微软完成2.8万亿参数基模MAI-Base-2预训练，训练效率超DeepSeek

微软当地时间10月15日通过官方技术博客宣布，已完成新一代基础模型 MAI-Base-2 的预训练。这是继今年6月 MAI-Thinking-1 之后，微软自研模型体系又一次重要扩容，标志着其正在加速摆脱对外部模型供应商的依赖。MAI-Base-2 是一个混合专家（MoE）架构的基座模型，总参数规模达到 2.8 万亿，每 token 仅激活 800 亿参数。

根据微软披露的训练细节，MAI-Base-2 于今年8月至9月、在 1.6 万张 NVIDIA GB200 GPU 上完成训练，历时 38 天，平均算力利用率（MFU）为 21%、有效训练吞吐（goodput）达 89%。模型采用原生多模态设计，视觉数据从一开始就融入训练，图像与文本混合语料占 50 万亿 token 总量的 18%。微软强调，全部训练数据均来自自有管线，不涉及对其他模型输出的蒸馏，并计划通过 Foundry 向可信合作伙伴授权模型权重。

在性能表述上，微软称 MAI-Base-2 在自有留存评测中优于所有参测的开源权重模型，并以 bits-per-byte 指标领先 DeepSeek-V4-Pro-Base、Kimi K3、Qwen3.8、MiMo 等模型；其训练方法的计算效率被宣称是 DeepSeek-V4-Pro-Base 的 4 至 12 倍。不过这些结论目前均来自微软自身测试，尚未经过第三方独立复现，闭源前沿模型也不在对比范围内。

从影响看，MAI-Base-2 目前仍处后训练阶段，距离成为可用产品还有一步之遥，微软已同步启动下一代 MAI-Base-3 的准备工作。对行业而言，科技巨头自研超大规模基模正成为明确趋势：在持续投入算力的同时，把数据、训练与基础设施打通，以更低成本换取更强的自主可控能力。微软人工智能主管穆斯塔法·苏莱曼更在内部讲话中称，该模型在部分测试上优于驱动 GPT-5.6 的竞品，凸显其与长期合作伙伴之间微妙的能力分化。