Hva som er bygget
Microsoft AI meldte 15. oktober at selskapet har fullført fortreningen av MAI-Base-2, en ekspertblandingsmodell med 2,8 billioner parametere totalt og 80 milliarder aktive. Detaljene ble lagt ut i et labnotat på selskapets egne sider snarere enn som en produktlansering, og modellen er ikke tilgjengelig: den er under etterrening, uten sjekkpunkt, uten API, uten pris og uten lanseringsdato.
Selve kjøringen er substansen. Microsoft oppgir at modellen ble trent på 16 000 GB200-brikker over 38 dager i august og september 2026, med i snitt 21 prosent utnyttelse av modellens FLOPs og 89 prosent goodput, altså andelen av klokketiden da treningen faktisk gikk framover. Microsoft påpeker at utnyttelsestallet er normalisert mot GB200-brikkens teoretiske BF16-topp på 2,5 petaflops og utelater FLOPs til rematerialisering og optimerer, et forbehold som vanligvis forblir usagt.
Treningsblandingen kom på 50 billioner tokener. Bilde- og språkdata utgjorde 18 prosent når gjentakelse regnes med, hentet fra et unikt korpus på 4,5 billioner tokener, og i motsetning til forgjengeren ble modellen fortrent med syn innebygd fra start i stedet for påmontert etterpå. Korpuset av unike tokener vokste med rundt 36 prosent fra MAI-Base-1, med kunnskapsstopp i mars 2026.
Tallet man bør lese nøye
Hovedpåstanden er at MAI-Base-2 er 4,2 til 12,3 ganger mer FLOPs-effektiv i fortreningen enn DeepSeek-V4-Pro-Base, som Microsoft omtaler som den sterkeste åpne basismodellen selskapet har testet. Microsofts eget sammendrag runder det av til 4–12 ganger.
Dette er ikke et resultat fra en direkte sammenligning. Microsoft kom fram til det ved å tilpasse skaleringslover til fire tilbakeholdte evalueringer og sammenligne den implisitte regnekraften mot DeepSeeks treningsregnekraft. Det er et anslag over hvor mye regnekraft en konkurrent ville trenge for å nå samme poeng, utledet av kurver Microsoft selv har tilpasset, mot et tall for DeepSeeks forbruk som Microsoft ikke rår over. Intervallet er bredt av samme grunn: 4,2 og 12,3 er begge utfall av samme metode på ulike evalueringer.
Selskapet oppgir en forbedring på 6,3 til 12,7 ganger over sin egen MAI-Base-1 med samme metode, og det er den mer opplysende sammenligningen, siden begge sider er Microsofts og målt likt.
Tre spaker, og ingen destillering
Microsoft tilskriver gevinstene skaleringsvitenskap, samdesign av modell og infrastruktur og mer data. Det første dekker skaleringsstiger som tar hensyn til gjentatte treningsdata, og empirisk tilpassede skaleringslover for hyperparametre. Det andre dekker bedre implementasjoner av ekspertblanding og Muon-optimereren, pluss klipping av aktiveringsgradienter. Det tredje er den utvidede nettpipelinen og bildekorpuset.
Selskapet oppgir også at det ikke destillerte fra andre modeller. Det betyr like mye kommersielt som teknisk: en basismodell trent uten et annet laboratoriums utdata er renere å lisensiere, og Microsoft sier det planlegger å lisensiere vektene til betrodde partnere gjennom Foundry.
Hvorfor Microsoft bygger dette
Microsoft betaler OpenAI for frontmodeller og sender dem ut i alle sine produkter. Å bygge en basismodell på 2,8 billioner parametere internt, på sin egen silisiumtildeling, er en opsjon på å slippe. Labnotatet sier at forberedelsene til MAI-Base-3 allerede er i gang, og det er det tydeligste signalet: dette er et program, ikke en oppvisning.
Hva man skal følge med på
Etterrening er der en basismodell blir noe man kan bruke, og der påstandene blir etterprøvbare. Inntil Microsoft leverer en etterrent modell utenforstående evaluatorer kan kjøre, forblir effektivitetstallene selskapets egne anslag på selskapets egne tilbakeholdte tester. Følg med på lisensvilkårene i Foundry, på en eventuell uavhengig evaluering mot DeepSeek-V4-Pro-Base, og på om Microsoft publiserer de fire tilbakeholdte evalueringene kurvene ble tilpasset til.
