Microsoft kündigte gestern (Ortszeit) an, dass das neue SOTA-Basismodell MAI-Base-2 sein Pre-Training abgeschlossen hat; laut offiziellen Angaben ist es leistungsstärker als alle getesteten Open-Weight-Modelle.
Diese Zahlen sind beachtlich: MAI-Base-2 hat eine Gesamtgröße von 2,8T Parametern mit 80B aktiven Parametern und wurde in 38 Tagen auf 6000 NVIDIA-GB200-GPUs trainiert. Während des gesamten Trainings lag die durchschnittliche FP-Auslastung bei 21 % und der effektive Durchsatz bei 89 % – diese Effizienz auf einem sehr großen Cluster zu halten, ist für sich genommen ein Beleg für die Ingenieurskunst.
Rechenleistungseffizienz 4- bis 12-fach über DeepSeek
Noch interessanter ist der Effizienzvergleich. Microsoft behauptet, dass die Pre-Training-Rechenleistungseffizienz von MAI-Base-2 das 4- bis 12-Fache von DeepSeek-V4-Pro-Base erreicht. In einer Branche, deren erste Halbzeit vom „Geldverbrennen für Infrastruktur“ geprägt ist, ist es strategisch bedeutsamer, den Output pro Recheneinheit um Größenordnungen abzuheben, als bloß Parameter zu stapeln.
Microsoft führt diesen Erfolg auf drei Dinge zurück: wissenschaftlich fundiertes Skalieren, Co-Design von Modell und Infrastruktur sowie Datenskalierung. Mit anderen Worten: Statt einfach nur mehr GPUs hinzuzufügen, wurden Algorithmus, Hardware und Datenrezeptur gemeinsam verfeinert. Noch während der Fertigstellung von MAI-Base-2 hat der Riese bereits still die Vorbereitungen für MAI-Base-3 aufgenommen – im Rüstungswettlauf der Basismodelle will Microsoft offensichtlich nicht zurückfallen, sondern hat sich beschleunigt an die Spitze gesetzt.