Microsoft MAI-Base-2 rzuca wyzwanie DeepSeek, deklarując 4–12-krotnie wyższą efektywność treningu

Microsoft MAI-Base-2 zakończył pretrening z 2,8 bln parametrów ogółem, aktywując 80 mld parametrów dla każdego tokena. Microsoft twierdzi, że jego receptura treningowa jest od 4,2 do 12,3 razy bardziej efektywna pod względem FLOPs niż DeepSeek-V4-Pro-Base w czterech wydzielonych ewaluacjach.

To porównanie daje Microsoftowi efektowny nagłówek, ale nie dowodzi, że MAI-Base-2 jest lepszym gotowym asystentem. Model pozostaje na etapie post-treningu, nie ma publicznego endpointu i nie dysponuje wynikami niezależnych benchmarków. Microsoft wyliczył zakres efektywności na podstawie dopasowanych krzywych skalowania, a nie dwóch równoważnych treningów.

Ogłoszenie nadal oznacza istotną zmianę w strategii AI Microsoftu. Firma nie opisuje już wewnętrznego eksperymentu ani jedynie nie opakowuje modeli dostarczanych przez inne laboratorium. Pokazuje architekturę, potok danych i infrastrukturę na dużą skalę stojące za własnym modelem frontierowym.

DeepSeek jest głównym punktem odniesienia, ponieważ jego checkpoint bazowy z otwartymi wagami zapewnia Microsoftowi widoczny zewnętrzny wzorzec. Porównanie ujawnia też główne napięcie tej historii. Microsoft chce, by rynek ocenił teraz jego recepturę treningową, zanim deweloperzy będą mogli ocenić produkt końcowy.

Microsoft MAI-Base-2 to ukończony trening, a nie premiera produktu

Microsoft ukończył wyjątkowo duży pretrening, ale nie udostępnił gotowego modelu, który klienci mogliby przetestować.

Microsoft ujawnił MAI-Base-2 15 października 2026 roku w szczegółowym raporcie z pretreningu. Firma opisuje go jako model mixture-of-experts, czyli MoE, który kieruje każdy token przez ograniczony podzbiór wyspecjalizowanych grup parametrów.

Model zawiera 2,8 bln parametrów ogółem i aktywuje 80 mld dla każdego tokena. Taka rzadka architektura pozwala Microsoftowi zwiększać całkowitą pojemność bez wykorzystywania każdego parametru podczas każdego przejścia w przód.

Microsoft trenował model na 16 000 GPU Nvidia GB200 przez 38 dni, w sierpniu i wrześniu 2026 roku. Firma podała średnie wykorzystanie FLOPs modelu na poziomie 21 procent oraz goodput na poziomie 89 procent.

Wykorzystanie FLOPs modelu mierzy, jaka część teoretycznej mocy procesorów wnosi wkład w raportowane obliczenia treningowe. Goodput mierzy udział czasu, w którym trening faktycznie postępuje. Wskaźniki te opisują różne aspekty efektywności systemu.

Microsoft znormalizował wskaźnik wykorzystania względem 2,5 petaflopsa gęstej wydajności BF16 na GPU. Wykluczył z raportowanego wyliczenia FLOPs operacje optymalizatora i rematerializacji. Te decyzje mają znaczenie przy porównywaniu wskaźników wykorzystania między laboratoriami.

Podstawowy sprzęt należy do platformy Blackwell firmy Nvidia, działającej w skali szafy serwerowej. Opublikowane specyfikacje GB200 pokazują, jak ściśle połączone domeny GPU wspierają duże obciążenia treningowe i inferencyjne.

Microsoft twierdzi, że post-trening jest obecnie w toku. Ten późniejszy etap zazwyczaj kształtuje wykonywanie instrukcji, zachowania rozumowania, mechanizmy bezpieczeństwa i jakość interakcji po tym, jak model bazowy nauczył się ogólnych wzorców statystycznych.

To rozróżnienie zapobiega częstej błędnej interpretacji ogłoszenia. Microsoft nie uruchomił chatbota, checkpointu do pobrania ani uniwersalnego API opartego na MAI-Base-2. Opublikował informacje o fundamencie, na którym takie produkty mogłyby powstać.

