်ချက်မှု တစ်ယူနစ်လျှင် အဆများစွာ ပိုထုတ်နှုတ်နိုင်သည်ဟု ဆိုသည်၊ ၎င်းသည် ပိုငွေကို အတိုင်းအတာတစ်ခုအထိ သုံးစွဲခဲ့သည်။

Full Stack ကိုပိုင်ဆိုင်ခြင်း။

အကြမ်းထည် စွမ်းဆောင်ရည်ထက်၊ ပို့စ်သည် ဗျူဟာမြောက် ကျိုးကြောင်းဆီလျော်မှုကို ဖော်ပြသည်။ Microsoft က ၎င်း၏ မော်ဒယ် ပိုက်လိုင်းကို အဆုံးမှ အဆုံးထိ ပိုင်ဆိုင်ခြင်းသည် လေ့ကျင့်ရေး တိုကင်များထက် ခိုင်မာသော ဒေတာသက်သေကို ပေးကြောင်း နှင့် ကြိုတင် လေ့ကျင့်ခြင်းသည် အခြားသော မော်ဒယ်များမှ ပေါင်းခံခြင်း မရှိဘဲ အော်ဂဲနစ် ဒေတာအပေါ် မှီခိုနေရသည်ဟု Microsoft မှ ပြောကြားခဲ့သည်။ ထိုသက်သေပြချက်ကြောင့် ကုမ္ပဏီသည် Foundry မှတဆင့် လုပ်ငန်းများကို လိုင်စင်ထုတ်ပေးမည်ဟု ယုံကြည်ရပြီး Frontier Intelligence အရင်းအမြစ်အဖြစ် Microsoft ၏ကိုယ်ပိုင်ထုတ်ကုန်များတွင် ကုန်ကျစရိတ်ကို ဦးစွာလျှော့ချပေးမည်ဖြစ်ပြီး၊

နည်းပညာကဏ္ဍသည် ပြေးပွဲ၏အောင်မြင်မှုအတွက် အစပျိုးမှုသုံးခုကို credit ပေးသည်- အထပ်ထပ်လေ့ကျင့်ရေးဒေတာအတွက် ထည့်သွင်းထားသော "စကေးချဲ့လှေကားများ" အပါအ ၀ င် သိပ္ပံပညာသည် အရင်းအမြစ်စကေးရှင်းခြင်းဟုခေါ်သော နည်းပညာတစ်ခုမှတစ်ဆင့် ထပ်ခါတလဲလဲ လေ့ကျင့်မှုဒေတာ၊ မြှင့်တင်ထားသော MoE နှင့် Muon optimizer အကောင်အထည်ဖော်မှုများအပါအဝင် မော်ဒယ်-အခြေခံအဆောက်အဦများ ပူးတွဲဒီဇိုင်းရေးဆွဲခြင်း၊ နှင့် အမြင်ဒေတာ ပေါင်းစပ်မှုနှင့်အတူ တိုးချဲ့ဒေတာပိုက်လိုင်းများ။ အရင်းအမြစ်စကေးချဲ့ခြင်းသည် အံအားသင့်ဖွယ်ရာမရှိဘဲ 2.8 ထရီလီယံ-ပါရာမီတာအရွယ်အစားကို ယုံကြည်စိတ်ချစွာ ချဲ့ထွင်ရန် အဓိကသော့ချက်ဖြစ်သည်ဟု Microsoft မှပြောကြားခဲ့သည်။

##စျေးကွက်အတွက်ဆိုလိုသည်။

အကယ်၍ အဆိုပါ အရေးဆိုမှုများသည် လွတ်လပ်သော စိစစ်မှုအောက်တွင် ရှိနေပါက၊ MAI-Base-2 သည် သုံးစွဲသူ chatbot mindshare ထက် ကွဲပြားသောအချက်ဖြင့် OpenAI၊ Anthropic နှင့် Google တို့နှင့်အတူ Microsoft ကို စတုတ္တမြောက် အဓိက အနောက်ဘက်ခြမ်း မော်ဒယ်တည်ဆောက်သူအဖြစ် Microsoft က နေရာပေးထားသည်။ ပထမအရေးကြီးသောဈေးကွက်မှာ Foundry ဖောက်သည်များသည် Microsoft မှ လေ့ကျင့်ရေးမျိုးရိုးကို အပြည့်အဝထိန်းချုပ်ထားသည့် Frontier-class model သို့ဝင်ရောက်ခွင့်ရရှိနိုင်သည့် Azure ၏လုပ်ငန်းဖောက်သည်အခြေခံဖြစ်သည်။

သီးခြားအတည်ပြုချက်သည် အဖွင့်မေးခွန်းဖြစ်နေဆဲဖြစ်သည်။ Microsoft ၏ အကဲဖြတ်ချက်များကို ကိုယ်တိုင်အစီရင်ခံတင်ပြသည်၊ နှိုင်းယှဉ်မော်ဒယ်များ၏ လေ့ကျင့်မှုအပြီးတွင် သတိပေးချက်သည် အကြောင်းအရာဖြစ်ပြီး၊ သိမ်းဆည်းထားသည့်စာသားပေါ်ရှိ bits-per-byte သည် chat၊ coding နှင့် agentic benchmarks လုပ်ငန်းများ၏ အမှန်တကယ်စျေးဝယ်သည့်လုပ်ငန်းများထံ တိုက်ရိုက်ဘာသာပြန်ခြင်းမရှိပါ။ MAI-Thinking-1 ၏နောက်ဆက်တွဲဖြစ်သော MAI-Base-2 ၏ လေ့ကျင့်သင်ကြားထားသော ဆင်းသက်လာခြင်းများသည် တကယ့်စမ်းသပ်မှုဖြစ်သည်။ သို့သော် ကြေငြာချက်၏ အရင်းခံသတင်းမှာ ရှင်းရှင်းလင်းလင်း မရှိဘဲ- Microsoft ၏ ကိုယ်ပိုင် ဆီလီကွန် သင်္ဘောအုပ်စုတွင် အိမ်တွင်း လေ့ကျင့်ရေး ရှေ့တန်း မော်ဒယ်များ အတွက် လောင်းကြေးမှာ မျှော်မှန်းချက် မဟုတ်တော့ပါ။ ၎င်းတွင် အချောထည်အခြေခံပုံစံရှိပြီး၊ လေ့ကျင့်ရေးလွန်ပိုက်လိုင်းသည် လည်ပတ်နေပြီဖြစ်သည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →