Cum se compară MAI-Base-2 cu alte modele recente?
Microsoft a anunțat, pe 15 octombrie 2026, noul său model de inteligenta artificială, MAI-Base-2, o arhitectură de tip mixture-of-experts cu 2,8 de trilioane de parametri în total și 80 de miliardi de parametri activați în timpul inferenței. Modelul a fost prezentat de cercetătorii Microsoft AI ca parte a eforturilor continuă de a extinde frontierele sistemelor AI de scară mare.
Culture picks
Grupul chinez Armory Castle exploatează o vulnerabilitate zero-day în BeyondTrust
AI-urile au pătruns în rețelele indiene, citind fișiere confidențiale
Iulian Stanciu preia benzinăriile Gazprom și intră în piața petrolieră
easySales crește cu 35% în primele nouă luni și trece pe profit în al doilea trimestruAceastă lansare poziționează MAI-Base-2 printre modelele cu cele mai multe parametri publicate vreodată de o companie tehnologică de top, accentuând eficiența computatională prin activare sparsă — doar o fracțiune din parametri este utilizată la fiecare pas.
Designul folosește tehnica mixture-of-experts pentru a activa doar un subset de experti pentru fiecare intrare, reducând astfel încărcarea computatională fără a pierde capacitatea. Microsoft afirmă că modelul are de 4 la 12 ori mai multe operații de punct flotant în antrenament comparativ cu abordările anterioare, indicând o scară semnificativă de resurse de calcul utilizate în proces.
Anunțul a avut loc în middul unei serii de lansări majore de modele AI, printre care și Muse Spark Open al Meta, care are 816 de miliardi de parametri în total și 42 de miliardi activați, cu o fereastră de context de un milion de jetoni. Microsoft nu a specificat sursele de date folosite pentru antrenament sau termenii de licențiere pentru MAI-Base-2 în anunțul inițial.
MAI-Base-2 are 2,8 de trilioane de parametri în total — mult peste Muse Spark Open de la Meta, care are 816 de miliardi.
Dar în ceea ce privește parametrii activați, MAI-Base-2 ajunge la 80 de miliardi, mai mult decât cei 42 de miliardi ai modelului Meta.
Ce înseamnă acest lucru pentru dezvoltarea AI?
Aceasta sugerează că Microsoft a optat pentru o acoperire mai largă de experti, cu o activare moderată, în timp ce Meta s-a concentrat pe un set mai mic de parametri activați, dar cu o capacitate de context excepcional.
Ambele modele reflectă strategii diferite în scalarea AI: Microsoft emphasizează densitatea de parametri, Meta evidențiază capacitatea de a gestiona texte foarte lungi. Deoarece numărul de parametri activați influențează direct costurile de inferență în timp real, MAI-Base-2 este mai consumatoare de resurse pe token decât Muse Spark Open, chiar și cu totul mai mare scară totală.
Lansarea accentuează competiția intensă între giganții tehnologi pentru a împinge limitele dimensiunii și eficienței modelelor, ceea ce poate accelera inovația, dar ridică și întrebări despre accesibilitate și impact ambiental. Modelele de această dimensiune necesită hardware specializat și consumă cantități semnificative de energie, ceea ce limitează utilizarea largă la organizațiile bine resurse.
Analistii industriei sugerează că aceste tendințe ar putea îngroapa diferența între laboratorii de AI de top și cercetătorii cu resurse mai modeste — dacă nu vor interveni lansări deschise sau rupturi în eficiență. Microsoft nu a clarificat dacă MAI-Base-2 va fi disponibilă prin API, greutăți deschise sau acces restricționat.
Este MAI-Base-2 disponibilă pentru utilizare publică? Microsoft nu a anunțat încă detalii despre disponibilitatea publică — nici acces prin API, nici greutăți deschise — așa că accesul rămâne neclar.
Cum îmbunătățește eficiența designul mixture-of-experts? Prin activarea doar a rețelelor de experti relevante pentru fiecare intrare, modelul reduce parametrii folosiți de la 2,8 de trilioane la 80 de miliardi în inferență, diminuând încărcarea computatională fără a sacrifices capacitatea.
Ce avantaj de calcul de antrenament revendică Microsoft? Microsoft afirmă că MAI-Base-2 are de 4 la 12 ori mai multe operații de punct flotant în antrenament comparativ cu metodele anterioare, indicând o scară semnificativă de resurse de calcul utilizate în proces.
