Microsoft fullfører MAI-Base-2 på 2,8 billioner parametre – men effektivitetstallene er selskapets egne
Microsoft AI bekreftet torsdag 15. oktober 2026 at forhåndstreningen av MAI-Base-2 er fullført, og at modellen nå er i ettertrening. Samme dag fortalte administrerende direktør Mustafa Suleyman ansatte at selskapets nye grunnmodell slår modellen som driver GPT-5.6 Sol – med en fjerdedel av OpenAIs treningsregnekraft. Alle de sentrale tallene stammer fra Microsoft selv.
Det nye – og hvem som sier det
Under et town hall-møte med ansatte torsdag sa Suleyman ifølge Business Insider:
«Vi har nå en sterkere forhåndstrent grunnmodell enn modellen som for tiden driver GPT 5.6 Sol. Og faktisk brukte vi en fjerdedel av regnekraften som OpenAI brukte for å trene modellen sin.»
Han la til at Microsoft «privat og konfidensielt» også har sammenlignet modellen med OpenAIs modeller, blant annet én med kallenavnet «Spud», og antydet at selskapet har spesiell tilgang til informasjon om hvordan OpenAIs modeller presterer. Det er en uvanlig åpenbaring fra et møte som normalt ikke er offentlig, og sammenligningen hviler helt på Microsofts egen informasjon.
Ifølge Business Insider nektet Microsoft å kommentere saken, og OpenAI svarte ikke på henvendelser. Ingen av påstandene er så langt uavhengig verifisert – verken effektivitetstallene eller sammenligningen med OpenAI.
Modellen og treningen
MAI-Base-2 er en mixture-of-experts-modell med 2,8 billioner totale parametre, hvorav 80 milliarder er aktive per fremspoling. Modellen skal ifølge Microsoft være trent på omtrent 50 billioner tokens over 38 dager i august og september, og 18 prosent av treningsdataene var bildemateriale (Investing.com via Yahoo Finance).
Selskapet sier også at modellen utkonkurrerte «alle åpen-vektmodeller den ble testet mot». Hvilke modeller som ble testet, og på hvilke evalueringspunkter, er ikke oppgitt.
Det finnes en uavklart motsetning i rapporteringen om maskinvaren: Investing.com/Yahoo Finance oppgir 16 000 Nvidia GB200-GPUer, mens et flash-element fra KuCoin/MetaEra, med henvisning til AIBase, oppgir 6 000 GB200-GPUer over samme 38 dager. Begge deler er selskapstelling videreformidlet gjennom sekundære kilder, og spørsmålet må foreløpig regnes som åpent. KuCoin-elementene er videreformidlinger og bør ikke regnes som uavhengig bekreftelse.
Effektivitetskravene
De mest konkrete tallene Microsoft legger frem er:
- Ifølge selskapet egne evalueringer, gjennomført over fire tester, skal treningsmetoden være 4,2 til 12,3 ganger mer regneeffektiv enn DeepSeek-V4-Pro-Base.
- Samme metode skal være 6,3 til 12,7 ganger mer effektiv enn forgjengeren MAI-Base-1.
Suleyman oppga ikke hvilken DeepSeek-modell sammenligningen gjaldt, ifølge KuCoin News, som formidler IT Home og Business Insiders rapportering.
Microsoft selv tilskriver resultatene tre faktorer: vitenskapelig skalering, samdesign av modell og infrastruktur, og datas skalering. Disse forklaringene er generelle – de beskriver ikke konkrete tekniske grep eller måltall som tredjeparter kan etterprøve.
En linje uten offentlige vekter
Det nye i utgivelsesstrategien er at Microsoft sier det vil lisensiere modellvektene til «betrodde partnere» gjennom Azure AI Foundry, i stedet for å slippe dem åpent. Selskapet knytter dette valget til påstanden om at modellen er trent på egne data, uten kunnskapsdestillering fra andre systemer – et poeng som blir stadig viktigere for selskaper som må kunne dokumentere opphav og lisensiering. Det er verdt å merke seg at ingen av de tilgjengelige kildene eksplisitt sier at modellen ikke kommer som åpen-vekt; det er en tolkning av lisensieringsuttalelsen, ikke en bekreftet beslutning.
Hverken kommersiell tilgjengelighet eller prising er oppgitt. For bedriftskunder betyr ordningen at modellen trolig vil være tilgjengelig via Azure, men om den kan kjøres på egen infrastruktur – slik åpen-vektmodeller fra blant annet DeepSeek tillater – er foreløpig uavklart.
Arven fra MAI-programmet
MAI-Base-2 er etterfølgeren til MAI-Base-1, som ligger under resonneringsmodellen MAI-Thinking-1. MAI-programmet ble lansert 2. juni 2026 under Microsoft Build, med sju modeller, og Microsoft oppga da at samtlige, inkludert MAI-Thinking-1, var bygget fra bunnen av uten bruk av tredjepartsmodeller til destillering (Crypto Briefing).
Andregenerasjonsgrunnmodellen er dermed en fortsettelse av samme fortelling Microsoft har holdt på med i under et år: egne grunnmodeller, egne data, og påstander om vesentlig bedre regneeffektivitet enn både forgjengeren og konkurrentene.
