Microsoft AI stellt MAI-Base-2 vor: 2,8 Billionen Parameter, 80 Milliarden aktiv und ein Rezept, das laut eigener Schätzung bis zu 12-mal effizienter ist
Am 15. Oktober 2026 veröffentlichte Microsoft AI in seinem Blog Lab Notes den Beitrag "Frontier Pre-training at Microsoft AI" und gab den Abschluss des Pre-Trainings von MAI-Base-2 bekannt. Es handelt sich um ein Mixture-of-Experts-Grundmodell (MoE) mit insgesamt 2,8 Billionen Parametern, davon 80 Milliarden aktiv, trainiert über 38 Tage auf 16.000 Nvidia-GB200-GPUs zwischen August und September 2026. Der Beitrag nennt eine durchschnittliche MFU (der Anteil der theoretischen Rechenleistung, der tatsächlich genutzt wird) von 21 % und einen Goodput von 89 %.
Laut Microsoft hat das Pre-Training 50 Billionen Tokens verbraucht, mit einem Knowledge Cutoff im März 2026, und das Modell ist auch nativ für Bildverarbeitung ausgelegt (VLM-Architektur ohne Encoder, VLM-Daten machen 18 % des Datenmix aus). Das Team betonte die Nutzung "organischer" Daten ohne Destillation aus anderen Modellen und erläuterte technische Entscheidungen wie MoE in jeder Schicht mit "dropless"-Implementierung, den Muon-Optimierer und eine Scaling Ladder mit neuen Skalierungsgesetzen für Learning Rate, Weight Decay und Dropout.
Der Beitrag vergleicht MAI-Base-2 mit Open-Weight-Modellen wie DeepSeek-V4-Pro-Base, Kimi K3, Qwen3.8-2.4T-A95B und MiMo-V2.6-Pro-RL anhand der Metrik Bits-per-Byte auf Held-out-Evaluierungen, die teilweise bei externen Anbietern in Auftrag gegeben wurden. Microsoft erklärt, MAI-Base-2 übertreffe alle getesteten Modelle – die Bits-per-Byte-Werte stehen allerdings nur in den Grafiken, nicht im Text, und bleiben damit operative Unbekannte. Außerdem lagen für drei der verglichenen Modelle nur nachtrainierte Checkpoints vor, der Vergleich ist also nicht auf Augenhöhe.
Microsoft schätzt, dass sein Rezept 4,2- bis 12,3-mal FLOP-effizienter ist als DeepSeek-V4-Pro-Base und 6,3- bis 12,7-mal effizienter als das eigene MAI-Base-1. Das sind Schätzungen auf Basis interner Skalierungsgesetze, keine direkten Messungen – also ebenfalls eine operative Unbekannte. Das Modell befindet sich derzeit im Post-Training; das Unternehmen will die Gewichte über die Plattform Foundry an vertrauenswürdige Partner lizenzieren, hat aber noch keine Konditionen, Preise oder Termine genannt.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Ich habe den Originalbeitrag auf microsoft.ai gelesen: Datum, Parameter, Infrastruktur, Daten, Vergleiche, Effizienzspannen und Lizenzpläne stammen von dort, dazu drei wörtliche Zitate. Der Beitrag ist auch im Index microsoft.ai/news gelistet. Als unabhängige Bestätigung stimmt der auf Yahoo Finance wiederveröffentlichte Artikel von 24/7 Wall St. bei Parametern, GPUs, Dauer, Effizienz und Release-Status überein. Weitere Medien (Crypto Briefing, ToolNavs, tensorfeed) erklären die Abweichung '3 Billionen' gegenüber 2,8: Suleyman hatte die Zahl in seinem Post auf X gerundet. Den Originalartikel von Business Insider über das Town Hall konnte ich nicht öffnen.
- Incertezze
- Die Bits-per-Byte-Werte stehen nur in den Grafiken, nicht im Text. Der Effizienzvorsprung ist eine interne Schätzung auf Basis von Skalierungsgesetzen, kein kontrollierter Vergleich. Der Vergleich mit Modellen, die nur als nachtrainierte Checkpoints vorliegen, ist nicht auf Augenhöhe. Laut Sekundärmedien, die Business Insider zitieren, soll Suleyman in einem internen Town Hall gesagt haben, MAI-Base-2 übertreffe das Basismodell hinter GPT-5.6 Sol mit einem Viertel der Rechenleistung: Microsoft hat diesen Vergleich nicht veröffentlicht, der BI-Originalartikel wurde nicht eingesehen und OpenAI hat nicht geantwortet – es ist also als unbestätigte Behauptung zu behandeln. Lizenzbedingungen, Termine und finale Leistungswerte fehlen.
- Perché pubblicarla
- Es ist das größte Modell, das Microsoft je offengelegt hat, und zeigt die wachsende Unabhängigkeit von OpenAI. Der Beitrag macht technische Details öffentlich, die bei einem Frontier-Modell selten sind: Infrastruktur, Tokens, Effizienz, Evaluierungsmethode. Und das Vertriebsmodell ist neu: lizenzierte Gewichte für Partner statt offener Gewichte oder reinem API-Zugang.