微软完成MAI-Base-2预训练：2.8万亿参数，称训练效率最高超DeepSeek 12倍

据科技媒体tech-insider.org报道，微软AI表示已于10月15日完成自研基础模型MAI-Base-2的预训练。微软把这次训练称为一个转折点。

MAI-Base-2是一个混合专家（MoE）模型，总参数2.8万亿，每个token激活800亿参数。按照微软的说法，该模型在预训练阶段原生支持视觉，采用无编码器的视觉语言架构，也就是说图像理解是底座的一部分，而不是事后外挂。

训练细节披露得相当具体：16,000块英伟达GB200 GPU，时间跨度为2026年8月至9月，38天完成预训练。二级报道称训练语料约50万亿token，其中约18%是视觉数据，这与原生视觉的设计相符。

最受关注的不是跑分，而是效率。微软称其训练配方在四项留出评测上的FLOPs效率是DeepSeek-V4-Pro-Base的4.2至12.3倍，比自己的上一代MAI-Base-1高6.3至12.7倍；公司还表示MAI-Base-2在所有被测的开源权重模型上表现更好，同时强调省下来的算力被用在了更大的模型上。

报道另外提到，微软AI CEO Mustafa Suleyman在内部员工会上表示，早期测试显示MAI-Base-2在模式理解与预测任务上超过OpenAI GPT-5.6 Sol背后的基础模型，而使用的预训练算力约为对方的四分之一。

但需要明确的是，这不是一款已经发布的产品。模型仍在后训练阶段，微软尚未公布公开发布日期、定价，也没有基于它构建的成品聊天机器人；计划中的分发方式是通过Azure AI Foundry授权给合作伙伴。

把参数规模放到今年的坐标系里看，报道称Meta在10月早些时候发布的Muse Spark Open是8160亿参数的MoE模型，MAI-Base-2的总参数是它的三倍多，但每个token的激活比例更低，这一取舍显然是为了控制推理与部署成本。

这条消息之所以重要，是因为微软自2019年以来一直高度依赖OpenAI的模型。完成自研基础模型的预训练，是微软在长期依赖OpenAI之外补上自有模型栈关键一环的信号。

接下来的看点是：这些效率数据能否经得起第三方复现，模型何时结束后训练、真正对外可调用，以及它将如何通过Azure AI Foundry分发到合作伙伴手中。