Fundament ten obejmuje również natywny trening wizualny. Microsoft zastosował architekturę vision-language bez enkodera, co oznacza, że informacje obrazowe trafiają do modelu bez osobnego, wstępnie wytrenowanego enkodera obrazu pełniącego rolę głównego frontendu.

Firma podała, że korpus vision-language zawiera 4,5 bln unikalnych tokenów. Po uwzględnieniu powtarzanych danych materiały wizualne stanowiły 18 procent mieszanki treningowej modelu obejmującej 50 bln tokenów.

Microsoft twierdzi, że szerszy korpus wzrósł o około 36 procent pod względem unikalnych tokenów w porównaniu z MAI-Base-1. Jego dane z sieci mają granicę wiedzy na marzec 2026 roku.

Te szczegóły sprawiają, że MAI-Base-2 jest czymś więcej niż ogłoszeniem liczby parametrów. Microsoft dokumentuje kompletny system treningowy obejmujący wybór danych, dane multimodalne, routing modelu, optymalizację i wykorzystanie GPU.

Dostępne dowody kończą się jednak na granicy pretreningu. Deweloperzy nadal nie mogą mierzyć jakości odpowiedzi, opóźnień, niezawodności ani wymagań wdrożeniowych. Nabywcy korporacyjni nie mogą jeszcze porównać zachowania operacyjnego z dostępnymi modelami Foundry.

Bezpośrednie wydarzenie jest więc precyzyjnie określone. Microsoft ukończył pretrening i ujawnił, jak przebiegał ten proces. Komercyjna premiera skierowana do użytkowników jest jeszcze przed firmą.

Dlaczego deklaracja efektywności Microsoft MAI-Base-2 ma znaczenie

Deklaracja efektywności ma znaczenie, ponieważ Microsoft argumentuje, że rozwijający się własny program modeli uzasadniają lepsze metody treningowe, a nie tylko liczba parametrów.

Microsoft twierdzi, że jego receptura potrzebuje od 4,2 do 12,3 razy mniej treningowych FLOPs, by osiągnąć stratę DeepSeek-V4-Pro-Base w czterech wybranych ewaluacjach. FLOPs mierzą operacje zmiennoprzecinkowe, powszechne przybliżenie pracy obliczeniowej.

To stwierdzenie jest węższe niż twierdzenie, że Microsoft wydał na MAI-Base-2 jedną dwunastą tej kwoty. Firma przyznaje, że jej końcowy model wykorzystał znacznie więcej mocy obliczeniowej do treningu niż checkpoint DeepSeek.

Microsoft zadaje zamiast tego hipotetyczne pytanie: ile mocy obliczeniowej potrzebowałby model korzystający z receptury Microsoftu, by dorównać wynikowi DeepSeek w bitach na bajt?

Bity na bajt, czyli BPB, mierzą, jak efektywnie model przewiduje wydzielone dane, niezależnie od tokenizera. Niższy BPB wskazuje na lepszą kompresję predykcyjną badanego materiału.

Microsoft dopasował osobne krzywe skalowania dla danych dotyczących kodu, nauki, matematyki i pytań z odpowiedziami. Następnie wskazał punkt obliczeniowy, w którym każda krzywa dorównała DeepSeek-V4-Pro-Base.

Uzyskane proporcje tworzą zakres od 4,2 do 12,3. Microsoft twierdzi, że te odpowiadające punkty mieszczą się w obserwowanej przez firmę drabinie skalowania, co ogranicza ryzyko związane z projekcjami daleko poza zmierzone eksperymenty.

Metoda ta dostarcza więcej informacji niż porównywanie końcowych strat bez uwzględniania mocy obliczeniowej. Próbuje oddzielić wkład receptury treningowej od efektu zwykłego budowania większego modelu.

Pozostaje jednak szacunkiem opartym na modelu, skonstruowanym w ramach ewaluacyjnych Microsoftu. Nie jest bezpośrednim odtworzeniem procesu DeepSeek przy użyciu identycznego sprzętu, danych, oprogramowania i zasad rozliczania.

Ewaluacje mierzą również jakość predykcji modelu bazowego. Nie mierzą bezpośrednio wykonywania instrukcji, użycia narzędzi, rzetelności faktograficznej, bezpieczeństwa ani doświadczenia korzystania z aplikacji korporacyjnej.

