MAI-Base-2 hat das Pre-Training abgeschlossen: Microsofts 4–12-fache Effizienzbehauptung – ohne das Modell

Die Zahl, die am 15. Oktober die Runde machte, war „3T“. MAI-Base-2, das neue hauseigene Foundation-Modell von Microsoft AI, ist das Modell dahinter – und der eigene technische Beitrag des Unternehmens nennt es mit 2,8 Billionen Gesamtparametern bei 80 Milliarden aktiven. Die Rundung fällt gering aus; aufschlussreicher ist, was derselbe Beitrag enthält – und was nicht. MAI-Base-2 hat das Pre-Training abgeschlossen, befindet sich derzeit im Post-Training und hat keinen Checkpoint, keinen Preis, keine Lizenz und kein Datum. Die Schlagzeilen-Behauptung ist ein 4–12-facher Vorteil bei der Pre-Training-FLOPs-Effizienz gegenüber DeepSeek-V4-Pro-Base, dem einzigen veröffentlichten Basis-Pretraining-Checkpoint mit über einer Billion Parametern. Alles an dieser Behauptung ist eine Herstellerschätzung, und der Beitrag ist ungewöhnlich explizit darüber, wie sie zustande kam. Das ist es, was durch die öffentliche Quellenlage mit Stand vom 16. Oktober 2026 belegt ist – und die beiden Zahlen darin, die Microsoft nicht in die Schlagzeile gesetzt hat.

Was Microsoft tatsächlich veröffentlicht hat – und was nicht.

Die Primärquelle ist ein Lab-Notes-Beitrag auf der eigenen Website von Microsoft AI, datiert auf den 15. Oktober 2026, mit dem Titel „Frontier-Pretraining bei Microsoft AI“. Mustafa Suleyman kündigte ihn noch am selben Nachmittag mit der Aussage an, MAI verfüge jetzt über „modernste vortrainierte Basismodelle in der 3T-Parameter-Gewichtsklasse, vollständig intern bei MAI entwickelt“, und schloss mit „Post-Training-Ergebnisse folgen in Kürze“. Das ist die gesamte Grundlage der Geschichte, und es ist ein Unternehmen, das seine eigene Arbeit beschreibt – die folgenden technischen Behauptungen werden von niemandem außerhalb von MAI reproduziert, und es gibt keine unabhängige Bewertung dieses Modells in öffentlich zugänglichen Quellen.

Was noch nicht existiert, ist der Teil, den die meisten Leser wollen:

• Gewichte — keine. Kein Repository, kein Checkpoint, keine Quantisierung, kein Download jeglicher Art.

• Ein Produkt oder eine API – keine. Es gibt keinen Endpunkt, keine Preisseite, keine Modellkarte.

• Eine Lizenz – nicht genannt. Der Beitrag besagt, dass der Besitz der Pipeline „es uns ermöglichen wird, unsere Modellgewichte über Foundry an vertrauenswürdige Partner zu lizenzieren“, was eine erklärte Absicht und keine Ankündigung ist.

• Ein Datum – keines für Post-Training-Ergebnisse, keines für die Foundry-Verfügbarkeit, keines für MAI-Base-3.

• Benchmarks, die jeder erneut ausführen kann – keine. Die Evaluierungsoberfläche wird beschrieben, und die Rohwerte werden nicht in einer Form veröffentlicht, die ein Dritter reproduzieren kann.

Die treffende Beschreibung von MAI-Base-2 lautet heute in einem Wort: unfertig. Pre-Training – die teure, monatelange Phase, die rohen Text und Bilder in ein Basismodell verwandelt – ist abgeschlossen. Post-Training ist der Schritt, in dem aus einem Basismodell etwas wird, mit dem ein Mensch sprechen kann, und diese Phase läuft gerade. Die Unterscheidung ist wichtig, weil genau hier die interessanten Fehlermodi angesiedelt sind und weil ein Basis-Checkpoint und ein Chat-Modell keine vergleichbaren Objekte sind.

Was „4–12x FLOPs-effizienter“ tatsächlich misst

Dies ist die Behauptung, die überall wiederholt werden wird, daher lohnt es sich, genau auf ihre Form zu achten, denn es handelt sich nicht um einen direkten Vergleichs-Benchmarklauf.

