MAI-Base-2 zakończył wstępne trenowanie: twierdzenie Microsoftu o 4–12x wydajności, tyle że bez modelu

Liczba, która krążyła 15 października, to „3T”. MAI-Base-2, nowy wewnętrzny model bazowy Microsoft AI, jest modelem, który za tym stoi — a własny techniczny wpis firmy określa go na 2,8 biliona parametrów łącznie, z 80 miliardami aktywnych. Zaokrąglenie jest niewielkie; bardziej przydatne jest to, co ten sam wpis zawiera, a czego nie. MAI-Base-2 zakończył pretrening, jest obecnie poddawany treningowi końcowemu i nie ma do niego przypisanego checkpointu; nie ma też ceny, licencji ani daty. Twierdzenie z nagłówka to 4–12-krotna przewaga w efektywności FLOPs podczas pretreningu nad DeepSeek-V4-Pro-Base, jedynym wydanym bazowym checkpointem pretreningowym powyżej biliona parametrów. Wszystko w tym twierdzeniu to szacunek dostawcy, a wpis jest wyjątkowo jednoznaczny co do tego, jak powstał ten szacunek. To jest to, co potwierdza publiczny zapis na dzień 16 października 2026 r. — oraz dwie liczby w nim, których Microsoft nie umieścił w nagłówku.

Co Microsoft faktycznie opublikował, a czego nie

Głównym źródłem jest wpis na blogu Lab Notes na własnej stronie Microsoft AI, datowany na 15 października 2026 r., zatytułowany „Frontier Pre-training w Microsoft AI”. Mustafa Suleyman ogłosił to tego samego popołudnia, stwierdzając, że MAI ma teraz „najnowocześniejsze wstępnie wytrenowane modele bazowe w klasie wagowej 3T parametrów, zbudowane w całości wewnętrznie w MAI”, i zakończył słowami „wyniki po treningu już wkrótce”. To jest cała podstawa tej historii i jest to firma opisująca własną pracę — poniższe twierdzenia techniczne nie zostały odtworzone przez nikogo spoza MAI i nie ma niezależnej oceny tego modelu w publicznie dostępnych źródłach.

To, czego jeszcze nie ma, to część, której najbardziej pragnie większość czytelników:

• Wagi — brak. Żadnego repozytorium, żadnego checkpointu, żadnej kwantyzacji, żadnego pobierania jakiegokolwiek rodzaju.

• Produkt lub API — brak. Nie ma punktu końcowego, strony z cennikiem ani karty modelu.

• Licencja — nie podano. We wpisie stwierdzono, że posiadanie pipeline'u „pozwoli nam licencjonować nasze wagi modelu zaufanym partnerom za pośrednictwem Foundry”, co jest wyrażoną intencją, a nie ogłoszeniem.

• Data — brak dla wyników po treningu, brak dla dostępności Foundry, brak dla MAI-Base-3.

• Benchmarki, które każdy może powtórzyć — brak. Zakres ewaluacji został opisany, a surowe wyniki nie są publikowane w formie, którą mogłaby odtworzyć osoba trzecia.

A więc trafny opis MAI-Base-2 na dziś to jedno słowo: niedokończony. Pretrening — kosztowna, trwająca miesiące faza, która zamienia surowy tekst i obrazy w model bazowy — jest zakończony. Posttraining to etap, w którym model bazowy staje się czymś, z czym człowiek może rozmawiać, i ten etap trwa właśnie teraz. To rozróżnienie ma znaczenie, ponieważ właśnie tam tkwią ciekawe tryby awarii i ponieważ bazowy checkpoint oraz model czatu nie są porównywalnymi obiektami.

Co tak naprawdę mierzy „4–12x większa wydajność pod względem FLOPs”

To jest twierdzenie, które będzie powtarzane wszędzie, więc warto być precyzyjnym co do jego kształtu, ponieważ nie jest to bezpośrednie porównanie w ramach benchmarku.

Definicja z wpisu: Microsoft porównuje wstępnie wytrenowane modele na tekście odłożonym za pomocą bits-per-byte, metryki niezależnej od tokenizatora — im niżej, tym lepiej. Kod odłożony pochodzi z własnej bazy kodu MAI; zestawy STEM, Math i Q&A zostały zamówione u zewnętrznych dostawców „aby zmniejszyć ryzyko zanieczyszczenia zbioru treningowego”, a wszystkie zestawy ewaluacyjne odkażono względem danych treningowych. To staranniejszy opis ewaluacji, niż zawiera większość wpisów o premierze, a wciąż to firma ocenia własną pracę na własnych odłożonych zestawach.

