MAI-Base-2 har slutfört förträningen: Microsofts effektivitetsanspråk på 4–12x, utan modellen

Siffran som spreds den 15 oktober var "3T". MAI-Base-2, Microsoft AI:s nya interna basmodell, är modellen bakom – och företagets eget tekniska inlägg anger den till 2,8 biljoner totala parametrar med 80 miljarder aktiva. Avrundningen är marginell; det mer användbara är vad samma inlägg innehåller och inte innehåller. MAI-Base-2 har avslutat förträningen, genomgår för närvarande efterträning och har ingen checkpoint, inget pris, ingen licens och inget datum kopplat till sig. Huvudpåståendet är en 4–12 gånger så stor fördel i FLOPs-effektivitet vid förträning jämfört med DeepSeek-V4-Pro-Base, den enda släppta bascheckpointen för förträning med över en biljon parametrar. Allt i det påståendet är en uppskattning från leverantören, och inlägget är ovanligt explicit om hur den togs fram. Detta är vad det offentliga underlaget stöder per den 16 oktober 2026 – och de två siffror i det som Microsoft inte satte i rubriken.

Vad Microsoft faktiskt publicerade, och vad de inte gjorde

Den primära källan är ett Lab Notes-inlägg på Microsoft AI:s egen webbplats, daterat den 15 oktober 2026, med titeln "Frontier Pre-training at Microsoft AI". Mustafa Suleyman tillkännagav det samma eftermiddag med formuleringen att MAI nu har "toppmoderna förtränade basmodeller i viktklassen för 3T parametrar, helt byggda internt på MAI", och avslutade med "resultat från efterträningen kommer snart". Det är hela grunden för nyheten, och det är ett företag som beskriver sitt eget arbete – de tekniska påståendena nedan har inte reproducerats av någon utanför MAI, och det finns ingen oberoende utvärdering av denna modell i den offentliga dokumentationen.

Det som ännu inte finns är den del som de flesta läsare vill ha:

• Vikter — inga. Inget förråd, ingen kontrollpunkt, ingen kvantisering, ingen nedladdning av något slag.

• En produkt eller ett API – ingen. Det finns ingen endpoint, ingen prissida, inget modellkort.

• En licens — inte angiven. I inlägget står det att ägandet av pipelinen "kommer att göra det möjligt för oss att licensiera våra modellvikter till betrodda partner via Foundry", vilket är en uttalad avsikt, inte ett tillkännagivande.

• Ett datum – inget för efterträningsresultat, inget för Foundry-tillgänglighet, inget för MAI-Base-3.

• Prestandamätningar som vem som helst kan köra om — inga. Utvärderingsytan beskrivs, och råpoängen publiceras inte i en form som en tredje part kan återskapa.

Så den korrekta beskrivningen av MAI-Base-2 i dag är ett ord: oavslutad. Förträning – den dyra, månadslånga fasen som omvandlar rå text och råa bilder till en basmodell – är klar. Efterträning är där en basmodell blir något en person kan prata med, och den fasen pågår just nu. Distinktionen är viktig eftersom det är precis där de intressanta fellägena finns, och eftersom en bascheckpoint och en chattmodell inte är jämförbara objekt.

Vad "4–12x mer FLOPs-effektiv" faktiskt mäter

Detta är påståendet som kommer att upprepas överallt, så det är värt att vara precis om dess form, eftersom det inte är en head-to-head-benchmarkkörning.

Definitionen, från inlägget: Microsoft jämför förtränade modeller på held-out-text med bits-per-byte, ett tokenizer-agnostiskt mått – lägre är bättre. Held-out-kod hämtas från MAI:s egen kodbas; STEM-, matematik- och Q&A-setten beställdes från externa leverantörer "för att minska risken för kontaminering av träningssetet", och alla utvärderingsset avkontaminerades mot träningsdatan. Det är en noggrannare utvärderingsbeskrivning än vad de flesta lanseringsinlägg innehåller, och det är fortfarande företaget som betygsätter sitt eget arbete på sina egna held-out-set.

