MAI‑Base‑2:ssa on 2,8 biljoonaa parametria – käyttöä saa vielä odottaa

Microsoft AI:n 15. lokakuuta 2026 julkaisema koulutusraportti kertoo MAI‑Base‑2:n esikoulutuksen valmistuneen: MoE-perusmallissa on 2,8 biljoonaa parametria, joista 80 miljardia aktivoituu kerrallaan. Jälkikoulutus oli julkaisun aikaan yhä kesken. Yhtiö ei avannut mallia yleiseen käyttöön, joten kehittäjällä ei vielä ole valmista MAI‑Base‑2-palvelua, jonka toimintaa voisi arvioida omissa sovelluksissa.

Hardware Upgraden uutinen vahvistaa, ettei julkaisupäivää tai hintaa annettu. Suunnitelma koskee mallin painojen lisensointia valituille kumppaneille Microsoft Foundryn kautta. Tämä rajaus on kehittäjälle tärkeä: esikoulutuksen valmistuminen kertoo, että mallin ensimmäinen rakentamisvaihe on ohi, mutta ei anna pääsyä rajapintaan, ladattaviin painoihin tai valmiiseen keskustelumalliin.

Parametrien määrä kuvaa MoE-rakennetta

MAI‑Base‑2 käyttää asiantuntijasekoitusta eli MoE-rakennetta. Malli sisältää useita erikoistuneita osia, joista reititys valitsee syötteen käsittelyyn tarvittavat. Siksi kokonaisparametrit kertovat malliin tallennettujen painojen laajuudesta ja aktiiviset parametrit yhden käsittelyvaiheen mittakaavasta. Lukujen suhde ei tarkoita, että aktiivinen osa olisi pysyvästi sama jokaisella syötteellä.

MoE-rakenne tekee suuresta kokonaismäärästä mahdollisen ilman, että kaikki painot osallistuvat jokaiseen laskentaan. Mallin tarjoaminen vaatii silti tilaa koko painojoukolle sekä toimivan reitityksen ja tiedonsiirron asiantuntijoiden välillä. Pelkkä aktiivisten painojen määrä ei siis ennusta vastauksen viivettä tai palvelun kustannusta. Näitä ominaisuuksia voisi arvioida vasta toteutuneesta käyttöympäristöstä ja valmiista malliversiosta.

Esikoulutus opettaa mallille yleisiä tilastollisia yhteyksiä sen käsittelemästä aineistosta. Jälkikoulutus muokkaa käyttäytymistä esimerkiksi ohjeiden noudattamiseen, turvallisuusrajoihin tai päättelytehtäviin. Microsoftin aiempi MAI‑Thinking‑1 rakennettiin tällä tavoin MAI‑Base‑1:n päälle. Sama ero auttaa ymmärtämään uuden mallin statusta: julkaistut perusmallin mittarit eivät sellaisinaan kuvaa myöhemmin mahdollisesti tarjottavaa keskustelu- tai agenttiversiota.

Koulutusluvut kertovat mittakaavasta

MAI‑Base‑2:n esikoulutus tehtiin elo–syyskuussa 2026. Se kesti 38 päivää ja käytti 16 000 GB200-grafiikkasuoritinta. Koulutusajon keskimääräinen laskentakapasiteetin hyödyntämisaste eli MFU oli 21 prosenttia; goodput, osuus ajasta jolloin koulutus eteni, oli 89 prosenttia. Mittarit kuvaavat koulutusta, eivät tulevan palvelun käytettävyyttä.

Koulutusseoksessa oli 50 biljoonaa tokenia. Kuvaa ja tekstiä yhdistävä aineisto muodosti siitä 18 prosenttia, kun aineiston toistuminen koulutuksessa otetaan huomioon. Uniikkeja tällaisia tokeneita oli 4,5 biljoonaa. Ero on olennainen: koko koulutusseoksen osuudesta ei voi suoraan päätellä ainutkertaisen kuva-aineiston määrää tai sitä, miten hyvin valmis malli tulkitsee käyttäjän kuvia.

Näköaineisto sisältyi MAI‑Base‑2:n esikoulutukseen ilman erillistä kuvakooderia. Aineisto kattoi muun muassa kuvatekstejä, kaavioita, kuvien ja tekstin yhdistelmiä sekä spatiaalista päättelyä vaativia tehtäviä. Tämä kertoo, millaisia syötteitä mallille opetettiin, mutta ei vielä anna käyttäjälle mitattua kuvaominaisuutta. Jälkikoulutus ja mahdollisen tuotteen toteutus ratkaisevat, millaisia kuvaan liittyviä toimintoja todella tarjotaan.

