MAI-Base-2 er enorm, men Microsoft slipper den ikke fritt

I Microsofts laboratorienotat fra 15. oktober 2026 opplyser selskapet at fortreningen av MAI-Base-2 er fullført. Modellen har 2,8 billioner parametere totalt, hvorav 80 milliarder er aktive, men gjennomgår fortsatt ettertrening. Microsoft beskriver lisensiering av modellvektene til «trusted partners» gjennom Foundry som planen for distribusjon, ikke som en tilgang alle Foundry-kunder har fått.

Dermed er det en grunnmodell og resultatene fra utviklingen som er offentliggjort, mens et brukbart kundetilbud fortsatt ligger foran selskapet. TokenPosts omtale av treningsløpet oppgir 16 000 Nvidia GB200-brikker i 38 dager og en treningsblanding på 50 billioner token. Den opplyser også at Microsoft ennå ikke har navngitt partnere eller gitt en dato for tilgang.

2,8 billioner parametere betyr ikke at alle brukes samtidig

MAI-Base-2 er en blanding av eksperter, eller MoE-modell. Den har mange parametergrupper, men aktiverer bare et utvalg når den behandler et token. Totalen beskriver hele modellens størrelse; tallet for aktive parametere beskriver delen som tas i bruk i en slik behandling. Det skillet er nødvendig for å forstå hvorfor en svært stor modell kan være bygget for mer målrettet beregning.

Antallet aktive parametere er likevel ikke en oppgitt driftspris eller svartid. Begge deler vil avhenge av den ferdige modellversjonen, infrastrukturen den kjøres på og vilkårene for tilgang. Treningsressursene gir heller ikke et direkte mål på hva en forespørsel fra en Foundry-kunde senere vil koste.

I SiliconANGLEs omtale står det 2 billioner totale parametere. Det avviker fra Microsofts mer presise opplysning på 2,8 billioner; de to tallene bør derfor ikke brukes om hverandre når modellens størrelse sammenlignes med andre modeller.

Treningsløpet omfatter mer enn tekst

Modellen ble fortrent i august og september 2026. Treningsblandingen omfattet også visuelt materiale: bilde- og tekstdata utgjorde 18 prosent av tokenene når gjentakelser regnes med, mens den unike visuelle delen var på 4,5 billioner token. MAI-Base-2 ble dermed trent med synsdata fra starten, fremfor å få bildeforståelse lagt til først etter at en ren tekstmodell var ferdig.

Microsoft beskriver blant annet bildetekster, diagramforståelse, romlig resonnering og dokumenter med både bilder og tekst som deler av det visuelle materialet. Det forteller hva modellen fikk lære av under fortreningen. Hvilke av disse evnene som blir tilgjengelige i et senere kundetilbud, avhenger fortsatt av ettertreningen og den versjonen Microsoft velger å tilby.

Treningsarbeidet omfattet også endringer i selve modellarkitekturen. Microsoft gikk over til MoE i alle lag og beskriver tiltak for å håndtere ujevn belastning mellom ekspertene uten å forkaste token. Selskapet oppgir en gjennomsnittlig modellutnyttelse på 21 prosent og at treningen gjorde fremskritt i 89 prosent av tiden. Dette er målinger fra utviklingsløpet, ikke målinger av ytelsen i en ferdig Foundry-tjeneste.

Resultatene gjelder Microsofts tester av grunnmodeller

MAI-Base-2 fikk lavere feil på Microsofts tilbakeholdte evalueringer enn de åpne modellene selskapet testet. Tekst ble målt i bits per byte, og testene omfattet også kode, naturvitenskap, matematikk og spørsmål og svar. Resultatene sier noe om hvor godt den fortrente modellen forutsier testmateriale; de er ikke en måling av hvordan et ferdig produkt svarer brukere.

Sammenligningen har dessuten ulike utgangspunkter. DeepSeek-V4-Pro-Base er en grunnmodell, mens bare ettertrente versjoner var tilgjengelige for Kimi K3, Qwen3.8-2.4T-A95B og MiMo-V2.6-Pro-RL. Ettertrening kan påvirke resultatene på slike evalueringer. Rangeringen bør derfor forstås som utfallet av de oppgitte testene og modellversjonene, ikke som en generell rangering av tjenester kundene kan velge mellom.

Microsoft oppgir også at treningsmetoden var 4,2 til 12,3 ganger mer effektiv målt i beregningsarbeid enn metoden bak DeepSeek-V4-Pro-Base. Dette tallet kommer fra skaleringstilpasninger: selskapet beregnet hvor mye treningsarbeid egen metode ville trenge for å nå samme testresultat. Det er en intern beregning av fortreningseffektivitet, ikke en observert besparelse i Foundry eller en prisfordel for kunder.

Foundry-planen gir foreløpig ingen generell tilgang

Fullført fortrening er et utviklingstrinn. Under ettertreningen formes grunnmodellen videre for modellene som skal bygge på den. Microsoft har tidligere brukt MAI-Base-1 som grunnlag for MAI-Thinking-1; MAI-Base-2 er ment som grunnlag for en ny generasjon modeller. Det betyr ikke at navnet MAI-Base-2 allerede betegner et ferdig tilbud som kan tas i bruk fra Foundry-katalogen.

Den beskrevne distribusjonen gjelder lisensiering av vekter til betrodde partnere gjennom Foundry. For en norsk virksomhet som bruker plattformen, er forskjellen konkret: En plan om utvalgte partnerlisenser gir ikke tilgang til å teste modellen, bestille kapasitet eller sammenligne en faktisk pris med eksisterende alternativer. Microsoft har heller ikke beskrevet hvem som kan kvalifisere som partner eller hvilke vilkår som skal gjelde.

Neste avgjørende melding blir derfor hvilken ettertrent modell Microsoft tilbyr, hvem som får tilgang til den og når tilgangen åpner. Inntil disse opplysningene foreligger, kan Foundry-kunder vurdere de publiserte forskningsresultatene, men ikke bygge en tjeneste på MAI-Base-2.

Les også:

• AWS-agenten foreslår skyfikser – bare Business+ slipper inn
• Musikk i podkast: TONO-lisens dekker ikke alltid selve innspillingen
• n8n eller Make: selvdrift sparer lisens, men flytter hele driftsjobben