Hva gjenstår å se
Det finnes foreløpig ingen primærdokumentasjon: ingen av de rapporterende kildene har sett Microsofts egen kunngjøring eller benchmarkdata. Suleymans sammenligning med GPT-5.6 Sol bygger på «privat og konfidensiell» tilgang til OpenAI-teknisk informasjon, og OpenAI har ikke kommentert. Effektivitetstallene mot DeepSeek stammer fra Microsofts egne evalueringer.
Det neste sjekkpunktet blir modellens prestasjoner etter ettertrening. Grunnmodeller sammenlignes gjerne på rå evner, men det er ytelsen i ferdige, ettertrente modeller som avgjør om Microsoft virkelig har tatt igjen konkurrentene – og de uavhengige benchmarkene som vil avsløre det, er ennå ikke gjennomført.
Microsoft completes MAI-Base-2 at 2.8 trillion parameters — but the efficiency figures are the company's own
Microsoft AI confirmed on Thursday 15 October 2026 that pre-training of MAI-Base-2 is complete and the model is now in post-training. The same day, CEO Mustafa Suleyman told employees that the company's new base model beats the model powering GPT-5.6 Sol — using a quarter of OpenAI's training compute. Every central figure comes from Microsoft itself.
What's new — and who is saying it
At a town hall meeting with employees on Thursday, Suleyman said, according to Business Insider:
"We now have a stronger pre-trained base model than the one currently powering GPT 5.6 Sol. And in fact, we used a quarter of the compute that OpenAI used to train their model."
He added that Microsoft has also "privately and confidentially" compared the model with OpenAI's models, including one nicknamed "Spud," and hinted that the company has special access to information about how OpenAI's models perform. That is an unusually candid disclosure from a meeting that is normally not public, and the comparison rests entirely on Microsoft's own information.
According to Business Insider, Microsoft declined to comment on the matter, and OpenAI did not respond to inquiries. None of the claims have so far been independently verified — neither the efficiency figures nor the comparison with OpenAI.
The model and its training
MAI-Base-2 is a mixture-of-experts model with 2.8 trillion total parameters, of which 80 billion are active per forward pass. According to Microsoft, the model was trained on roughly 50 trillion tokens over 38 days in August and September, and 18 percent of the training data was image material (Investing.com via Yahoo Finance).
The company also says the model outperformed "every open-weight model it was tested against." Which models were tested, and on which evaluation benchmarks, has not been disclosed.
There is an unresolved contradiction in the reporting on the hardware: Investing.com/Yahoo Finance reports 16,000 Nvidia GB200 GPUs, while a flash item from KuCoin/MetaEra, citing AIBase, reports 6,000 GB200 GPUs over the same 38 days. Both figures are company tallies relayed through secondary sources, and the question must for now be considered open. The KuCoin items are relays and should not be counted as independent confirmation.
The efficiency claims
The most concrete figures Microsoft puts forward are:
- According to the company's own evaluations, conducted across four tests, the training method is 4.2 to 12.3 times more compute-efficient than DeepSeek-V4-Pro-Base.
- The same method is 6.3 to 12.7 times more efficient than its predecessor, MAI-Base-1.
Suleyman did not specify which DeepSeek model the comparison refers to, according to KuCoin News, which relays reporting from IT Home and Business Insider.
Microsoft itself attributes the results to three factors: scientific scaling, co-design of model and infrastructure, and data scaling. These explanations are general — they do not describe concrete technical measures or measurable targets that third parties could verify.
A lineage without public weights
What is new in the release strategy is that Microsoft says it will license the model weights to "trusted partners" through Azure AI Foundry, rather than releasing them openly. The company ties this choice to its claim that the model was trained on original data, without knowledge distillation from other systems — a point that is becoming increasingly important for companies that must be able to document provenance and licensing. It is worth noting that none of the available sources explicitly state that the model will not come as open weights; that is an interpretation of the licensing statement, not a confirmed decision.
Neither commercial availability nor pricing has been disclosed. For enterprise customers, the arrangement means the model will most likely be available via Azure, but whether it can be run on customers' own infrastructure — as open-weight models from, among others, DeepSeek allow — remains unclear for now.
The legacy of the MAI program
MAI-Base-2 is the successor to MAI-Base-1, which sits beneath the reasoning model MAI-Thinking-1. The MAI program was launched on 2 June 2026 at Microsoft Build, with seven models, and Microsoft stated at the time that all of them, including MAI-Thinking-1, were built from scratch without the use of third-party models for distillation (Crypto Briefing).
The second-generation base model is thus a continuation of the same story Microsoft has been telling for less than a year: its own base models, its own data, and claims of substantially better compute efficiency than both its predecessor and its competitors.
What remains to be seen
There is so far no primary documentation: none of the reporting sources have seen Microsoft's own announcement or benchmark data. Suleyman's comparison with GPT-5.6 Sol rests on "private and confidential" access to OpenAI technical information, and OpenAI has not commented. The efficiency figures against DeepSeek come from Microsoft's own evaluations.
The next checkpoint will be the model's performance after post-training. Base models are often compared on raw capabilities, but it is the performance of finished, post-trained models that will determine whether Microsoft has really caught up with its competitors — and the independent benchmarks that would reveal that have not yet been run.