Wskaźnik efektywności jest więc wyliczany, a nie mierzony bezpośrednio. Dla każdej z czterech ewaluacji na danych odłożonych MAI dopasowało prawo skalowania liczby bitów na bajt względem FLOP-ów treningowych w swojej wewnętrznej drabince modeli, uwzględniło własny końcowy wynik MAI-Base-2 w dopasowaniach, tak aby punkt dopasowania znalazł się wewnątrz dopasowanego zakresu, a nie poza nim, oraz oszacowało, ile obliczeń potrzebowałby model z tej drabinki, aby dorównać DeepSeek-V4-Pro-Base. W porównaniu z rzeczywistym nakładem obliczeniowym tego modelu na trening daje to efektywność większą o 4,2–12,3x pod względem FLOP-ów; w porównaniu z MAI-Base-1, który ukazał się w czerwcu, poprawa wynosi 6,3–12,7x. „4–12x” z nagłówka to ten pierwszy zakres po zaokrągleniu.

Trzy rzeczy na ten temat warto zapamiętać:

• To oszacowanie na podstawie dopasowanej krzywej, a nie dwóch modeli trenowanych w kontrolowanych warunkach. Wpis mówi o tym otwarcie, podając nawet szczegół, że model referencyjny „wciąż jest trenowany na znacznie mniejszej liczbie FLOPs niż MAI-Base-2”.

• Zbiór porównawczy jest z założenia wąski. Kwalifikowały się wyłącznie modele o łącznej liczbie co najmniej jednego biliona parametrów oraz wyłącznie frontierowe checkpointy dostępne przed październikiem 2026 r. DeepSeek-V4-Pro-Base to jedyny wydany bazowy checkpoint pretreningowy, który spełnił warunki.

• Trzy z nazw, z którymi jest porównywany, istnieją wyłącznie jako checkpointy po treningu dostrajającym. Kimi K3, Qwen3.8-2.4T-A95B i MiMo-V2.6-Pro-RL podano z wyraźnym zastrzeżeniem producenta, że trening dostrajający mógł wpłynąć na wyniki ewaluacji. Porównywanie świeżego bazowego checkpointu z modelami po treningu dostrajającym na metryce przewidywania następnego tokenu nie jest porównaniem na równych zasadach, a Microsoft mówi to wprost, zamiast pozwalać, by wykres sugerował coś innego.

Nic z tego nie czyni tego twierdzenia błędnym. To czyni je twierdzeniem — takim, które czytelnik powinien traktować jako wskazówkę, dopóki ktoś go nie odtworzy.

Liczba dotycząca mocy obliczeniowej, którą Microsoft pominął

Wpis podaje wszystko, co potrzebne do obliczenia przebiegu treningu MAI-Base-2, a następnie go nie oblicza. Przebieg obejmował 16 000 GPU GB200 przez 38 dni w sierpniu i wrześniu 2026 r., przy średnim wykorzystaniu FLOPs modelu wynoszącym 21%, gdzie wykorzystanie znormalizowano względem teoretycznych 2,5 PFLOPS GB200 w BF16.

Pomnóż to wszystko — 16 000 akceleratorów przy 2,5 × 10¹⁵ FLOPs na sekundę, razy 38 dni, razy 0,21 — a ten przebieg implikuje około 2,8 × 10²⁵ FLOPs obliczeń treningowych. Ta liczba to nasze własne obliczenia na podstawie danych wejściowych z samego wpisu, a nie wartość opublikowana przez Microsoft. To dolna granica, ponieważ użyta w tym wpisie definicja MFU wyklucza FLOPs zużywane na rematerializację i na optymalizator. A jednocześnie znajduje się znacznie powyżej progu 10²⁵ FLOPs, który unijny AI Act stosuje jako domniemanie ryzyka systemowego dla modelu AI ogólnego przeznaczenia: około dwa do trzech razy powyżej tej linii, z jednego przebiegu wstępnego trenowania.

Żeby było jasne, co to oznacza, a czego nie oznacza: żadne zobowiązanie nie wiąże się z modelem, do którego nikt nie ma dostępu. Istotne jest to, że łączna moc obliczeniowa to jedyna liczba w tym wpisie, która wynika z arytmetyki na podstawie publikowanych danych wejściowych, a nie z dopasowanego oszacowania, i gdy model dziedziczący tę bazę w końcu trafi na rynek — poprzez własne produkty Microsoftu lub do partnerów Foundry — to właśnie od tej liczby zaczną regulatorzy.

Co tak naprawdę znajduje się wewnątrz modelu

Odrzuć argument o wydajności, a ten wpis staje się dość szczegółowym opisem trzech problemów inżynieryjnych, czyli części o trwałej wartości niezależnie od tego, kto wygrywa benchmark.

• Scale — model bazowy MoE z 80 miliardami aktywnych i 2,8 biliona łącznych parametrów, większy i rzadszy niż MAI-Base-1.

