Microsoft AI har genomfört förutbildning på MAI-Base-2, en ny blandning av experter grundmodell med 80 miljarder aktiva parametrar och 2,8 biljoner totala parametrar, meddelade divisionen den 15 oktober i ett tekniskt "Lab Notes"-inlägg. Företaget säger att modellen överträffar alla öppenviktsmodeller som den testade på utvärderingar och att den är 4 till 12 gånger mer effektiv för FLOPs före träning än den starkaste öppna basmodellen, DeepSeek-V4-Pro-Base.
Tillkännagivandet är den tydligaste signalen hittills om att Microsofts interna modellprogram – byggt under VD Mustafa Suleymans Microsoft AI-organisation – avser att konkurrera vid gränsen snarare än att enbart förlita sig på sitt OpenAI-partnerskap. MAI-Base-2 genomgår nu efterträning, med fler resultat utlovade snart. För löpande bevakning av nya modellsläpp, följ våra AI-modellnyheter.
The Scale of the Run
Microsoft säger att de tränade MAI-Base-2 på 16 000 NVIDIA GB200 GPU:er under 38 dagar i augusti och september 2026. Körningen var i genomsnitt 21 % modell FLOPs utnyttjande (normaliserat mot GB200:s teoretiska maximum på 2,5 PFLOPS i BF16, exklusive optimizer rematerialization och % 8) bråkdel av tiden träning fortskred utan avbrott. Dessa siffror beskriver en disciplinerad storskalig körning; avbrutna eller dåligt utnyttjade GPU-flottor är normen i den här skalan, och varje poäng av goodput översätts till veckor av sparad träningstid.
Modellen är större, glesare och tränad på mer data än sin föregångare, MAI-Base-1, som fungerade som grunden för MAI-Thinking-1, Microsofts resonemangsmodell som släpptes i juni. Microsoft säger att de medvetet återinvesterade effektivitetsbesparingarna från MAI-Base-2:s träningsrecept till att träna en större modell.
Hur Microsoft säger att det jämförs
Företaget utvärderade MAI-Base-2 mot gränskontrollpunkter som var tillgängliga före oktober 2026 med hjälp av bitar per byte på uthållen text – ett tokenizer-agnostiskt mått – tillsammans med uthållna kodutvärderingar hämtade från Microsofts egen kodbas. STEM-, matematik- och Q&A-utvärderingar beställdes från externa leverantörer för att minska risken för kontaminering av träningsset, och alla utvärderingsuppsättningar dekontaminerades mot träningsdata.
Jämförelseuppsättningen inkluderade DeepSeek-V4-Pro-Base, som beskrivs av Microsoft som den mest kapabla basmodellen med öppna vikter och den enda släppta baskontrollpunkten före träning över en biljon parametrar, plus Kimi K3, Qwen3.8-2.4T-A95B och MiMo-V2.6-Pro-RL. Microsoft noterar en varning: för dessa tre är endast eftertränade kontrollpunkter tillgängliga, och efterträning kan påverka utvärderingarna före träningen. Microsoft rapporterar att MAI-Base-2 uppnådde lägre bitar per byte än de andra testade modellerna.
Effektivitetspåståendet, avkodat
Siffran på 4-12x effektivitet är inte en direkt benchmarkvinst utan en beräkningsmatchningsanalys. För varje utvärdering som hölls ut anpassade Microsoft en skalningslag för bitar per byte mot tränings-FLOP:er och uppskattade hur mycket beräkning det egna receptet skulle behöva för att matcha DeepSeek-V4-Pro-Bases poäng. Utbudet speglar skillnaderna mellan de fyra utvärderingarna. Påståendet i klartext: Microsoft säger att dess recept extraherar flera gånger mer kapacitet per enhet av träningsberäkning än den starkaste öppet tillgängliga basmodellen - och det spenderade det överskottet i skala.
Äger hela stacken
Utöver rå prestanda, lägger inlägget ut den strategiska logiken. Microsoft säger att det att äga sin modellpipeline från början till slut ger den en stark datauppkomst framför träningstokens, och att förträning bygger på organisk data utan destillation från andra modeller. Denna härkomst, hävdar företaget, kommer att låta det licensiera modellvikter till företag genom Foundry som en pålitlig källa till gränsöverskridande intelligens, medan saminställning av modeller och infrastruktur sänker kostnaderna först i Microsofts egna produkter.
Den tekniska sektionen krediterar tre initiativ för körningens framgång: skalningsvetenskap, inklusive "skalningsstegar" som står för upprepad träningsdata via en teknik som kallas källskalning, som håller förhållandet mellan unika data och parametrar fixerade över stegpinnen; samdesign av modell-infrastruktur, inklusive förbättrade MoE- och Muon-optimeringsimplementeringar tillsammans med aktiveringsgradientklippning; och utökade datapipelines med integration av visiondata. Microsoft säger att källskalning var nyckeln till att skala tillförlitligt till storleken 2,8 biljoner parametrar utan överraskningar.
Vad det betyder för marknaden
Om påståendena håller under oberoende granskning, positionerar MAI-Base-2 Microsoft som en fjärde stor västerländsk gränsmodellbyggare tillsammans med OpenAI, Anthropic och Google – med en differentierad pitch som bygger på datauppkomst och företagslicenser snarare än konsumentchattbot mindshare. Den marknad som är viktigast först är Azures företagskundbas, där Foundry-kunder kan få tillgång till en gränsmodell vars utbildningslinje Microsoft kontrollerar fullt ut.
Oberoende verifiering är fortfarande den öppna frågan. Microsofts utvärderingar är självrapporterade, jämförelsemodellernas varning efter utbildningen är väsentlig, och bitar per byte på uthållen text översätts inte direkt till de chatt-, kodnings- och agentriktmärken som företag faktiskt handlar med. Eftertränade derivat av MAI-Base-2 - efterföljarna till MAI-Thinking-1 - kommer att vara det verkliga testet. Men det underliggande budskapet i tillkännagivandet är otvetydigt: Microsofts satsning på att träna gränsmodeller internt, på sin egen kiselflotta, är inte längre ambitiös. Den har en färdig basmodell, och pipeline efter träning är redan igång.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