To rozróżnienie jest kluczowe dla kupujących. Receptura może zapewniać lepszą stratę na jednostkę treningowej mocy obliczeniowej, a mimo to prowadzić do produktu z uciążliwymi opóźnieniami lub nierówną wydajnością zadań.

Microsoft podaje również poprawę efektywności FLOPs od 6,3 do 12,7 razy względem MAI-Base-1. To wewnętrzne porównanie daje drugi punkt odniesienia, choć nadal opiera się na metodach Microsoftu i wybranych ewaluacjach.

Firma twierdzi, że ponownie zainwestowała te zyski efektywności w większy trening. Ten wybór ujawnia strategiczny cel. Microsoft wykorzystuje efektywność do rozszerzania możliwości w ramach budżetu obliczeniowego, a nie jedynie do ograniczania całkowitego zużycia zasobów.

Takie podejście wyjaśnia również, dlaczego ogłoszenie skupia się na inżynierii pretreningu. Microsoft musi pokazać, że potrafi wielokrotnie przekuwać zmiany w infrastrukturze i badaniach w lepsze zachowanie przy skalowaniu.

Skala modelu wzmacnia ten przekaz. Dla każdego tokena aktywuje się tylko 80 mld z jego 2,8 bln parametrów, więc całkowita pojemność i obliczenia przypadające na token podążają różnymi trajektoriami.

Mimo to liczba aktywnych parametrów nie przekłada się bezpośrednio na koszt inferencji. Ruch pamięci, komunikacja między ekspertami, batchowanie, długość kontekstu, precyzja i oprogramowanie obsługujące wpływają na rzeczywistą wydajność wdrożenia.

Wartość od 4,2 do 12,3 jest zatem znacząca, ale ograniczona. Wspiera twierdzenie Microsoftu, że jego receptura się poprawiła. Nie rozstrzyga, który model jest tańszy, szybszy lub bardziej użyteczny w środowisku produkcyjnym.

Rzeczywista rywalizacja to receptura treningowa Microsoftu kontra otwarty punkt odniesienia DeepSeek

Microsoft wybrał DeepSeek jako konkurenta, ponieważ dostępny checkpoint bazowy zapewnia wyraźniejszy punkt odniesienia niż zamknięty asystent produkcyjny innej firmy.

DeepSeek-V4-Pro-Base zawiera 1,6 bln parametrów ogółem i aktywuje 49 mld, zgodnie z publicznymi materiałami dotyczącymi modelu. Jego dostępność sprawia, że analiza architektury i ewaluacji jest bardziej praktyczna niż porównania z niedostępnymi modelami bazowymi.

Microsoft określa DeepSeek-V4-Pro-Base jako najsilniejszy dostępny model bazowy z otwartymi wagami. Twierdzi również, że był to jedyny wydany checkpoint bazowy przekraczający jeden bilion parametrów, gdy Microsoft przygotowywał porównanie.

Nie czyni to porównania w pełni symetrycznym. MAI-Base-2 ma więcej parametrów ogółem i aktywnych, zużył więcej mocy obliczeniowej i wykorzystał prywatny korpus treningowy Microsoftu.

Modele odzwierciedlają też odmienne pozycje strategiczne. DeepSeek udostępnia wagi, które badacze i operatorzy mogą analizować lub wdrażać na jego warunkach. Microsoft nie zaoferował równoważnego publicznego dostępu do MAI-Base-2.

Microsoft twierdzi, że ostatecznie planuje licencjonować wagi zaufanym partnerom za pośrednictwem Foundry. Ta ścieżka umieściłaby dostęp w ramach zarządzanej relacji komercyjnej, a nie nieograniczonego wydania z otwartymi wagami.

Obecny katalog Foundry już prezentuje modele Microsoftu, OpenAI, Anthropic, DeepSeek, Meta, Mistral i innych dostawców. Własny model frontierowy dałby Microsoftowi kolejny instrument w ramach tego zróżnicowanego katalogu.

Porównanie z DeepSeek służy zatem dwóm celom. Daje Microsoftowi wymagający techniczny punkt odniesienia i wspiera szersze twierdzenie o kontrolowaniu własnego potoku modeli.

Microsoft już teraz może dystrybuować modele innych firm za pośrednictwem swojej platformy chmurowej. Bez własnego programu modeli frontierowych brakuje mu jednak pełnej kontroli nad danymi treningowymi, decyzjami architektonicznymi, harmonogramem wydań i optymalizacją specyficzną dla modelu.