Koulutusta varten muutettiin myös MoE-toteutusta: asiantuntijakerros otettiin käyttöön mallin jokaisessa kerroksessa, kun aikaisemmassa MAI‑Base‑1:ssä sitä käytettiin vuorotellen tavallisen kerroksen kanssa. Ruuhkautuneiden asiantuntijoiden syötteitä käsitellään tarvittaessa lisäkierroksilla sen sijaan, että niitä pudotettaisiin pois. Muutos auttaa selittämään koulutusajon toteutusta, mutta sen vaikutusta asiakkaan kyselyihin ei voi lukea koulutusmittareista.

Vertailut koskevat esikoulutettua mallia

Microsoft AI:n teknisen raportin suorituskykyväitteet perustuvat yhtiön omiin testeihin. Niissä MAI‑Base‑2 sai vertailuun valittuja avoimilla painoilla saatavia malleja pienemmän bits-per-byte-arvon erillisillä testiaineistoilla. Mittari kertoo, kuinka hyvin esikoulutettu malli ennustaa aineiston sisältöä tavutasolla: pienempi arvo on tässä testissä parempi. Se ei ole sama asia kuin ihmisen arvio vastauksen hyödyllisyydestä tai valmiin agentin tehtäväsuoritus.

Tekstiaineiston ohella arvioissa käytettiin koodia sekä luonnontieteiden, matematiikan ja kysymys–vastaus-tehtävien aineistoja. Koodivertailun aineisto tuli MAI:n omasta koodipohjasta; muita tehtäväaineistoja tilattiin ulkopuolisilta toimittajilta koulutusaineiston ja testin päällekkäisyyden vähentämiseksi. Testijärjestely antaa yhtiön väitteille tarkemman sisällön, mutta tuloksia ei ollut julkisesti toistettu riippumattomalla MAI‑Base‑2:n käyttötestillä.

DeepSeek‑V4‑Pro‑Baseen verrattuna koulutusmenetelmän arvioitiin saavuttavan saman testituloksen 4,2–12,3 kertaa pienemmällä laskentamäärällä. Arvio syntyi sovittamalla skaalausmallit testituloksen ja koulutuksessa käytettyjen FLOP-laskutoimitusten suhteeseen. Se koskee menetelmän esikoulutustehokkuutta suhteessa valittuun perusmalliin, ei sitä, että MAI‑Base‑2 vastaisi käyttäjälle samalla suhteella nopeammin tai halvemmalla.

Vertailuun sisältyi myös malleja, joista oli saatavilla vain jälkikoulutettu versio. Niiden tulosta on vaikea rinnastaa suoraan esikoulutettuun tarkistuspisteeseen, koska jälkikoulutus voi muuttaa samojen testien tuloksia. Lisäksi MAI‑Base‑2:sta ei ollut julkaistu ajettavaa versiota, jonka riippumaton testaaja voisi arvioida samoilla tehtävillä ja samoissa käyttöolosuhteissa.

Foundry-suunnitelma ei vielä avaa pääsyä

Foundry on suunniteltu reitti mallin painojen lisensointiin luotetuille kumppaneille. Ilmoitus ei kerro, millä perusteilla kumppanit valitaan, millaiset oikeudet he saisivat tai milloin lisensointi voisi alkaa. Myöskään yleistä rajapintaa, hinnastoa tai kaikille avointa painojulkaisua ei ilmoitettu. Näistä tiedoista ei voi päätellä, että Foundryyn jo kirjautuneella kehittäjällä olisi pääsy juuri tähän malliin.

Malliputkea on tarkoitus hyödyntää ensin Microsoftin omissa tuotteissa ja myöhemmin Foundryn asiakkaille. Perusmalli voi päätyä usean jälkikoulutetun mallin pohjaksi, jolloin saataville tulevan tuotteen nimi, ominaisuudet ja käyttöehdot voivat erota nyt kuvatusta tarkistuspisteestä. Kehittäjälle ratkaiseva seuraava tieto on, mikä valmis malliversio julkaistaan, kenelle pääsy myönnetään ja millä ehdoilla sen suorituskykyä voi mitata.

Lue myös:

• Schneider ostaa PTC:n 22,6 miljardilla – kauppa odottaa vielä vuoteen 2027
• Nscale keräsi 3,36 mrd. dollaria – miljardi odottaa yhä Nvidiaa
• Tekoäly ei vielä nostanut vastavalmistuneiden työttömyyttä – näyttö jäi vajaaksi