Microsoft AI heeft de pre-training voltooid over MAI-Base-2, een nieuw mix-of-experts basismodel met 80 miljard actieve parameters en 2,8 biljoen totale parameters, zo maakte de divisie op 15 oktober bekend in een technische "Lab Notes" -post. Het bedrijf zegt dat het model beter presteert dan elk model met open gewicht dat het heeft getest op basis van langdurige evaluaties en dat het 4 tot 12 keer efficiënter is tijdens FLOP's vóór de training dan het sterkste open-basismodel, DeepSeek-V4-Pro-Base.

De aankondiging is het duidelijkste signaal tot nu toe dat het interne modelprogramma van Microsoft – gebouwd onder de Microsoft AI-organisatie van CEO Mustafa Suleyman – van plan is om aan de grens te concurreren in plaats van uitsluitend te vertrouwen op het OpenAI-partnerschap. MAI-Base-2 ondergaat nu een natraining en er worden binnenkort meer resultaten beloofd. Voor voortdurende berichtgeving over nieuwe modelreleases kunt u ons AI-modelnieuws volgen.

De schaal van de run

Microsoft zegt dat het MAI-Base-2 heeft getraind op 16.000 NVIDIA GB200 GPU's gedurende 38 dagen in augustus en september 2026. De run had een gemiddeld gebruik van model-FLOP's van 21% (genormaliseerd ten opzichte van het theoretische maximum van de GB200 van 2,5 PFLOPS in BF16, exclusief rematerialisatie en optimizer-FLOP's) en behaalde een goodput van 89% - het deel van de tijdtraining verliep zonder onderbrekingen. Deze cijfers beschrijven een gedisciplineerde grootschalige run; Onderbroken of slecht gebruikte GPU-vloten zijn de norm op deze schaal, en elk goed punt vertaalt zich in weken bespaarde trainingstijd.

Het model is groter, schaarser en getraind op meer gegevens dan zijn voorganger, MAI-Base-1, die als basis diende voor MAI-Thinking-1, het redeneermodel van Microsoft dat in juni werd uitgebracht. Microsoft zegt dat het de efficiëntiebesparingen uit het trainingsrecept van MAI-Base-2 opzettelijk heeft geherinvesteerd in het trainen van een groter model.

Hoe Microsoft het zegt, is vergelijkbaar

Het bedrijf evalueerde MAI-Base-2 aan de hand van grenscontrolepunten die vóór oktober 2026 beschikbaar waren, met behulp van bits per byte op vastgehouden tekst – een tokenizer-agnostische metriek – samen met vastgehouden code-evaluaties uit de eigen codebase van Microsoft. STEM-, wiskunde- en vraag- en antwoordevaluaties werden in opdracht van externe leveranciers uitgevoerd om het risico op besmetting van trainingssets te verminderen, en alle evaluatiesets werden gedecontamineerd aan de hand van de trainingsgegevens.

De vergelijkingsset omvatte DeepSeek-V4-Pro-Base, door Microsoft beschreven als het meest capabele basismodel met open gewichten en het enige vrijgegeven basiscontrolepunt vóór de training boven een biljoen parameters, plus Kimi K3, Qwen3.8-2.4T-A95B en MiMo-V2.6-Pro-RL. Microsoft maakt een kanttekening: voor deze drie zijn alleen post-getrainde controlepunten beschikbaar, en post-training kan van invloed zijn op de pre-training evaluaties. Uit de lange evaluaties blijkt dat Microsoft meldt dat MAI-Base-2 lagere bits per byte behaalde dan de andere geteste modellen.

De efficiëntieclaim, gedecodeerd

Het efficiëntiecijfer van 4-12x is geen directe benchmarkwinst, maar een compute-matching-analyse. Voor elke uitgestelde evaluatie heeft Microsoft een schaalwet van bits per byte toegepast op trainings-FLOP's en geschat hoeveel rekenkracht het eigen recept nodig zou hebben om de score van DeepSeek-V4-Pro-Base te evenaren. Het bereik weerspiegelt de verschillen tussen de vier evaluaties. De claim, in duidelijke bewoordingen: Microsoft zegt dat het recept meerdere malen meer mogelijkheden per eenheid trainingscomputer extraheert dan het sterkste openlijk beschikbare basismodel – en dat het overschot aan schaalgrootte heeft besteed.

Eigenaar van de volledige stapel

Naast de ruwe prestaties legt de post de strategische grondgedachte uit. Microsoft zegt dat het end-to-end bezit van zijn modelpijplijn een sterke dataherkomst geeft ten opzichte van trainingstokens, en dat pre-training afhankelijk is van organische gegevens zonder distillatie uit andere modellen. Die herkomst, zo betoogt het bedrijf, zal het mogelijk maken modelgewichten aan bedrijven te licentiëren via Foundry als een vertrouwde bron van grensinformatie, terwijl het gezamenlijk afstemmen van modellen en infrastructuur de kosten in de eerste plaats verlaagt voor de eigen producten van Microsoft.

In het technische gedeelte worden drie initiatieven voor het succes van de run gecrediteerd: het opschalen van de wetenschap, inclusief 'schaalladders' die rekening houden met herhaalde trainingsgegevens via een techniek die bronschaling wordt genoemd en die de verhouding tussen unieke gegevens en parameters voor alle sporten vasthoudt; co-ontwerp van modelinfrastructuur, inclusief verbeterde MoE- en Muon-optimalisatie-implementaties naast activeringsgradiëntclipping; en uitgebreide datapijplijnen met de integratie van visiegegevens. Microsoft zegt dat het schalen van de broncode de sleutel was tot het betrouwbaar schalen naar de omvang van 2,8 biljoen parameters zonder overmatige verrassingen.

Wat het betekent voor de markt

Als de claims standhouden onder onafhankelijk onderzoek, positioneert MAI-Base-2 Microsoft als de vierde grote westerse modelbouwer naast OpenAI, Anthropic en Google – met een gedifferentieerde pitch gebaseerd op de herkomst van data en bedrijfslicenties in plaats van de mindshare van consumentenchatbots. De markt die er het eerst toe doet, is het zakelijke klantenbestand van Azure, waar Foundry-klanten toegang konden krijgen tot een grensverleggend model waarvan de trainingslijn door Microsoft volledig wordt beheerd.

Onafhankelijke verificatie blijft de open vraag. De evaluaties van Microsoft zijn zelfgerapporteerd, het voorbehoud van de vergelijkingsmodellen na de training is wezenlijk, en bits per byte op vastgehouden tekst vertalen zich niet direct in de chat-, codering- en agentische benchmarks waarmee bedrijven daadwerkelijk winkelen. Post-getrainde derivaten van MAI-Base-2 – de opvolgers van MAI-Thinking-1 – zullen de echte test zijn. Maar de onderliggende boodschap van de aankondiging is ondubbelzinnig: de inzet van Microsoft om grensmodellen intern te trainen, op haar eigen siliciumvloot, is niet langer ambitieus. Het heeft een voltooid basismodel en de pijplijn na de training is al actief.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →