MAI-Base-2 ฝึกโมเดลล่วงหน้าเสร็จสิ้น: คำกล่าวอ้างประสิทธิภาพ 4–12 เท่าของ Microsoft โดยไม่มีโมเดล

ตัวเลขที่ถูกส่งต่อเมื่อวันที่ 15 ตุลาคม คือ "3T" MAI-Base-2 ซึ่งเป็นโมเดลพื้นฐานใหม่ที่พัฒนาเองภายในของ Microsoft AI คือโมเดลที่อยู่เบื้องหลัง — และโพสต์ทางเทคนิคของบริษัทเองระบุว่ามีพารามิเตอร์รวม 2.8 ล้านล้านตัว โดยมี 80 พันล้านตัวที่ใช้งานอยู่ การปัดเศษเป็นเรื่องเล็กน้อย สิ่งที่มีประโยชน์กว่าคือสิ่งที่โพสต์เดียวกันมีและไม่มี MAI-Base-2 ผ่านการฝึกก่อน (pre-training) แล้ว กำลังอยู่ระหว่างการฝึกหลัง (post-training) และยังไม่มี checkpoint ไม่มีราคา ไม่มีใบอนุญาต และไม่มีวันที่ผูกไว้ด้วย ข้อกล่าวอ้างในพาดหัวคือความได้เปรียบด้านประสิทธิภาพ FLOPs ในการฝึกก่อน 4–12 เท่าเหนือ DeepSeek-V4-Pro-Base ซึ่งเป็น checkpoint ฐานการฝึกก่อนที่เปิดตัวแล้วเพียงตัวเดียวที่มีพารามิเตอร์เกินหนึ่งล้านล้านตัว ทุกอย่างเกี่ยวกับข้อกล่าวอ้างนั้นเป็นการประเมินจากผู้ขาย และโพสต์นี้ชัดเจนอย่างผิดปกติว่ามันถูกสร้างขึ้นมาอย่างไร นี่คือสิ่งที่บันทึกสาธารณะรองรับ ณ วันที่ 16 ตุลาคม 2026 — และตัวเลขสองตัวในนั้นที่ Microsoft ไม่ได้ใส่ไว้ในพาดหัว

สิ่งที่ Microsoft เผยแพร่จริง ๆ และสิ่งที่ไม่ได้เผยแพร่

แหล่งข้อมูลปฐมภูมิคือโพสต์ Lab Notes บนเว็บไซต์ของ Microsoft AI เอง ลงวันที่ 15 ตุลาคม 2026 หัวข้อ “Frontier Pre-training at Microsoft AI” Mustafa Suleyman ประกาศเรื่องนี้ในช่วงบ่ายวันเดียวกันด้วยประโยคที่ว่า ตอนนี้ MAI มี “โมเดลฐานที่ผ่านการพรีเทรนระดับล้ำสมัยในคลาสน้ำหนักพารามิเตอร์ 3T ซึ่งสร้างขึ้นทั้งหมดภายใน MAI” และปิดท้ายด้วย “ผลลัพธ์หลังการฝึกอบรมจะตามมาเร็ว ๆ นี้” นั่นคือพื้นฐานทั้งหมดของเรื่องนี้ และเป็นการที่บริษัทบรรยายงานของตัวเอง — ข้อกล่าวอ้างทางเทคนิคด้านล่างนี้ยังไม่มีผู้ใดนอก MAI ทำซ้ำได้ และไม่มีการประเมินอย่างอิสระต่อโมเดลนี้ในข้อมูลสาธารณะ

สิ่งที่ยังไม่มีในตอนนี้คือส่วนที่ผู้อ่านส่วนใหญ่ต้องการ:

• น้ำหนัก — ไม่มี. ไม่มีที่เก็บโค้ด ไม่มีเช็คพอยต์ ไม่มีการควอนไทซ์ ไม่มีการดาวน์โหลดใดๆ.

• ผลิตภัณฑ์หรือ API — ไม่มีเลย ไม่มีเอนด์พอยต์ ไม่มีหน้าราคา ไม่มีโมเดลการ์ด

• ใบอนุญาต — ไม่ได้ระบุไว้ โพสต์ดังกล่าวกล่าวว่าการเป็นเจ้าของไปป์ไลน์ "จะทำให้เราสามารถออกใบอนุญาตน้ำหนักโมเดลของเราแก่พันธมิตรที่เชื่อถือได้ผ่าน Foundry" ซึ่งเป็นความตั้งใจที่ระบุไว้ ไม่ใช่การประกาศ

• วันที่ — ไม่มีสำหรับผลลัพธ์หลังการฝึก, ไม่มีสำหรับความพร้อมใช้งานของ Foundry, ไม่มีสำหรับ MAI-Base-3

• เบนช์มาร์กที่ใคร ๆ ก็รันซ้ำได้ — ไม่มีเลย ขอบเขตการประเมินถูกอธิบายไว้ และคะแนนดิบก็ไม่ได้ถูกเผยแพร่ในรูปแบบที่บุคคลที่สามจะทำซ้ำได้

ดังนั้น คำอธิบายที่ถูกต้องของ MAI-Base-2 ในวันนี้มีคำเดียว: ยังไม่เสร็จสมบูรณ์ การฝึกก่อน (pre-training) — ช่วงที่ใช้เวลาหลายเดือนและมีค่าใช้จ่ายสูง ซึ่งเปลี่ยนข้อความและรูปภาพดิบให้กลายเป็นโมเดลฐาน — เสร็จแล้ว การฝึกหลัง (post-training) คือขั้นตอนที่โมเดลฐานกลายเป็นสิ่งที่คนสามารถพูดคุยด้วยได้ และขั้นตอนนั้นกำลังดำเนินอยู่ตอนนี้ ความแตกต่างนี้สำคัญ เพราะมันเป็นจุดที่โหมดความล้มเหลวที่น่าสนใจอยู่ตรงนั้นพอดี และเพราะเช็กพอยต์ของโมเดลฐานกับโมเดลแชตไม่ใช่สิ่งที่นำมาเปรียบเทียบกันได้

สิ่งที่ “มีประสิทธิภาพด้าน FLOPs มากกว่า 4–12 เท่า” วัดได้จริงคืออะไร

นี่คือข้อกล่าวอ้างที่จะถูกพูดซ้ำไปทั่ว ดังนั้นจึงควรระบุลักษณะของมันให้ชัดเจน เพราะมันไม่ใช่การรันเบนช์มาร์กแบบเทียบกันตรง ๆ

คำนิยาม จากโพสต์: Microsoft เปรียบเทียบโมเดลที่ฝึกไว้ล่วงหน้าบนข้อความที่กันไว้ โดยใช้ bits-per-byte ซึ่งเป็นเมตริกที่ไม่ขึ้นกับ tokenizer — ยิ่งต่ำยิ่งดี โค้ดที่กันไว้ถูกดึงมาจากฐานโค้ดของ MAI เอง ชุด STEM, Math และ Q&A ถูกว่าจ้างจากผู้ให้บริการภายนอก "เพื่อลดความเสี่ยงของการปนเปื้อนของชุดข้อมูลฝึก" และชุดประเมินทั้งหมดถูกขจัดสิ่งปนเปื้อนเทียบกับข้อมูลฝึก นั่นเป็นคำอธิบายการประเมินที่รอบคอบกว่าที่โพสต์เปิดตัวส่วนใหญ่มี และก็ยังคงเป็นบริษัทที่ให้คะแนนงานของตัวเองบนชุดข้อมูลที่กันไว้ของตัวเอง

ค่าประสิทธิภาพนี้ได้มาจากการอนุมาน ไม่ได้วัดโดยตรง สำหรับการประเมินแบบ held-out ทั้งสี่ชุด MAI ได้ฟิตกฎการสเกลของ bits-per-byte เทียบกับ FLOPs ที่ใช้ฝึกทั่วทั้ง model ladder ภายในของตน รวมผลลัพธ์สุดท้ายของ MAI-Base-2 เองไว้ในการฟิตด้วย เพื่อให้จุดเทียบเคียงตกอยู่ภายในช่วงที่ฟิตไว้ ไม่ใช่เลยออกไป และประเมินว่าโมเดลหนึ่งใน ladder ของตนจะต้องใช้คอมพิวต์เท่าใดจึงจะเทียบเท่า DeepSeek-V4-Pro-Base เมื่อเทียบกับคอมพิวต์ที่ใช้ฝึกจริงของโมเดลนั้น คำตอบคือมีประสิทธิภาพด้าน FLOPs สูงกว่า 4.2–12.3 เท่า เมื่อเทียบกับ MAI-Base-1 ซึ่งเปิดตัวในเดือนมิถุนายน การปรับปรุงอยู่ที่ 6.3–12.7 เท่า ตัวเลข "4–12x" ในพาดหัวคือช่วงแรกนั้น ซึ่งปัดเศษแล้ว

