Microsoft allena MAI-Base-2, il suo modello foundation frontier più efficiente finora

Cosa potresti farci

Un'impresa potrebbe licenziare i pesi del modello MAI-Base-2 attraverso la piattaforma Foundry di Microsoft per alimentare i propri servizi AI ¹.
Un ricercatore che studia lo scaling dell'AI potrebbe seguire i metodi di 'source scaling' e 'scaling ladder' di Microsoft per pianificare i propri esperimenti ¹.

Un modo più veloce per allenare AI giganti

Microsoft ha completato il pre-allenamento di un nuovo modello foundation frontier chiamato MAI-Base-2. Il modello appartiene a una famiglia che include anche MAI-Base-1 e MAI-Thinking-1, la versione focalizzata sul ragionamento annunciata da Microsoft a giugno. MAI-Base-2 è costruito su un design a Mixture of Experts (MoE), una tecnica che distribuisce un modello massiccio su molte reti più piccole di 'esperti' in modo che solo un sottoinsieme si attivi per ogni compito.

MAI-Base-2 ha 2,8 trilioni di parametri totali ma usa solo 80 miliardi di parametri attivi durante l'inferenza. Questo approccio sparso significa che può gestire ragionamenti complessi senza pagare il costo computazionale completo delle sue enormi dimensioni.

Efficienza che scala

Sulle valutazioni hold-out, Microsoft afferma che MAI-Base-2 supera ogni modello open-weight testato. Più sorprendente è la sua efficienza: richiede da 4 a 12 volte meno pre-training FLOPs (operazioni in virgola mobile, l'unità standard per misurare il calcolo di allenamento AI) rispetto a DeepSeek-V4-Pro-Base, il modello base open più forte testato da Microsoft.

Microsoft sta trattando quel guadagno di efficienza non come un fine in sé, ma come una risorsa da reinvestire. L'azienda afferma di aver usato il calcolo risparmiato per allenare un modello più grande, suggerendo che le versioni future si baseranno direttamente su questi guadagni.

Dove si colloca nel frontier

Il frontier AI si riferisce ai modelli più capaci all'avanguardia della ricerca, spesso sviluppati da laboratori ben finanziati con accesso a enormi cluster di calcolo. La decisione di Microsoft di condividere l'approccio di allenamento, anche se mantiene i pesi del modello privati, si inserisce in una tendenza crescente di aziende che usano la ricerca pubblicata per guidare il settore.

MAI-Base-2 si inserisce nella più ampia famiglia di modelli MAI di Microsoft. All'inizio di quest'anno l'azienda ha presentato MAI-Base-1, e a giugno ha rilasciato MAI-Thinking-1 come strato di ragionamento post-allenato sopra quella base. Insieme, la serie copre sia percorsi general-purpose che ottimizzati per il ragionamento, dando agli sviluppatori una scelta in base al compito.

Cosa viene dopo

Non è stato annunciato alcun dato di rilascio pubblico o dettagli di accesso per MAI-Base-2. Microsoft non ha rivelato se il modello alla fine diventerà open-weight o rimarrà proprietario. Ciò che è chiaro è che i miglioramenti di efficienza sono misurabili e abbastanza sostanziosi da rimodellare il modo in cui l'azienda pianifica il suo prossimo allenamento.

Quanto è buono

Sulle valutazioni hold-out, MAI-Base-2 supera ogni modello open-weight testato da Microsoft, incluso DeepSeek-V4-Pro-Base. Microsoft riporta anche risultati per i checkpoint post-allenati Kimi K3, Qwen3.8 e MiMo-V2.6-Pro-RL, notando che il post-allenamento potrebbe influenzare queste valutazioni ¹. È da 4 a 12 volte più efficiente in FLOPs rispetto a DeepSeek-V4-Pro-Base, il che significa che raggiunge risultati migliori utilizzando molto meno lavoro di calcolo per l'allenamento . Per il testo hold-out, MAI-Base-2 ottiene un punteggio bits-per-byte più basso rispetto agli altri modelli, il che indica una migliore comprensione del linguaggio . Da MAI-Base-1, l'efficienza di allenamento di Microsoft è migliorata da 6,3 a 12,7 volte .

Correzioni e aggiornamenti

Corrected on 23 October 2026. An earlier version said MAI-Base-2 was like its predecessor in using MoE, but the source did not confirm MAI-Base-1 was MoE. It also said MAI-Base-2 beat every open-weight model in its class, but the source specified only the models Microsoft tested.

I fatti principali

MAI-Base-2 è un modello MoE con 2,8 trilioni di parametri totali e 80 miliardi di parametri attivi.
Supera ogni modello open-weight testato da Microsoft sulle valutazioni hold-out.
È da 4 a 12 volte più efficiente in pre-training FLOPs rispetto a DeepSeek-V4-Pro-Base.
Microsoft sta reinvestendo i risparmi di calcolo nell'allenamento di un modello follow-on più grande.
Il modello fa parte della famiglia MAI insieme a MAI-Base-1 e MAI-Thinking-1.

Fonti

Frontier Pre-training at Microsoft AI | Microsoft AI — microsoft.ai