Die Definition aus dem Beitrag: Microsoft vergleicht vortrainierte Modelle auf zurückgehaltenem Text anhand von Bits pro Byte, einer tokenizer-agnostischen Metrik – niedriger ist besser. Der zurückgehaltene Code stammt aus MAIs eigener Codebasis; die STEM-, Mathematik- und Q&A-Sets wurden bei externen Anbietern in Auftrag gegeben, „um das Risiko einer Kontamination der Trainingsdaten zu verringern“, und alle Evaluationssets wurden gegen die Trainingsdaten dekontaminiert. Das ist eine sorgfältigere Evaluationsbeschreibung, als die meisten Launch-Beiträge sie enthalten, und dennoch bewertet das Unternehmen damit weiterhin seine eigene Arbeit anhand seiner eigenen zurückgehaltenen Sets.

Die Effizienzangabe wird also abgeleitet, nicht direkt gemessen. Für jede der vier Hold-out-Evaluierungen passte MAI ein Skalierungsgesetz für Bits-pro-Byte gegenüber Trainings-FLOPs über seine interne Modellleiter hinweg an, bezog die eigene Endleistung von MAI-Base-2 in die Anpassungen ein, sodass der Übereinstimmungspunkt innerhalb des angepassten Bereichs und nicht jenseits davon liegt, und schätzte, wie viel Rechenleistung ein Modell seiner Leiter bräuchte, um mit DeepSeek-V4-Pro-Base gleichzuziehen. Im Vergleich zum tatsächlichen Trainings-Rechenaufwand dieses Modells ist das Ergebnis 4,2- bis 12,3-mal FLOPs-effizienter; gegenüber MAI-Base-1, das im Juni ausgeliefert wurde, beträgt die Verbesserung das 6,3- bis 12,7-Fache. Das „4–12x“ aus der Schlagzeile ist dieser erste Bereich, gerundet.

Drei Dinge daran sind es wert, festgehalten zu werden:

• Es handelt sich um eine Schätzung anhand einer angepassten Kurve, nicht um zwei Modelle, die unter kontrollierten Bedingungen trainiert wurden. Der Beitrag ist offen darüber, einschließlich des Details, dass das Referenzmodell „nach wie vor mit deutlich weniger FLOPs trainiert wird als MAI-Base-2“.

• Die Vergleichsmenge ist per Regel eng begrenzt. Nur Modelle mit mindestens einer Billion Gesamtparameter und nur Frontier-Checkpoints, die vor Oktober 2026 verfügbar waren, kamen infrage. DeepSeek-V4-Pro-Base ist der einzige veröffentlichte Basis-Pretraining-Checkpoint, der die Anforderungen erfüllte.

• Drei der Namen, mit denen es verglichen wird, existieren nur als nachtrainierte Checkpoints. Kimi K3, Qwen3.8-2.4T-A95B und MiMo-V2.6-Pro-RL werden mit einem ausdrücklichen Herstellerhinweis angegeben, dass das Nachtraining die Evaluierungen beeinflusst haben könnte. Einen frischen Basis-Checkpoint mit nachtrainierten Modellen anhand einer Next-Token-Prediction-Metrik zu vergleichen, ist kein Vergleich unter gleichen Bedingungen, und Microsoft sagt das auch, statt das Diagramm etwas anderes suggerieren zu lassen.

Nichts davon macht die Behauptung falsch. Es macht sie zu einer Behauptung – einer, die ein Leser als Richtung behandeln sollte, bis jemand sie reproduziert.

Die Rechenzahl, die Microsoft weggelassen hat

Der Beitrag liefert alles, was man braucht, um den Trainingslauf von MAI-Base-2 zu berechnen, und berechnet ihn dann nicht. Der Lauf umfasste 16.000 GB200-GPUs über 38 Tage im August und September 2026, bei einer durchschnittlichen Modell-FLOPs-Auslastung von 21 %, wobei die Auslastung gegen die theoretischen 2,5 PFLOPS des GB200 in BF16 normalisiert wurde.