• Mieszanina ekspertów w każdej warstwie — MAI-Base-1 przeplatał gęste bloki feed-forward z blokami MoE, ponieważ jego implementacja MoE nie była wystarczająco szybka, aby uzasadnić większą ich liczbę. Naprawienie fragmentacji pamięci powodowanej dynamicznym routingiem i narzutu przypadającego na pojedynczego eksperta, wraz z grupowaniem obliczeń i komunikacji w obrębie grup ekspertów, podniosło MFU warstwy MoE z 24% do 35%, co sprawiło, że MoE w każdej warstwie stało się wyborem optymalnym czasowo.

• MoE bez odrzucania ze stałą pamięcią — zamiast odrzucać nadmiarowe tokeny lub nadmiernie przydzielać zasoby na najgorszy przypadek, MAI grupuje ekspertów i wykonuje dodatkowe rundy dispatch-compute-collect dla nadmiaru, pożyczając niewykorzystaną pojemność od innych ekspertów w tej samej grupie. Użycie pamięci jest stałe przy dowolnym niezrównoważeniu routingu; argument wpisu przeciwko odrzucaniu tokenów jest taki, że mierzalnie pogarsza jakość.

• Muon na dużą skalę — optymalizator jest ponownie dzielony na shardy, konwertowany do BF16, wymieniany metodą all-to-all, ortogonalizowany lokalnie i zwracany. Po optymalizacji stanowił 2,1% średniej iteracji treningowej, czyli 165 ms, wobec teoretycznego szczytu na poziomie 55 ms, który — jak podano we wpisie — jest ograniczany przez komunikację. Muon został wybrany zamiast AdamW ze względu na stabilniejszą dynamikę.

• Przycinanie gradientów aktywacji — przycinanie na wybranych aktywacjach, a nie na globalnej normalizacji wsadowej, co utrzymywało normy gradientów w znacznie węższym przedziale niż w MAI-Base-1, a korzyść rosła wraz ze skalą. Okazało się również narzędziem diagnostycznym jakości danych: wadliwy przykład treningowy z nagłówkiem licencji uciętym w połowie zdania, prześledzony wstecz poprzez pull request dotyczący danych kodu, ujawnił błąd w przetwarzaniu wstępnym, który od tego czasu naprawiono.

• Dane — korpus o około 36% większy niż MAI-Base-1 pod względem unikalnych tokenów treningowych, zasilający mieszankę 50 bilionów tokenów, z datą odcięcia wiedzy marzec 2026. Firma twierdzi, że potok danych to dane organiczne, bez destylacji z innych modeli, przetwarzane wewnętrznie, a jej zastrzeżony crawler przestrzega robots.txt i wyklucza źródła z listy Notorious Markets USTR.

• Wizja od samego początku — w przeciwieństwie do MAI-Base-1, ten model jest wstępnie trenowany natywnie z wizją poprzez architekturę bez enkodera. Korpus wizyjno-językowy zawiera 4,5 biliona unikalnych tokenów i stanowił 18% mieszanki 50 bilionów tokenów, obejmując opisywanie obrazów, rozumienie wykresów, ugruntowanie wizualne, rozumowanie przestrzenne, rozumienie medyczne, obsługę komputera i czytanie nut.

Są też prawa skalowania hiperparametrów, opublikowane w jawnej postaci: iloczyn optymalnego współczynnika uczenia i weight decay wynosi 17,04 podzielone przez liczbę kroków treningowych, optymalny współczynnik uczenia jest log-liniową funkcją liczby tokenów na aktywny parametr i liczby kroków, a dropout jest sigmoidą logarytmu liczby aktywnych parametrów. Opublikowanie ich to najbardziej nadająca się do ponownego wykorzystania rzecz w tym wpisie — drabina skalowania, której szczeble są nazywane wyłącznie na podstawie liczby warstw, gdzie rozmiar ukryty wynosi 256/3 razy liczba warstw, a liczba głowic zapytań równa się liczbie warstw zaokrąglonej do najbliższej wielokrotności 16, to przepis, który inne laboratoria mogą przetestować.

Dlaczego bazowy checkpoint nie jest produktem i co dzieje się dalej

MAI-Thinking-1, model rozumowania, który Microsoft wprowadził na początku tego roku, przeszedł post-training na bazie MAI-Base-1. We wpisie stwierdzono, że MAI-Base-2 jest teraz „fundamentem dla naszej następnej generacji modeli”, co oznacza, że model, z którego ludzie będą mogli faktycznie korzystać, to nie MAI-Base-2 — lecz ten, który Microsoft podda post-trainingowi na jego bazie, a jego nazwa nie została ogłoszona.