Effektivitetssiffran härleds sedan, den mäts inte direkt. För var och en av fyra utvärderingar på hållna data anpassade MAI en skalningslag för bits-per-byte mot tränings-FLOPs över sin interna modellstege, inkluderade MAI-Base-2:s egen slutliga prestanda i anpassningarna så att matchningspunkten hamnar inom det anpassade intervallet i stället för bortom det, och uppskattade hur mycket beräkningskraft en modell i dess stege skulle behöva för att matcha DeepSeek-V4-Pro-Base. Jämfört med den modellens faktiska beräkningskraft för träning är svaret 4,2–12,3x mer FLOPs-effektivt; jämfört med MAI-Base-1, som släpptes i juni, är förbättringen 6,3–12,7x. ”4–12x” i rubriken är det första intervallet, avrundat.

Tre saker i detta är värda att hålla fast vid:

• Det är en uppskattning från en anpassad kurva, inte två modeller tränade under kontrollerade förhållanden. Inlägget är uppriktigt om detta, inklusive detaljen att referensmodellen "fortfarande tränas på betydligt färre FLOPs än MAI-Base-2."

• Jämförelseurvalet är snävt enligt regeln. Endast modeller med minst en biljon parametrar totalt, och endast frontier-checkpointar som var tillgängliga före oktober 2026, var behöriga. DeepSeek-V4-Pro-Base är den enda släppta bas-checkpointen för förträning som kvalificerade sig.

• Tre av namnen som den jämförs mot finns bara som eftertränade checkpoints. Kimi K3, Qwen3.8-2.4T-A95B och MiMo-V2.6-Pro-RL rapporteras med en uttrycklig varning från leverantören om att efterträning kan ha påverkat utvärderingarna. Att jämföra en färsk bascheckpoint mot eftertränade modeller på ett mått för nästa-token-prediktion är inte en jämförelse på lika villkor, och Microsoft säger det i stället för att låta diagrammet antyda något annat.

Inget av det där gör påståendet felaktigt. Det gör det till ett påstående – ett sådant som en läsare bör behandla som en riktning tills någon har reproducerat det.

Compute-siffran som Microsoft utelämnade

Inlägget ger allt som behövs för att beräkna MAI-Base-2:s träningskörning, och beräknar den sedan inte. Körningen var 16 000 GB200-GPU:er under 38 dagar i augusti och september 2026, vid 21 % genomsnittlig modell-FLOPs-utnyttjandegrad, med utnyttjandegraden normaliserad mot GB200:s teoretiska 2,5 PFLOPS i BF16.

Multiplicera ihop det — 16 000 acceleratorer vid 2,5 × 10¹⁵ FLOPs per sekund, gånger 38 dagar, gånger 0,21 — och körningen implicerar grovt räknat 2,8 × 10²⁵ FLOPs i träningsberäkning. Den siffran är vår egen uträkning utifrån inläggets egna indata, inte en siffra som Microsoft har publicerat. Det är en undre gräns, eftersom inläggets egen definition av MFU utesluter de FLOPs som läggs på rematerialisering och på optimeraren. Och den ligger väl över tröskeln på 10²⁵ FLOPs som EU:s AI-förordning använder som presumtion om systemisk risk för en AI-modell för allmänna ändamål: ungefär två till tre gånger den gränsen, från en enda förträningskörning.

För att vara tydlig med vad det innebär och inte innebär: ingen skyldighet är knuten till en modell som ingen kan komma åt. Relevansen är att den totala beräkningsvolymen är den enda siffran i inlägget som är en fråga om aritmetik utifrån publicerade indata snarare än en anpassad uppskattning, och när modellen som ärver denna bas så småningom släpps – via Microsofts egna produkter eller till Foundry-partner – är det detta nummer som tillsynsmyndigheterna kommer att utgå från.

Vad finns det egentligen inuti modellen?

Om man bortser från effektivitetsargumentet är inlägget en ganska detaljerad redogörelse för tre ingenjörsproblem, vilket är den del som har bestående värde oavsett vem som vinner ett benchmark.

