Vad som byggts
Microsoft AI meddelade den 15 oktober att bolaget slutfört förträningen av MAI-Base-2, en expertblandningsmodell med 2,8 biljoner parametrar totalt och 80 miljarder aktiva. Uppgifterna publicerades i en labbanteckning på bolagets egen sajt snarare än som en produktlansering, och modellen finns inte att få: den är under efterträning, utan kontrollpunkt, utan API, utan pris och utan släppdatum.
Själva körningen är det väsentliga. Microsoft uppger att modellen tränades på 16 000 GB200-grafikprocessorer under 38 dagar i augusti och september 2026, med i genomsnitt 21 procents utnyttjande av modellens FLOPs och 89 procents goodput, alltså den andel av klocktiden då träningen faktiskt gick framåt. Microsoft noterar att utnyttjandesiffran är normaliserad mot GB200:ans teoretiska BF16-topp på 2,5 petaflops och utesluter FLOPs för rematerialisering och optimerare, ett förbehåll som sällan nämns.
Träningsblandningen uppgick till 50 biljoner tokens. Bild- och språkdata stod för 18 procent när upprepning räknas med, hämtade ur ett unikt korpus på 4,5 biljoner tokens, och till skillnad från föregångaren förtränades modellen med syn inbyggd från början i stället för påskruvad efteråt. Korpuset av unika tokens växte med ungefär 36 procent jämfört med MAI-Base-1, med kunskapsstopp i mars 2026.
Siffran man ska läsa noga
Huvudpåståendet är att MAI-Base-2 är 4,2 till 12,3 gånger mer FLOPs-effektiv i förträningen än DeepSeek-V4-Pro-Base, som Microsoft beskriver som den starkaste öppna basmodell bolaget testat. Microsofts egen sammanfattning avrundar det till 4–12 gånger.
Det är inte ett resultat från en direkt jämförelse. Microsoft kom fram till det genom att anpassa skalningslagar till fyra undanhållna utvärderingar och jämföra den implicerade beräkningen mot DeepSeeks träningsberäkning. Det är en uppskattning av hur mycket beräkning en konkurrent skulle behöva för samma poäng, härledd ur kurvor Microsoft själv anpassat, mot en siffra för DeepSeeks kostnad som Microsoft inte råder över. Intervallet är brett av samma skäl: 4,2 och 12,3 är båda utfall av samma metod på olika utvärderingar.
Bolaget redovisar en förbättring på 6,3 till 12,7 gånger mot sitt eget MAI-Base-1 med samma metod, och det är den mer upplysande jämförelsen, eftersom båda leden är Microsofts och mätta likadant.
Tre spakar, och ingen destillering
Microsoft tillskriver vinsterna skalningsvetenskap, samkonstruktion av modell och infrastruktur samt mer data. Det första omfattar skalningsstegar som tar hänsyn till upprepade träningsdata och empiriskt anpassade skalningslagar för hyperparametrar. Det andra omfattar förbättrade implementationer av expertblandning och Muon-optimeraren samt klippning av aktiveringsgradienter. Det tredje är den utvidgade webbpipelinen och bildkorpuset.
Bolaget uppger dessutom att det inte destillerat från andra modeller. Det spelar lika stor kommersiell som teknisk roll: en basmodell tränad utan ett annat labbs utdata är renare att licensiera, och Microsoft säger sig planera att licensiera vikterna till betrodda partner genom Foundry.
Varför Microsoft bygger detta
Microsoft betalar OpenAI för frontmodeller och distribuerar dem i alla sina produkter. Att bygga en bas på 2,8 biljoner parametrar internt, på sin egen kiseltilldelning, är en option på att slippa göra det. Labbanteckningen säger att förberedelserna för MAI-Base-3 redan pågår, och det är den tydligare signalen: detta är ett program, inte en uppvisning.
Vad man ska hålla ögonen på
Eftertrännningen är där en basmodell blir något användbart, och där påståendena blir kontrollerbara. Till dess att Microsoft levererar en eftertränad modell som utomstående utvärderare kan köra förblir effektivitetssiffrorna bolagets egna uppskattningar på bolagets egna undanhållna tester. Håll utkik efter licensvillkoren i Foundry, efter en oberoende utvärdering mot DeepSeek-V4-Pro-Base, och efter om Microsoft publicerar de fyra undanhållna utvärderingar kurvorna anpassades till.