Rechnet man das zusammen — 16.000 Beschleuniger mit 2,5 × 10¹⁵ FLOPs pro Sekunde, mal 38 Tage, mal 0,21 —, dann ergibt der Lauf grob 2,8 × 10²⁵ FLOPs an Trainingsrechenleistung. Diese Zahl ist unsere Rechnung auf Grundlage der im Beitrag selbst genannten Eingangsgrößen, keine von Microsoft veröffentlichte Zahl. Sie ist eine Untergrenze, weil die im Beitrag verwendete Definition von MFU die FLOPs ausschließt, die für Rematerialisierung und für den Optimizer anfallen. Und sie liegt deutlich über der Schwelle von 10²⁵ FLOPs, die der EU AI Act als Vermutung systemischen Risikos für ein KI-Modell mit allgemeinem Verwendungszweck heranzieht: ungefähr das Zwei- bis Dreifache dieser Grenze, aus einem einzigen Pre-Training-Lauf.

Um klarzustellen, was das bedeutet und was nicht: Keine Verpflichtung entsteht für ein Modell, auf das niemand zugreifen kann. Relevant ist, dass die Compute-Gesamtsumme die einzige Zahl im Beitrag ist, die sich durch Arithmetik aus veröffentlichten Eingangsgrößen ergibt statt aus einer gefitteten Schätzung, und wenn das Modell, das diese Basis erbt, schließlich ausgeliefert wird – über Microsofts eigene Produkte oder an Foundry-Partner –, ist dies die Zahl, von der Regulierungsbehörden ausgehen werden.

Was steckt eigentlich im Modell?

Lässt man das Effizienzargument beiseite, ist der Beitrag eine recht detaillierte Schilderung dreier technischer Probleme – und das ist der Teil mit bleibendem Wert, unabhängig davon, wer einen Benchmark gewinnt.

• Skalierung – ein MoE-Foundation-Modell mit 80 Milliarden aktiven und 2,8 Billionen Gesamtparametern, größer und dünner besetzt als MAI-Base-1.

• Mixture-of-Experts in jeder Schicht — MAI-Base-1 wechselte dichte Feed-Forward-Blöcke mit MoE-Blöcken ab, weil seine MoE-Implementierung nicht schnell genug war, um mehr zu rechtfertigen. Die Behebung von Speicherfragmentierung beim dynamischen Routing und von Overhead pro Experte sowie die Gruppierung von Berechnung und Kommunikation pro Expertengruppe erhöhten die MFU der MoE-Schicht von 24 % auf 35 %, was MoE in jeder Schicht zur zeitoptimalen Wahl machte.

• Dropless-MoE mit festem Speicher – statt Overflow-Tokens zu verwerfen oder für den Worst Case übermäßig zu allokieren, gruppiert MAI Experten und führt für Overflow zusätzliche Dispatch-Compute-Collect-Runden aus, wobei ungenutzte Kapazität von anderen Experten derselben Gruppe ausgeliehen wird. Der Speicherverbrauch ist bei beliebigem Routing-Ungleichgewicht statisch; das Argument des Beitrags gegen Token-Dropping ist, dass es die Qualität messbar beeinträchtigt.

• Muon im großen Maßstab – der Optimizer wird neu geshardet, nach BF16 gecastet, all-to-all ausgetauscht, lokal orthogonalisiert und zurückgegeben. Nach der Optimierung entfielen auf ihn 2,1 % der durchschnittlichen Trainingsiteration, also 165 ms, gegenüber einem theoretischen Spitzenwert von 55 ms, der dem Beitrag zufolge durch Kommunikation begrenzt wird. Muon wurde statt AdamW wegen der stabileren Dynamik gewählt.

• Aktivierungs-Gradienten-Clipping — Clipping an ausgewählten Aktivierungen statt an der globalen Batch-Norm, wodurch die Gradientennormen in einem viel engeren Bereich gehalten wurden als bei MAI-Base-1, und der Nutzen wuchs mit der Skalierung. Es erwies sich außerdem als Diagnosewerkzeug für die Datenqualität: Ein fehlerhaftes Trainingsbeispiel mit einem mitten im Satz abgeschnittenen Lizenzheader, das über einen Code-Daten-Pull-Request zurückverfolgt wurde, deckte einen Vorverarbeitungsfehler auf, der inzwischen behoben ist.