MAI-Base-2 ogranicza tę zależność na poziomie fundamentu. Microsoft twierdzi, że przetworzył wewnętrznie każdy token treningowy i uniknął destylacji z innych modeli.

To twierdzenie ma znaczenie, ponieważ destylacja modelu może przenieść zachowanie silniejszego nauczyciela do mniejszego lub nowszego systemu. Microsoft chce, aby postęp przypisywano jego własnemu potokowi danych i optymalizacji.

Firma twierdzi również, że sprawdzała źródła pod kątem zasad odpowiedzialnej AI i wykluczała witryny widniejące na liście notorious markets Biura Przedstawiciela Handlowego Stanów Zjednoczonych. Kontrole te wspierają jej argumentację dotyczącą pochodzenia danych wobec klientów korporacyjnych.

Jednak dla osób z zewnątrz pochodzenie danych pozostaje trudne do zweryfikowania bez pełniejszego ujawnienia korpusu. Microsoft przedstawia zasady, opisy przetwarzania i dane zbiorcze, a nie pełny wykaz źródeł treningowych.

DeepSeek również ma własne ograniczenia weryfikacji. Publiczne wagi pozwalają na szerszą ewaluację, lecz nie ujawniają każdej decyzji stojącej za konstrukcją zbioru danych czy rozliczaniem infrastruktury.

Rywalizacja nie jest więc czystym wyścigiem laboratoryjnym. Porównuje dwie organizacje korzystające z odmiennych konfiguracji sprzętowych, zbiorów danych, architektur, praktyk ujawniania informacji i strategii dystrybucji.

Przewaga Microsoftu wynika ze zintegrowanej infrastruktury i zasięgu wśród klientów. Otwarty checkpoint DeepSeek daje niezależnym deweloperom model, który mogą już teraz sprawdzać i testować.

MAI-Base-2 nie może jeszcze twierdzić, że ma tę praktyczną przewagę. Dopóki dostęp nie zostanie rozszerzony, mocniejsze dowody Microsoftu dotyczą procesu trenowania, a nie rzeczywistej użyteczności modelu.

Jak Microsoft uczynił trenowanie MoE w każdej warstwie bardziej praktycznym

Microsoft twierdzi, że największe zyski wynikały z traktowania architektury modelu i infrastruktury jako jednego problemu optymalizacyjnego.

MAI-Base-1 rzadziej używał warstw MoE, ponieważ wcześniejsza implementacja Microsoftu powodowała zbyt duży narzut czasu rzeczywistego. Rzadkie obliczenia wyglądały wydajnie w teorii, ale nie zawsze przekładały się na szybsze trenowanie.

W przypadku MAI-Base-2 Microsoft umieścił obliczenia MoE w każdej warstwie transformera. Firma twierdzi, że wykorzystanie warstw MoE wzrosło z 24 do 35 procent po rozwiązaniu problemów z routingiem i nieefektywnym wykorzystaniem pamięci.

Dynamiczne kierowanie do ekspertów tworzy nierównomierne obciążenia, ponieważ różne tokeny wybierają różnych ekspertów. Rzadkie skoki mogą przeciążyć jednego eksperta, pozostawiając niewykorzystaną przepustowość w innych miejscach.

Proste rozwiązanie przypisuje każdemu ekspertowi stały limit tokenów i odrzuca nadmiarowe przypisania. Microsoft twierdzi, że eksperymenty wykazały pogorszenie jakości modelu po odrzucaniu tych tokenów.

Przydzielenie wystarczającej pamięci na najgorszy możliwy brak równowagi pozwala uniknąć odrzucania tokenów, ale podczas typowych kroków marnuje pamięć. To marnotrawstwo może zwiększać potrzebę ponownych obliczeń lub ograniczać użyteczne rozmiary batchy.

Microsoft opracował zamiast tego system bez odrzucania tokenów, z przewidywalnym przydziałem pamięci. Implementacja ma uwzględniać nierównowagę routingu bez rezerwowania pamięci dla każdego skrajnego przypadku.

Firma ograniczyła również narzut związany z wieloma małymi ekspertami. Mniejsze grupy ekspertów mogą poprawiać precyzję routingu, ale generują więcej kosztów komunikacji i uruchamiania kerneli.

Te zmiany bezpośrednio łączą się z tezą o wydajności. Rzadka architektura daje niewielką praktyczną korzyść, jeśli komunikacja, fragmentacja pamięci lub bezczynny sprzęt pochłaniają teoretyczne oszczędności.

Microsoft oceniał zmiany za pomocą dwóch powiązanych wskaźników. Efektywność FLOPs mierzy pracę obliczeniową potrzebną do osiągnięcia docelowej straty. Efektywność czasowa mierzy, jak długo trwa osiągnięcie tej samej poprawy w rzeczywistym systemie.

Technika może poprawiać pierwszy wskaźnik, jednocześnie pogarszając drugi. Microsoft twierdzi, że takie rozbieżności wskazują, gdzie potrzebne są prace infrastrukturalne, zanim zysk architektoniczny stanie się użyteczny na dużą skalę.

Zespół treningowy stosował też wspólne przeszukiwanie wartości learning rate i weight decay. Te hiperparametry wzajemnie na siebie oddziałują, więc niezależna optymalizacja może wybrać kombinację, która słabo działa w dużym uruchomieniu.

Kolejną warstwę kontroli zapewniały drabiny skalowania. Microsoft przeprowadzał mniejsze eksperymenty przy różnych skalach modelu, danych i źródeł, zanim prognozował zachowanie dużego modelu.

Skalowanie źródeł było szczególnie ważne. Receptura treningowa, która wydaje się mocna przy ograniczonej mieszance danych, może stać się niewystarczająco regularyzowana, gdy rośnie liczba i różnorodność źródeł.

Microsoft twierdzi, że uwzględnienie tej zmienności pomogło mniejszym eksperymentom przewidzieć końcową wydajność MAI-Base-2. Końcowy wynik uwzględniono w opublikowanych dopasowaniach krzywych użytych do porównania z DeepSeek.

Model wykorzystuje również Muon, optymalizator stosujący aktualizacje ukierunkowane na macierze do wybranych parametrów. Optymalizatory określają, jak trenowanie koryguje wagi w odpowiedzi na obliczone błędy.

Muon wzbudził zainteresowanie w projektach dużych modeli, ponieważ może poprawiać zbieżność parametrów o kształcie macierzy. Microsoft twierdzi, że połączył prace nad implementacją Muon z przycinaniem gradientów aktywacji, aby ustabilizować trenowanie.

Przycinanie gradientów aktywacji ogranicza wyjątkowo duże sygnały gradientowe pojawiające się wokół aktywacji pośrednich. Microsoft przedstawia tę technikę jako część systemu, który utrzymał stabilność bardzo dużego uruchomienia treningowego.

Żaden z tych elementów nie stanowi pojedynczego decydującego triku. Raportowana poprawa wynika ze skumulowanych zmian dotyczących danych, routingu, pamięci, optymalizacji i prognozowania eksperymentalnego.

To utrudnia konkurentom skopiowanie wyniku na podstawie krótkiego opisu technicznego. Utrudnia też niezależne przypisanie efektów, ponieważ osoby z zewnątrz nie mogą odtworzyć kompletnego stosu Microsoftu.

Najbardziej wiarygodna interpretacja ma więc charakter systemowy. Microsoft zbudował wydajniejszy proces trenowania, ograniczając straty między teoretyczną korzyścią algorytmu a jego zachowaniem na tysiącach GPU.

Czego nadal nie pokazują liczby MAI-Base-2

Microsoft opublikował istotne dowody inżynieryjne, ale kluczowe twierdzenia dotyczące wydajności nadal pochodzą od firmy i są niepełne.

Pierwsze ograniczenie dotyczy własności procesu ewaluacji. Microsoft zlecił zewnętrznym dostawcom część wydzielonych zbiorów z nauk ścisłych, matematyki i pytań oraz odpowiedzi, podczas gdy do oceny kodu wykorzystał własną bazę kodu.

Firma twierdzi, że oczyściła wszystkie zestawy ewaluacyjne z nakładania się z danymi treningowymi. To ważne zabezpieczenie, ponieważ nakładanie się danych może sprawiać, że model wygląda na silniejszy bez mierzenia rzeczywistej generalizacji.