มีสามสิ่งเกี่ยวกับเรื่องนี้ที่ควรค่าแก่การจดจำไว้:

• นี่คือการประมาณการจากเส้นโค้งที่ปรับให้เข้ากับข้อมูล ไม่ใช่โมเดลสองตัวที่ฝึกภายใต้เงื่อนไขควบคุม โพสต์นี้พูดตรงไปตรงมาเกี่ยวกับเรื่องนี้ รวมถึงรายละเอียดที่ว่าโมเดลอ้างอิง “ยังคงถูกฝึกด้วยจำนวน FLOPs ที่น้อยกว่าอย่างมีนัยสำคัญเมื่อเทียบกับ MAI-Base-2”

• ชุดการเปรียบเทียบถูกจำกัดให้แคบตามกติกา เฉพาะโมเดลที่มีพารามิเตอร์รวมอย่างน้อยหนึ่งล้านล้านพารามิเตอร์ และเฉพาะเช็กพอยต์ระดับแนวหน้าที่พร้อมใช้งานก่อนเดือนตุลาคม 2026 เท่านั้นที่มีคุณสมบัติเข้าเกณฑ์ DeepSeek-V4-Pro-Base เป็นเช็กพอยต์การฝึกก่อนระดับฐาน (base pretraining checkpoint) ที่เผยแพร่แล้วเพียงตัวเดียวที่ผ่านเกณฑ์

• สามในชื่อที่นำมาเปรียบเทียบด้วยนั้นมีอยู่เฉพาะในรูปแบบเช็กพอยต์ที่ผ่านการโพสต์เทรนแล้ว Kimi K3, Qwen3.8-2.4T-A95B และ MiMo-V2.6-Pro-RL ได้รับการรายงานพร้อมข้อควรระวังอย่างชัดเจนจากผู้จำหน่ายว่า การโพสต์เทรนอาจส่งผลต่อการประเมิน การนำเช็กพอยต์ฐานใหม่เอี่ยมมาเปรียบเทียบกับโมเดลที่ผ่านการโพสต์เทรนบนเมตริกการทำนายโทเคนถัดไปไม่ใช่การแข่งขันแบบเทียบเคียงกันได้จริง และไมโครซอฟต์ก็บอกเช่นนั้นแทนที่จะปล่อยให้กราฟบ่งชี้เป็นอย่างอื่น

ทั้งหมดนั้นไม่ได้ทำให้ข้ออ้างนี้ผิดแต่อย่างใด มันเพียงทำให้มันกลายเป็นข้ออ้างหนึ่ง — แบบที่ผู้อ่านควรถือเป็นแนวทางไว้ก่อน จนกว่าจะมีใครสักคนทำซ้ำผลลัพธ์นั้นได้

ตัวเลขการประมวลผลที่ Microsoft ละไว้

โพสต์ให้ทุกสิ่งที่จำเป็นในการคำนวณการรันการฝึกของ MAI-Base-2 แล้วก็ไม่คำนวณมัน การรันนี้ใช้ GB200 จำนวน 16,000 GPU เป็นเวลา 38 วันในเดือนสิงหาคมและกันยายน 2026 ที่อัตราการใช้ FLOPs ของโมเดลเฉลี่ย 21% โดยที่อัตราการใช้นั้นถูกปรับเทียบกับ 2.5 PFLOPS ตามทฤษฎีของ GB200 ใน BF16

ลองคูณตัวเลขเหล่านั้นออกมา — ตัวเร่งความเร็ว 16,000 ตัว ที่ 2.5 × 10¹⁵ FLOPs ต่อวินาที คูณ 38 วัน คูณ 0.21 — แล้วการรันนี้บ่งชี้ถึงกำลังประมวลผลสำหรับการฝึกประมาณ 2.8 × 10²⁵ FLOPs ตัวเลขนั้นมาจากการคำนวณของเราโดยใช้ข้อมูลนำเข้าของโพสต์เอง ไม่ใช่ตัวเลขที่ Microsoft เผยแพร่ มันเป็นขอบเขตล่าง เพราะนิยาม MFU ของโพสต์เองไม่รวม FLOPs ที่ใช้ไปกับ rematerialization และกับ optimizer และมันอยู่สูงกว่าเกณฑ์ 10²⁵ FLOPs ที่ EU AI Act ใช้เป็นข้อสันนิษฐานความเสี่ยงเชิงระบบสำหรับแบบจำลอง AI เอนกประสงค์อย่างมาก: ประมาณสองถึงสามเท่าของเส้นนั้น จากการรัน pre-training เพียงครั้งเดียว