• Daten — ein Korpus, der bei einzigartigen Trainings-Tokens etwa 36 % größer ist als der von MAI-Base-1 und in eine 50-Billionen-Token-Mischung einfließt, mit einem Wissensstichtag im März 2026. Das Unternehmen sagt, die Pipeline bestehe aus organischen Daten ohne Destillation aus anderen Modellen und werde im eigenen Haus verarbeitet; außerdem respektiere sein proprietärer Crawler robots.txt und schließe Quellen auf der USTR-Liste der berüchtigten Märkte aus.

• Vision von Anfang an — anders als MAI-Base-1 wird dieses Modell von Grund auf nativ mit Vision durch eine encoderfreie Architektur vortrainiert. Der Vision-Sprache-Korpus umfasst 4,5 Billionen einzigartige Tokens und machte 18 % der 50-Billionen-Token-Mischung aus, die von Bildbeschriftung, Diagrammverständnis, visueller Verankerung, räumlichem Denken, medizinischem Verständnis, Computernutzung und Notenlesen reicht.

Es gibt außerdem die Hyperparameter-Skalierungsgesetze, in geschlossener Form veröffentlicht: Die optimale Lernrate mal Weight Decay ist 17,04 geteilt durch die Anzahl der Trainingsschritte, die optimale Lernrate folgt einer log-linearen Funktion von Tokens pro aktivem Parameter und Schritten, und Dropout ist eine Sigmoid-Funktion des Logarithmus der aktiven Parameter. Diese zu veröffentlichen ist das am besten wiederverwendbare Element des Posts – eine Skalierungsleiter, deren Sprossen allein durch die Layer-Anzahl benannt werden, wobei die Hidden Size auf 256/3 mal die Layer-Anzahl festgelegt ist und Query-Heads gleich der auf das nächste Vielfache von 16 gerundeten Layer-Anzahl sind, ist ein Rezept, das andere Labore testen können.

Warum ein Basis-Checkpoint kein Produkt ist und was als Nächstes passiert

MAI-Thinking-1, das Reasoning-Modell, das Microsoft Anfang dieses Jahres vorgestellt hat, wurde auf MAI-Base-1 aufbauend nachtrainiert. In dem Beitrag heißt es, MAI-Base-2 sei nun „die Grundlage für unsere nächste Modellgeneration“, was bedeutet, dass das Modell, das die Leute tatsächlich werden nutzen können, nicht MAI-Base-2 ist – sondern das, was Microsoft darauf aufbauend nachtrainiert, und dieser Name wurde noch nicht bekannt gegeben.

Der Vertriebskanal ist ebenfalls bereits entschieden, und es handelt sich nicht um offene Gewichte. Der erklärte Plan ist, Gewichte „an vertrauenswürdige Partner über Foundry“ zu lizenzieren, was eher einen Beschaffungsweg für Unternehmen als einen Download beschreibt. Nichts in dem Beitrag verspricht öffentlich zugängliche Gewichte, und die Betonung der Datenherkunft und das Fehlen von Destillation lesen sich wie die Grundlage für genau diese Art von Lizenzangebot.

Dann ist da noch MAI-Base-3. Der einzige Satz des Beitrags dazu lautet, dass „die Vorbereitungen für MAI-Base-3 bereits im Gange sind“. Keine Parameter, keine Angaben zur Rechenleistung, keine Daten, keine Termine – eher ein Roadmap-Signal als eine Information. Was er jedoch etabliert, ist eine Kadenz: MAI-Base-1 wurde im Juni veröffentlicht, das Pre-Training seines Nachfolgers wurde Mitte Oktober als abgeschlossen gemeldet, und der nächste Zyklus ist bereits in Vorbereitung. Eine Base-Model-Generation etwa alle vier Monate, in diesem Maßstab, ist die folgenreichere Aussage des Beitrags als jede einzelne Benchmark-Zeile.