Microsoft nie udostępnił jednak kompletnych danych ewaluacyjnych, dopasowanych modeli ani pakietu do odtworzenia wyników. Niezależni badacze nie mogą więc w pełni odtworzyć zakresu wydajności od 4,2 do 12,3.

Końcowy wynik MAI-Base-2 również uczestniczy w dopasowaniach skalowania. Microsoft twierdzi, że szacowane punkty dopasowania pozostają w obrębie dopasowanego zakresu, co jest lepsze niż odległa ekstrapolacja.

Mimo to metoda szacuje wydajność receptury, zamiast bezpośrednio mierzyć identyczne porównanie. Różnice w wyborze tokenów, precyzji, rozliczaniu FLOPs i konstrukcji checkpointów mogą wpływać na współczynnik.

Drugie ograniczenie dotyczy zakresu benchmarków. BPB dla wydzielonego tekstu mierzy jakość predykcyjną przed post-trainingiem. Nie odpowiada na pytanie, czy gotowy model realizuje złożone instrukcje lub niezawodnie korzysta z narzędzi.

Model bazowy o niższej stracie może zapewnić lepszy punkt wyjścia. Decyzje podejmowane po treningu mogą jednak nadal przekształcić jego widoczne mocne strony, słabości i zachowanie w zakresie bezpieczeństwa.

Wcześniejszy model rozumowania Microsoftu, MAI-Thinking-1, został poddany post-trainingowi na podstawie MAI-Base-1. MAI-Base-2 będzie potrzebował własnych dowodów z dalszych etapów, zanim czytelnicy będą mogli połączyć zyski z pretrenowania z wydajnością rozumowania.

Trzecie ograniczenie to dostępność produktu. Żadne publiczne API, checkpoint do pobrania, profil opóźnień ani przewodnik wdrożeniowy nie pozwalają deweloperom zweryfikować ogłoszenia.

Microsoft nie określił również, kiedy model po post-trainingu trafi do klientów. Plan licencjonowania wag zaufanym partnerom Foundry nie zawiera publicznych szczegółów dotyczących kwalifikowalności.

Ta luka pozostawia wartość dla przedsiębiorstw bez pomiaru. Klienci muszą wiedzieć, jak model zachowuje się z systemami wyszukiwania, agentami, prywatnymi danymi, mechanizmami zarządzania i długotrwałym ruchem produkcyjnym.

Czwarte ograniczenie dotyczy inferencji. Efektywność FLOPs trenowania nie jest równa efektywności obsługi, ponieważ modele MoE muszą przechowywać i koordynować znacznie większą pulę parametrów, niż aktywują.

Routing 80 miliardów aktywnych parametrów może nadal wymagać znacznej pojemności pamięci i przepustowości połączeń międzyukładowych. Rzeczywisty koszt zależy od kwantyzacji, batchowania, długości kontekstu, sprzętu i oprogramowania Microsoftu do obsługi modeli.

Piąte ograniczenie to brak szerokiego porównania przez podmioty trzecie. Microsoft raportuje niższe BPB niż w każdym przetestowanym modelu z otwartymi wagami, ale wyniki pochodzą z własnego środowiska ewaluacyjnego Microsoftu.

Niezależne benchmarki mogą potwierdzić ranking, zawęzić różnicę albo ujawnić obszary, w których inny model działa lepiej. Każdy z tych wyników zmieniłby sposób interpretacji nagłówka o wydajności.

Ostrożny wniosek nie jest taki, że liczby nie mają wartości. Microsoft ujawnił wystarczająco dużo metodologii, by twierdzenie można było analizować, a nie traktować wyłącznie jako promocję.

Liczby pokazują, że Microsoft uważa swoją recepturę za wydajnie skalującą się w wybranych zadaniach pretrenowania. Nie dowodzą, że MAI-Base-2 jest najlepszym modelem dla deweloperów, przedsiębiorstw ani użytkowników końcowych.

Trzy sygnały zdecydują, czy MAI-Base-2 zmieni rynek

Kolejny etap zależy od niezależnych wyników, konkretnych warunków dostępu oraz dowodów, że wydajność pretrenowania przetrwa zderzenie z obciążeniami produkcyjnymi.