เพื่อให้ชัดเจนว่าสิ่งนั้นหมายความและไม่หมายความว่าอย่างไร: ไม่มีข้อผูกพันใด ๆ ที่ผูกติดกับโมเดลที่ไม่มีใครสามารถเข้าถึงได้ ความเกี่ยวข้องอยู่ที่ว่า ปริมาณการประมวลผลรวมเป็นตัวเลขเพียงตัวเดียวในโพสต์นี้ที่เป็นผลจากการคำนวณทางคณิตศาสตร์จากข้อมูลนำเข้าที่เผยแพร่ แทนที่จะเป็นค่าประมาณจากการปรับให้เข้ากับข้อมูล และเมื่อโมเดลที่สืบทอดฐานนี้เปิดตัวในที่สุด — ผ่านผลิตภัณฑ์ของ Microsoft เองหรือไปยังพันธมิตร Foundry — นี่คือตัวเลขที่หน่วยงานกำกับดูแลจะใช้เป็นจุดเริ่มต้น

จริงๆ แล้วมีอะไรอยู่ข้างในโมเดล

ถ้าตัดข้อโต้แย้งเรื่องประสิทธิภาพออกไป โพสต์นี้ก็ยังเป็นคำอธิบายที่ค่อนข้างละเอียดของปัญหาทางวิศวกรรมสามข้อ ซึ่งเป็นส่วนที่มีคุณค่าอย่างยั่งยืน ไม่ว่าใครจะเป็นผู้ชนะในการทดสอบ benchmark ก็ตาม

• ขนาด — โมเดลพื้นฐานแบบ MoE ที่มีพารามิเตอร์ทำงาน 8 หมื่นล้าน และพารามิเตอร์รวม 2.8 ล้านล้าน ใหญ่กว่าและเบาบางกว่า MAI-Base-1

• Mixture of experts ในทุกเลเยอร์ — MAI-Base-1 สลับบล็อก feed-forward แบบ dense กับบล็อก MoE เพราะการใช้งาน MoE ของมันยังไม่เร็วพอที่จะคุ้มค่ากับการมีมากขึ้น การแก้ปัญหาการแตกกระจายของหน่วยความจำใน dynamic routing และโอเวอร์เฮดต่อผู้เชี่ยวชาญ รวมถึงการจัดกลุ่มการคำนวณและการสื่อสารตามกลุ่มผู้เชี่ยวชาญ ช่วยเพิ่ม MFU ของเลเยอร์ MoE จาก 24% เป็น 35% ซึ่งเป็นสิ่งที่ทำให้ MoE ในทุกเลเยอร์กลายเป็นตัวเลือกที่เหมาะสมที่สุดในแง่เวลา

• Dropless MoE ที่มีหน่วยความจำคงที่ — แทนที่จะทิ้งโทเคนส่วนเกินหรือจัดสรรเกินสำหรับกรณีเลวร้ายที่สุด MAI จะจัดกลุ่มผู้เชี่ยวชาญและรันรอบ dispatch-compute-collect เพิ่มเติมสำหรับส่วนที่ล้น โดยยืมความจุที่ไม่ได้ใช้จากผู้เชี่ยวชาญอื่นในกลุ่มเดียวกัน การใช้หน่วยความจำจะคงที่ภายใต้ความไม่สมดุลของการจัดเส้นทางแบบใดก็ตาม; ข้อโต้แย้งของโพสต์ต่อการทิ้งโทเคนคือมันส่งผลเสียต่อคุณภาพอย่างมีนัยสำคัญที่วัดได้