Was Sie heute anrufen können

Nichts an der MAI-Base-2-Story ist aufrufbar, und es lohnt sich, deutlich zu sagen, dass keines der MAI-Modelle von Microsoft heute im Katalog von OrcaRouter ist – wir hosten sie nicht, und ein Basis-Checkpoint ist ohnehin kein bereitgestelltes Modell. Was der Beitrag Ihnen liefert, ist ein Vergleichsset, und der Großteil davon ist jetzt erreichbar. Das Referenzmodell in Microsofts Effizienzbehauptung, das nachtrainierte DeepSeek V4 Pro, ist in unserem Katalog, ebenso wie Kimi K3 und Qwen3.8-Max, zwei der Open-Weight-Modelle, gegen die MAI-Base-2 gemessen wurde.

Das gibt der Behauptung einen kostengünstigen Test. Eine API über 200+ Modelle bedeutet, dass der Vergleich dessen, was Sie tatsächlich aufrufen können, weder einen zweiten Vertrag noch ein zweites SDK erfordert, und weil OrcaRouter Anbieter-Listenpreise mit 0 % Aufschlag durchreicht, statt einen Aufschlag darauf zu erheben, ist eine Preisänderung eines dieser Anbieter noch am selben Tag auf unserer Seite live. Wenn Sie eine Workload über die nachtrainierten Versionen dieser Modelle laufen lassen möchten, bevor Sie entscheiden, ob Sie darauf warten, was Microsoft auf MAI-Base-2 aufsetzt, dann ist das der Vergleich, den ein Basismodell-Benchmark Ihnen nicht liefern kann – und die Routing-DSL lässt Sie den Verkehr zwischen ihnen per Konfiguration statt per Code verschieben, wenn sich die Antwort ändert.

Was würde dieses Stück verändern?

Vier Dinge, geordnet danach, wie wichtig sie wären.

Das Erste sind Post-Training-Ergebnisse. Alles in dem Beitrag vom 15. Oktober beschreibt ein vortrainiertes Artefakt; ob das dahinterstehende Modell gut darin ist, Anweisungen zu befolgen, Tools aufzurufen oder ein langes Gespräch zu führen, ist eine separate Frage, die öffentlich noch nicht gestellt wurde.

Das Zweite ist jede Form des Zugangs – ein Foundry-Eintrag mit einem Preis, eine Partnerankündigung oder Gewichte mit beigefügter Lizenz. Ab diesem Punkt ist dies kein Forschungsbericht mehr, sondern wird zu einer Beschaffungsentscheidung.

Der dritte Punkt ist die unabhängige Messung. Bits pro Byte auf der eigenen Codebasis des Anbieters, mit vom Anbieter in Auftrag gegebenen STEM- und Mathematik-Sets, ist nichts, was ein externes Labor heute überprüfen kann. Eine dritte Partei, die den Vergleich der Skalierungsgesetze gegen DeepSeek-V4-Pro-Base reproduziert, würde die Effizienzbehauptung klären; bis dahin ist es eine glaubwürdige, gut dokumentierte, selbst gemeldete Schätzung.

Der vierte Punkt ist ein Detail zu MAI-Base-3. „Die Vorbereitungen laufen“ ist ein Satz, keine Spezifikation, und die übernächste Generation ist der Punkt, an dem der Vier-Monats-Rhythmus entweder hält oder nicht.

Die eng gefasste, präzise Zusammenfassung: Microsoft hat das Vortraining seines größten hauseigenen Modells abgeschlossen, einen ungewöhnlich technischen Bericht darüber veröffentlicht, einen Effizienzvorteil gegenüber dem besten offenen Basis-Checkpoint beansprucht, einen Trainingslauf von ungefähr 2,8 × 10²⁵ FLOPs offengelegt – berechnet mit einer Arithmetik, die es im Beitrag nicht selbst durchgeführt hat – und nichts ausgeliefert, was irgendjemand nutzen kann.

Benchmarks veralten und Preise bewegen sich; die Fehlerhistorie nicht: Die dokumentierten KI-Vorfälle und Agentenfehler hinter Modellen dieser Klasse sind gesammelt im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und eine Kennzeichnung als umstritten enthält.