微软 MAI-Base-2 完成预训练：2.8 万亿参数之外，如何读懂效率与落地信号

微软的新一代自研基础模型，走到了一个值得关注的节点。Microsoft AI 于 2026 年 10 月 15 日披露，MAI-Base-2 已完成预训练，目前仍在进行后训练。对于准备选型的开发者，这条消息首先意味着模型研发进展；实际接入、价格和产品效果，还需要等待后续信息。

这次披露了什么？

据微软公布的技术说明，MAI-Base-2 采用混合专家架构（MoE），总参数量为 2.8 万亿，激活参数为 800 亿；训练使用 1.6 万张 GB200 GPU，持续 38 天。微软还表示，未来希望通过 Foundry 向可信合作伙伴授权模型权重。上述内容来自研发方披露，不能直接理解为已经开放下载或上线 API。查看官方技术说明。

如何理解“效率提升 4.2—12.3 倍”？

这个数字有特定口径：微软用自己的留出评测与缩放规律，估算训练方案达到 DeepSeek-V4-Pro-Base 相同 BPB（每字节比特数）水平所需的计算量。它描述的是预训练 FLOPs 效率估计，不能直接换算成推理提速或 API 降价。微软也提醒，对照中的部分模型经过后训练，可能影响比较。比较方法与限制。

对企业选型，哪些问题更值得追问？

以下是基于本次披露的应用层分析。参数规模可以帮助理解研发投入，但企业采购最终要回答的是：在自己的任务上，系统能否稳定交付，成本是否可控，出现问题时能否追溯。

• 先固定任务，再比较模型。用真实业务中经过脱敏的样本建立测试集，例如资料检索、表格核对、代码修改和多轮任务执行。保持输入、工具权限和验收标准一致，才容易发现差异。
• 分别测量质量、时延和费用。一次回答更准确，不一定意味着整条业务流程更便宜；重试次数、人工复核和工具调用同样会影响总成本。
• 把权重授权与部署条件一起核对。如果后续出现合作伙伴授权方案，应进一步确认许可范围、托管方式、更新机制及数据处理条款，再决定是否纳入采购。

接下来关注什么？

更有决策价值的后续信息包括后训练模型的实际表现、可用入口、服务条款和独立测试结果。在这些信息齐备前，适合把 MAI-Base-2 放入观察清单，并继续完善自家评测流程。这样新模型真正可用时，团队能用一致的标准判断是否值得迁移。