• Muon ในระดับสเกลใหญ่ — ออปติไมเซอร์ถูกแบ่งพาร์ติชันใหม่ (reshard) แคสต์เป็น BF16 แลกเปลี่ยนแบบ all-to-all ทำออร์โธโกนัลไลซ์ภายในเครื่อง แล้วส่งคืนกลับ หลังการปรับให้เหมาะสม คิดเป็น 2.1% ของรอบการเทรนโดยเฉลี่ย หรือ 165 ms เทียบกับค่าสูงสุดตามทฤษฎีที่ 55 ms ซึ่งโพสต์ระบุว่ามีคอขวดจากการสื่อสาร มีการนำ Muon มาใช้แทน AdamW เพื่อให้ไดนามิกเสถียรกว่า

• การตัดค่าเกรเดียนต์ของแอกติเวชัน (Activation gradient clipping) — การตัดค่าที่แอกติเวชันที่เลือกไว้ แทนที่จะตัดบน global batch norm ซึ่งทำให้ค่าบรรทัดฐานของเกรเดียนต์อยู่ในช่วงที่แคบกว่าของ MAI-Base-1 มาก และประโยชน์นี้ยิ่งเพิ่มขึ้นตามสเกล นอกจากนี้ยังกลายเป็นเครื่องมือวินิจฉัยคุณภาพข้อมูลด้วย: ตัวอย่างการฝึกที่ผิดรูปแบบซึ่งมีส่วนหัวใบอนุญาตถูกตัดขาดกลางประโยค เมื่อสืบย้อนกลับผ่าน pull request ของข้อมูลโค้ด ก็เผยให้เห็นบั๊กในขั้นตอนการประมวลผลล่วงหน้าที่ได้รับการแก้ไขแล้วตั้งแต่นั้นมา

• ข้อมูล — คลังข้อมูลที่มีขนาดใหญ่กว่าของ MAI-Base-1 ประมาณ 36% ในแง่ของโทเคนการฝึกที่ไม่ซ้ำกัน ป้อนเข้าสู่ส่วนผสม 50 ล้านล้านโทเคน โดยมีจุดตัดความรู้ในเดือนมีนาคม 2026 บริษัทกล่าวว่าไปป์ไลน์นี้เป็นข้อมูลออร์แกนิกที่ไม่มีการกลั่นความรู้จากโมเดลอื่น ประมวลผลภายในองค์กร และครอว์เลอร์ที่เป็นกรรมสิทธิ์ของบริษัทนั้นปฏิบัติตาม robots.txt และตัดแหล่งที่มาที่อยู่ในรายการ USTR Notorious Markets ออก

• ความสามารถด้านภาพตั้งแต่เริ่มต้น — ต่างจาก MAI-Base-1 โมเดลนี้ถูกพรีเทรนโดยกำเนิดให้มีวิสชันผ่านสถาปัตยกรรมที่ไม่มีเอนโคเดอร์ คลังข้อมูลภาพ-ภาษาเก็บโทเค็นไม่ซ้ำกันจำนวน 4.5 ล้านล้านโทเค็น และคิดเป็น 18% ของส่วนผสม 50 ล้านล้านโทเค็น ครอบคลุมการสร้างคำบรรยายภาพ การทำความเข้าใจแผนภูมิ การอ้างอิงเชิงภาพ การให้เหตุผลเชิงพื้นที่ การทำความเข้าใจทางการแพทย์ การใช้คอมพิวเตอร์ และการอ่านโน้ตเพลง

นอกจากนี้ยังมีกฎการสเกลไฮเปอร์พารามิเตอร์ ซึ่งเผยแพร่ในรูปแบบปิด: อัตราการเรียนรู้ที่เหมาะสมคูณกับ weight decay เท่ากับ 17.04 หารด้วยจำนวนสเต็ปการฝึก อัตราการเรียนรู้ที่เหมาะสมเป็นไปตามฟังก์ชันลอการิทึม-เชิงเส้นของจำนวนโทเคนต่อพารามิเตอร์ที่ใช้งานและจำนวนสเต็ป และ dropout เป็นซิกมอยด์ของลอการิทึมของพารามิเตอร์ที่ใช้งาน การเผยแพร่สิ่งเหล่านี้เป็นสิ่งที่นำกลับมาใช้ซ้ำได้มากที่สุดเพียงอย่างเดียวในโพสต์ — บันไดการสเกลที่แต่ละขั้นตั้งชื่อด้วยจำนวนเลเยอร์เพียงอย่างเดียว โดยที่ hidden size ถูกตรึงไว้ที่ 256/3 เท่าของจำนวนเลเยอร์ และจำนวน query heads เท่ากับจำนวนเลเยอร์ที่ปัดเศษให้เป็นพหุคูณที่ใกล้ที่สุดของ 16 เป็นสูตรที่แล็บอื่นทดสอบได้

