Microsoft потратила 38 дней на обучение модели, в которой 2,8 трлн параметров. Для этого компании понадобились 16 тысяч ускорителей NVIDIA GB200, но при обработке одного запроса активируются лишь 80 млрд параметров. Такой подход позволяет создавать огромные нейросети, не задействуя всю их вычислительную мощность каждый раз.
Модель MAI-Base-2 обучали в августе и сентябре 2026 года на 50 трлн токенов — на две трети больше, чем у предшественницы MAI-Base-1 с 30 трлн. Её архитектура включает 102 слоя с механизмом выбора специализированных экспертов. Данные охватывают не только текст, но и изображения, графики, интерфейсы, медицинские материалы и ноты; мультимодальные материалы составили 18% набора. Граница знаний модели — март 2026 года.
Microsoft заявляет, что MAI-Base-2 превзошла по метрике BPB несколько моделей с открытыми весами, включая разработки DeepSeek, Kimi, Qwen и MiMo. Однако результаты пока не проверены независимо, а некоторые конкуренты сравнивались после дополнительного обучения, поэтому считать это безоговорочной победой нельзя. По расчётам Microsoft, её метод обучения эффективнее подхода DeepSeek в 4,2–12,3 раза по вычислительным затратам для достижения сопоставимого качества. Это оценка по кривым масштабирования, а не сокращение полных расходов на обучение во столько раз.
Пока MAI-Base-2 остаётся фундаментальной моделью: готового ассистента и публичных весов нет, компания продолжает дообучение и уже готовит MAI-Base-3. Если заявленные результаты подтвердятся, Microsoft сможет создавать мощные мультимодальные системы с более рациональным использованием вычислений. Для рынка это усилит конкуренцию за эффективность обучения, а для бизнеса может означать доступ к более способным ИИ-инструментам.