• Scale — en MoE-grundmodell med 80 miljarder aktiva parametrar och totalt 2,8 biljoner parametrar, större och glesare än MAI-Base-1.

• Blandning av experter i varje lager — MAI-Base-1 varvade täta feed-forward-block med MoE-block eftersom dess MoE-implementering inte var tillräckligt snabb för att motivera mer. Att åtgärda minnesfragmentering vid dynamisk routning och overhead per expert, plus att gruppera beräkning och kommunikation per expertgrupp, höjde MFU:n för MoE-lager från 24 % till 35 %, vilket var det som gjorde MoE i varje lager till det tidsoptimala valet.

• Dropless MoE med fast minne — i stället för att släppa överflödstoken eller överallokera för värsta fallet grupperar MAI experter och kör ytterligare dispatch-compute-collect-rundor för överflöd, och lånar oanvänd kapacitet från andra experter i samma grupp. Minneanvändningen är statisk under godtycklig routingobalans; inläggets argument mot att släppa token är att det mätbart försämrar kvaliteten.

• Muon i stor skala – optimeraren om-shardas, gjuts om till BF16, utbyts allt-mot-allt, ortogonaliseras lokalt och returneras. Efter optimeringen utgjorde den 2,1 % av den genomsnittliga träningsiterationen, eller 165 ms, mot en teoretisk topp på 55 ms som enligt inlägget begränsas av kommunikation. Muon valdes framför AdamW för mer stabil dynamik.

• Aktiveringsgradientklippning — klippning vid utvalda aktiveringar i stället för på den globala batchnormen, vilket höll gradientnormer inom ett mycket snävare band än MAI-Base-1:s, och fördelen växte med skalan. Det visade sig också vara en datakvalitetsdiagnostik: ett felaktigt träningsexempel med ett licenshuvud som kapats mitt i en mening, spårat tillbaka genom en pull request för koddata, avslöjade en bugg i förbearbetningen som sedan dess har åtgärdats.

• Data — en korpus som är cirka 36 % större än MAI-Base-1:s i fråga om unika träningstokens, som matar en blandning på 50 biljoner tokens, med en kunskapsgräns i mars 2026. Företaget säger att pipelinen består av organisk data utan destillation från andra modeller, bearbetad internt, och att dess proprietära crawler respekterar robots.txt och utesluter källor på USTR:s lista över notoriska marknader.

• Vision från start — till skillnad från MAI-Base-1 är denna modell förtränad nativt med vision genom en kodarfri arkitektur. Det vision-språkliga korpuset omfattar 4,5 biljoner unika tokens och utgjorde 18 % av blandningen på 50 biljoner tokens, med allt från bildtextning, diagramförståelse, visuell grounding, spatialt resonemang, medicinsk förståelse, datoranvändning och notläsning.

Det finns också hyperparameterskalningslagarna, publicerade i sluten form: den optimala inlärningshastigheten gånger weight decay är 17,04 dividerat med antalet träningssteg, den optimala inlärningshastigheten följer en log-linjär funktion av tokens per aktiv parameter och steg, och dropout är en sigmoid av logaritmen av aktiva parametrar. Att publicera dessa är det enskilt mest återanvändbara i inlägget – en skalningsstege vars steg enbart namnges av antalet lager, där hidden size är fixerad till 256/3 gånger antalet lager och query heads är lika med antalet lager avrundat till närmaste multipel av 16, är ett recept som andra labb kan testa.

Varför en bascheckpoint inte är en produkt, och vad som händer härnäst

MAI-Thinking-1, resonemangsmodellen som Microsoft introducerade tidigare i år, eftertränades ovanpå MAI-Base-1. Inlägget säger att MAI-Base-2 nu är "grunden för vår nästa generation av modeller", vilket innebär att modellen som folk faktiskt kommer att kunna använda inte är MAI-Base-2 — det är vad Microsoft än eftertränar ovanpå den, och det namnet har inte tillkännagivits.

Distributionskanalen är också redan beslutad, och den är inte öppna vikter. Den angivna planen är att licensiera vikter "till betrodda partner via Foundry", vilket beskriver en upphandlingsväg för företag snarare än en nedladdning. Ingenting i inlägget lovar offentliga vikter, och betoningen på datans härkomst och frånvaron av destillation framstår som förarbete för just den typen av licensierat erbjudande.