ทำไม base checkpoint จึงไม่ใช่ผลิตภัณฑ์ และจะเกิดอะไรขึ้นต่อไป

MAI-Thinking-1 โมเดลเชิงเหตุผลที่ Microsoft เปิดตัวเมื่อต้นปีนี้ ถูก post-train ต่อยอดบน MAI-Base-1 โพสต์ระบุว่า MAI-Base-2 ตอนนี้เป็น “รากฐานสำหรับโมเดลรุ่นถัดไปของเรา” ซึ่งหมายความว่าโมเดลที่ผู้คนจะสามารถใช้งานได้จริงไม่ใช่ MAI-Base-2 — แต่เป็นโมเดลใดก็ตามที่ Microsoft นำมา post-train ต่อยอดบนมัน และยังไม่มีการประกาศชื่อนั้น

ช่องทางการจัดจำหน่ายก็ถูกตัดสินใจไปแล้วเช่นกัน และไม่ใช่แบบ open weights แผนที่ระบุไว้คือการให้สิทธิ์ใช้งาน weights "แก่พาร์ทเนอร์ที่เชื่อถือได้ผ่าน Foundry" ซึ่งอธิบายถึงเส้นทางการจัดซื้อสำหรับองค์กรมากกว่าการดาวน์โหลด ไม่มีสิ่งใดในโพสต์ที่สัญญาว่าจะเปิด weights ต่อสาธารณะ และการเน้นเรื่องที่มาของข้อมูล (data provenance) รวมถึงการไม่มี distillation บ่งบอกถึงการปูทางสำหรับข้อเสนอแบบมีสิทธิ์ใช้งานในลักษณะนั้น

จากนั้นก็มี MAI-Base-3 ประโยคเดียวในโพสต์ที่กล่าวถึงมันคือ “การเตรียมการสำหรับ MAI-Base-3 กำลังดำเนินอยู่แล้ว” ไม่มีพารามิเตอร์ ไม่มีทรัพยากรประมวลผล ไม่มีข้อมูล ไม่มีวันที่ — เป็นสัญญาณจากโรดแมปมากกว่าข้อมูล สิ่งที่มันยืนยันได้คือจังหวะ: MAI-Base-1 เปิดตัวในเดือนมิถุนายน รุ่นถัดไปมีรายงานว่าพรีเทรนเสร็จสมบูรณ์ในช่วงกลางเดือนตุลาคม และรอบถัดไปก็กำลังเตรียมการแล้ว การสร้างโมเดลฐานรุ่นใหม่ราวทุกสี่เดือนในระดับนี้ เป็นข้อกล่าวอ้างในโพสต์ที่มีนัยสำคัญยิ่งกว่าแถวเกณฑ์มาตรฐานใด ๆ เพียงแถวเดียว

สิ่งที่คุณสามารถโทรหาได้ในวันนี้

ไม่มีสิ่งใดในเรื่องราวของ MAI-Base-2 ที่เรียกใช้งานได้ และควรพูดให้ชัดว่าไม่มีโมเดล MAI ตัวใดของ Microsoft อยู่ในแคตตาล็อกของ OrcaRouter ในวันนี้ — เราไม่ได้โฮสต์โมเดลเหล่านี้ และไม่ว่าในกรณีใด base checkpoint ก็ไม่ใช่โมเดลที่ให้บริการอยู่แล้ว สิ่งที่โพสต์นี้มอบให้คุณคือชุดสำหรับเปรียบเทียบ และชุดนั้นส่วนใหญ่เข้าถึงได้ในตอนนี้ โมเดลอ้างอิงในข้อกล่าวอ้างเรื่องประสิทธิภาพของ Microsoft ซึ่งผ่านการฝึกหลังการฝึก (post-trained) DeepSeek V4 Pro อยู่ในแคตตาล็อกของเรา เช่นเดียวกับ Kimi K3 และ Qwen3.8-Max ซึ่งเป็นสองในโมเดลน้ำหนักเปิด (open-weight) ที่ MAI-Base-2 ถูกนำมาวัดเปรียบเทียบด้วย