Pierwszym sygnałem będzie pakiet ewaluacyjny modelu po post-trainingu. Microsoft musi opublikować wyniki dotyczące rozumowania, programowania, rozumienia multimodalnego, wykonywania instrukcji, użycia narzędzi, zgodności z faktami i bezpieczeństwa.

Testy te powinny obejmować porównywalne publiczne benchmarki i szczegółowe ustawienia ewaluacji. Niezależny dostęp dodatkowo wzmocniłby dowody, umożliwiając badaczom odtwarzanie wyników przy użyciu różnych frameworków testowych.

Wysokie wyniki po post-trainingu wsparłyby argument Microsoftu, że niższa strata predykcyjna stworzyła lepszą podstawę. Słabe lub nierówne wyniki pokazałyby, że efektywność pretrenowania nie przełożyła się automatycznie na czołowego asystenta.

Drugim sygnałem będzie faktyczna dostępność Foundry. Microsoft poinformował, że planuje licencjonować wagi zaufanym partnerom, ale deweloperzy nadal potrzebują dat, zasad dostępu, formatów wdrożenia i wymagań operacyjnych.

Ograniczony podgląd z garstką partnerów potwierdziłby jedynie ograniczoną użyteczność. Szerszy dostęp, przejrzysta dokumentacja i stabilne endpointy przekształciłyby ogłoszenie badawcze w opcję komercyjną.

Dostęp do wag będzie szczególnie wymowny. Określa, czy partnerzy mogą głęboko dostosowywać wdrożenia, czy muszą polegać na usługach kontrolowanych przez Microsoft.

Porównanie z DeepSeek stanie się w tym momencie bardziej znaczące. Wagi bazowe DeepSeek już teraz dają zespołom zewnętrznym bezpośredni obiekt do testowania, modyfikowania i wdrażania na obowiązujących warunkach.

Jeśli Microsoft zapewni praktyczny dostęp do wag, zmniejszy tę lukę, jednocześnie dodając zalety w zakresie zarządzania i integracji swojej platformy chmurowej. Jeśli dostęp pozostanie wąski, DeepSeek zachowa istotną przewagę pod względem otwartości.

Trzecim sygnałem będzie wydajność produkcyjna. Microsoft musi pokazać, czy MAI-Base-2 może zapewniać konkurencyjne opóźnienia, przepustowość, niezawodność i wykorzystanie sprzętu po post-trainingu.

Sama wydajność trenowania nie rozstrzyga tych kwestii. Model MoE może ograniczać liczbę operacji arytmetycznych na token, jednocześnie wprowadzając ograniczenia komunikacyjne, pamięciowe i routingowe podczas inferencji.

Obciążenia klientów sprawdzą też model poza kontrolowanymi benchmarkami. Długie dokumenty, mieszane wejścia obrazowe i tekstowe, powtarzane wywołania narzędzi oraz wysoka współbieżność mogą ujawnić wąskie gardła, których BPB nie potrafi przewidzieć.

Zespoły oceniające model powinny zachowywać informacje o wydaniach, definicje benchmarków, testy wewnętrzne i obserwacje z wdrożeń w przeszukiwalnej technicznej bazie wiedzy. Taki zapis pomaga zapobiec zastępowaniu porównań z nagłówków dowodami specyficznymi dla obciążenia.

Moment pojawienia się MAI-Base-3 dostarczy dodatkowej wskazówki. Microsoft twierdzi, że prace nad kolejną generacją już się rozpoczęły, co sugeruje, że MAI-Base-2 jest również platformą dla kolejnego cyklu skalowania.

Szybka iteracja wzmocniłaby strategiczne znaczenie wewnętrznego programu Microsoftu. Pokazałaby, że firma zbudowała powtarzalny proces, a nie jedynie zrealizowała jedno wyjątkowe uruchomienie.

Na razie Microsoft MAI-Base-2 najlepiej rozumieć jako wiarygodny kamień milowy inżynieryjny z nierozstrzygniętym werdyktem produktowym. Firma udokumentowała ogromne uruchomienie treningowe i konkretną metodologię wydajności.

Nie zapewniła jeszcze dostępu ani niezależnych dowodów wymaganych do rynkowego zwycięstwa. Kolejne pytanie jest proste: czy Microsoft pozwoli zewnętrznym deweloperom przetestować te same przewagi, które przewidują jego krzywe skalowania?