Sedan har vi MAI-Base-3. Det enda som står om det i inlägget är att "förberedelserna för MAI-Base-3 redan är i gång". Inga parametrar, ingen beräkningskraft, inga data, inga datum – en signal om färdplanen snarare än information. Det den däremot fastställer är en kadens: MAI-Base-1 släpptes i juni, förträningen av efterföljaren rapporterades klar i mitten av oktober, och nästa cykel är redan under förberedelse. En basmodellsgeneration ungefär var fjärde månad, i den här skalan, är det mer betydelsefulla påståendet i inlägget än någon enskild benchmarkrad.

Vad du kan ringa idag

Inget i historien om MAI-Base-2 går att anropa, och det är värt att säga rent ut att ingen av Microsofts MAI-modeller finns i OrcaRouters katalog i dag – vi hostar dem inte, och en bascheckpoint är inte en serverad modell oavsett. Vad inlägget faktiskt ger dig är en jämförelseuppsättning, och större delen av den uppsättningen är tillgänglig just nu. Referensmodellen i Microsofts effektivitetsanspråk, den eftertränade DeepSeek V4 Pro, finns i vår katalog, liksom Kimi K3 och Qwen3.8-Max, två av de modeller med öppna vikter som MAI-Base-2 mättes mot.

Det ger påståendet ett billigt test. Ett API över 200+ modeller innebär att jämföra vad du faktiskt kan anropa inte kräver ett andra avtal eller ett andra SDK, och eftersom OrcaRouter för vidare leverantörernas listpriser med 0 % påslag i stället för att lägga på marginal, är en prisförändring från någon av dessa leverantörer live hos oss samma dag. Om du vill köra en arbetsbelastning över de eftertränade versionerna av dessa modeller innan du bestämmer om du ska vänta på vad Microsoft än släpper ovanpå MAI-Base-2, är det jämförelsen som ett basmodellsbenchmark inte kan ge dig — och routnings-DSL:en låter dig flytta trafik mellan dem via konfiguration i stället för kod när svaret ändras.

Vad skulle förändra det här stycket?

Fyra saker, i ordning efter hur mycket de skulle spela roll.

Det första är resultat från efterträning. Allt i inlägget den 15 oktober beskriver en förtränad artefakt; huruvida modellen bakom den är bra på att följa instruktioner, anropa verktyg eller föra en lång konversation är en separat fråga som inte har ställts offentligt.

Det andra är varje form av åtkomst – en Foundry-listning med ett pris, ett partnermeddelande eller vikter med tillhörande licens. Vid det laget upphör detta att vara en forskningsrapport och blir ett inköpsbeslut.

Det tredje är oberoende mätning. Bitar per byte på leverantörens egen kodbas, med leverantörsbeställda STEM- och matematikuppsättningar, är inte något ett externt laboratorium kan kontrollera i dag. En tredje part som reproducerar skalningslagsjämförelsen mot DeepSeek-V4-Pro-Base skulle avgöra effektivitetsanspråket; fram till dess är det en trovärdig, väldokumenterad, självrapporterad uppskattning.

Den fjärde är detaljen om MAI-Base-3. ”Förberedelser pågår” är en mening, inte en specifikation, och nästnästa generation är där fyramånaderskadensen antingen håller eller inte.

Den snäva, korrekta sammanfattningen: Microsoft har slutfört förträningen av sin största interna modell, publicerat en ovanligt teknisk redogörelse för hur, hävdat en effektivitetsfördel gentemot den bästa öppna bas-checkpointen, avslöjat en träningskörning på ungefär 2,8 × 10²⁵ FLOPs genom aritmetik som de inte själva utförde i inlägget, och inte släppt något som någon kan använda.

Benchmarks age and prices move; the failure record does not: the documented AI incidents and agent failures behind models in this class are collected in the OrcaRouter AI Incident Archive, where each entry carries its own sources, severity, confidence grade and disputed flag.