Kanał dystrybucji jest również już ustalony i nie są to otwarte wagi. Deklarowany plan zakłada licencjonowanie wag „zaufanym partnerom poprzez Foundry”, co opisuje raczej korporacyjną ścieżkę zakupową niż pobieranie. Nic w poście nie obiecuje publicznych wag, a nacisk na pochodzenie danych i brak destylacji czyta się jako przygotowanie gruntu pod dokładnie taką ofertę licencyjną.

Jest jeszcze MAI-Base-3. Jedyne zdanie na jego temat w poście brzmi: „przygotowania do MAI-Base-3 już trwają”. Żadnych parametrów, żadnych obliczeń, żadnych danych, żadnych dat — sygnał z roadmapy, a nie informacja. To, co jednak ustala, to kadencja: MAI-Base-1 wydany w czerwcu, wstępny trening jego następcy zgłoszony jako ukończony w połowie października, a kolejny cykl już w przygotowaniu. Generacja modelu bazowego mniej więcej co cztery miesiące, w tej skali, to donioślejsze twierdzenie w poście niż jakikolwiek pojedynczy wiersz benchmarku.

Co możesz dziś nazwać

Nic w historii MAI-Base-2 nie jest wywoływalne i warto powiedzieć wprost, że żaden z modeli MAI firmy Microsoft nie znajduje się dziś w katalogu OrcaRouter — nie hostujemy ich, a bazowy checkpoint i tak nie jest modelem udostępnianym. Wpis daje ci natomiast zestaw porównawczy, a większość tego zestawu jest osiągalna już teraz. Model referencyjny w twierdzeniu Microsoftu o efektywności, poddany dalszemu treningowi DeepSeek V4 Pro, znajduje się w naszym katalogu, podobnie jak Kimi K3 i Qwen3.8-Max, dwa z modeli o otwartych wagach, z którymi porównywano MAI-Base-2.

To daje temu twierdzeniu tani test. Jedno API dla ponad 200 modeli oznacza, że porównywanie tego, co możesz faktycznie wywołać, nie wymaga drugiej umowy ani drugiego SDK, a ponieważ OrcaRouter przekazuje ceny listowe dostawców z 0% marży zamiast je zawyżać, zmiana ceny przez któregokolwiek z tych dostawców obowiązuje u nas tego samego dnia. Jeśli chcesz uruchomić obciążenie na wersjach tych modeli po dostrojeniu, zanim zdecydujesz, czy czekać na to, co Microsoft wyda na bazie MAI-Base-2, to jest właśnie porównanie, którego nie da ci benchmark modelu bazowego — a routing DSL pozwala przenosić ruch między nimi za pomocą konfiguracji, a nie kodu, gdy odpowiedź się zmieni.

Co zmieniłoby ten element?

Cztery rzeczy, według tego, jak bardzo miałyby znaczenie.

Pierwsze to wyniki po treningu. Wszystko w poście z 15 października opisuje wstępnie wytrenowany artefakt; to, czy model stojący za nim dobrze radzi sobie z wykonywaniem instrukcji, wywoływaniem narzędzi lub prowadzeniem długiej rozmowy, to osobne pytanie, które nie zostało zadane publicznie.

Drugi to każda forma dostępu — oferta w Foundry z ceną, ogłoszenie partnerskie lub wagi z dołączoną licencją. W tym momencie przestaje to być raport badawczy i staje się decyzją zakupową.

Trzeci to niezależny pomiar. Liczba bitów na bajt na własnej bazie kodu dostawcy, z zestawami STEM i matematycznymi zamówionymi przez dostawcę, nie jest czymś, co zewnętrzne laboratorium może dziś sprawdzić. Odtworzenie przez stronę trzecią porównania praw skalowania względem DeepSeek-V4-Pro-Base rozstrzygnęłoby twierdzenie o efektywności; do tego czasu jest to wiarygodne, dobrze udokumentowane, samodzielnie zgłoszone oszacowanie.

Czwarty to szczegół dotyczący MAI-Base-3. „Przygotowania trwają” to zdanie, a nie specyfikacja, a to na generacji po następnej rozstrzyga się, czy czteromiesięczny rytm się utrzyma, czy nie.

Wąskie, trafne podsumowanie: Microsoft zakończył wstępne trenowanie swojego największego wewnętrznego modelu, opublikował nietypowo techniczny opis tego, jak to zrobił, twierdził, że ma przewagę efektywności nad najlepszym otwartym bazowym checkpointem, ujawnił przebieg treningu o skali około 2,8 × 10²⁵ FLOPs, posługując się arytmetyką, której nie wykonał samodzielnie we wpisie, i nie dostarczył niczego, z czego ktokolwiek mógłby skorzystać.

Benchmarki się starzeją, a ceny się zmieniają; rejestr awarii pozostaje taki sam: udokumentowane incydenty AI i awarie agentów dotyczące modeli z tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.