นั่นทำให้ข้อกล่าวอ้างนี้มีการทดสอบที่ประหยัด API เดียวครอบคลุมโมเดลกว่า 200 ตัว หมายความว่าการเปรียบเทียบสิ่งที่คุณเรียกใช้ได้จริงไม่จำเป็นต้องมีสัญญาฉบับที่สองหรือ SDK ตัวที่สอง และเนื่องจาก OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% แทนที่จะบวกราคาเพิ่ม การเปลี่ยนแปลงราคาโดยผู้ขายรายใดรายหนึ่งในกลุ่มนั้นจะมีผลฝั่งเราในวันเดียวกัน หากคุณต้องการรันเวิร์กโหลดข้ามเวอร์ชันที่ผ่านการฝึกภายหลัง (post-trained) ของโมเดลเหล่านี้ ก่อนตัดสินใจว่าจะรอสิ่งที่ Microsoft จะเปิดตัวต่อยอดจาก MAI-Base-2 หรือไม่ นั่นคือการเปรียบเทียบที่เบนช์มาร์กของโมเดลฐานให้คุณไม่ได้ — และ routing DSL ช่วยให้คุณย้ายทราฟฟิกระหว่างโมเดลเหล่านั้นด้วยการกำหนดค่าแทนการเขียนโค้ดเมื่อคำตอบเปลี่ยนไป

อะไรจะทำให้ชิ้นนี้เปลี่ยนไป

สี่เรื่อง เรียงตามว่ามันจะสำคัญมากน้อยแค่ไหน

อย่างแรกคือผลลัพธ์หลังการฝึก ทุกอย่างในโพสต์วันที่ 15 ตุลาคมบรรยายถึงอาร์ติแฟกต์ที่ผ่านการฝึกมาก่อน ไม่ว่าโมเดลที่อยู่เบื้องหลังจะเก่งในการทำตามคำสั่ง การเรียกใช้เครื่องมือ หรือการสนทนายาว ๆ หรือไม่นั้น เป็นคำถามแยกต่างหากที่ยังไม่ถูกถามในที่สาธารณะ

ประการที่สองคือการเข้าถึงในรูปแบบใดก็ตาม — การประกาศบน Foundry ที่มีราคา การประกาศความร่วมมือ หรือเวตพร้อมสัญญาอนุญาตแนบมาด้วย ณ จุดนั้นสิ่งนี้จะเลิกเป็นรายงานวิจัยและกลายเป็นการตัดสินใจจัดซื้อจัดหา

ประการที่สามคือการวัดผลโดยอิสระ ค่า bits-per-byte บนฐานโค้ดของผู้ขายเอง พร้อมชุด STEM และคณิตศาสตร์ที่ผู้ขายว่าจ้างให้จัดทำขึ้น ไม่ใช่สิ่งที่ห้องแล็บภายนอกสามารถตรวจสอบได้ในปัจจุบัน การที่บุคคลที่สามทำการทดลองซ้ำการเปรียบเทียบกฎการสเกลกับ DeepSeek-V4-Pro-Base จะช่วยยุติข้อกล่าวอ้างเรื่องประสิทธิภาพได้ จนกว่าจะถึงตอนนั้น มันเป็นค่าประมาณที่รายงานด้วยตนเองซึ่งน่าเชื่อถือและมีเอกสารประกอบครบถ้วน

สิ่งที่สี่คือรายละเอียดของ MAI-Base-3 "การเตรียมการกำลังดำเนินอยู่" เป็นเพียงประโยค ไม่ใช่ข้อกำหนด และรุ่นถัดจากรุ่นถัดไปนั่นเองคือจุดที่รอบระยะเวลาสี่เดือนจะรักษาไว้ได้หรือไม่

บทสรุปแบบแคบที่แม่นยำ: ไมโครซอฟต์ฝึกพรีเทรนโมเดลภายในองค์กรที่ใหญ่ที่สุดของตนเสร็จแล้ว เผยแพร่คำอธิบายเชิงเทคนิคที่ลงรายละเอียดมากกว่าปกติว่าทำอย่างไร อ้างว่ามีความได้เปรียบด้านประสิทธิภาพเหนือเช็กพอยต์โมเดลฐานแบบเปิดที่ดีที่สุด เปิดเผยการรันฝึกขนาดราว 2.8 × 10²⁵ FLOPs ด้วยการคำนวณที่ไม่ได้ทำเองในโพสต์ และไม่ได้ปล่อยอะไรที่ใครๆ ก็ใช้ได้

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.