مهر
اخبار
مایکروسافت MAI-Base-2 را معرفی کرد؛ مدل ۲٫۸ تریلیون پارامتری با ۸۰ میلیارد پارامتر فعال
بخش هوش مصنوعی مایکروسافت از پایان پیش‌آموزش MAI-Base-2 خبر داد؛ مدلی از نوع ترکیب خبرگان با ۲٫۸ تریلیون پارامتر کل و ۸۰ میلیارد پارامتر فعال که روی ۵۰ تریلیون توکن و ۱۶ هزار پردازنده‌ی GB200 آموزش دیده است.
لیست مطالب
۱. ماجرا چیست؟ خلاصه‌ی خبر
مایکروسافت در ۲۳ مهر ۱۴۰۵ (۱۵ اکتبر ۲۰۲۶) در یک گزارش فنی با عنوان «پیش‌آموزش مرزی در مایکروسافت AI» از مدل جدیدی به نام MAI-Base-2 رونمایی کرد. این مدل یک «مدل پایه» است؛ یعنی هنوز دستیار گفت‌وگو یا مدل استدلالی نهایی نیست و مرحله‌ی اصلی یادگیری از حجم عظیم داده را پشت سر گذاشته است. طبق گفته‌ی شرکت، پیش‌آموزش کامل شده و مدل اکنون وارد مرحله‌ی پس‌آموزش شده است.
اهمیت خبر در این است که مایکروسافت سال‌ها بیشتر به شراکت با OpenAI تکیه داشت. حالا تیم داخلی این شرکت نشان می‌دهد توان ساخت مدل پایه‌ی بسیار بزرگ را هم دارد. اگر دوست دارید پیشینه‌ی این رقابت را بهتر بشناسید، مقاله‌ی OpenAI چیست؟ نقطه‌ی شروع خوبی است.
۲. مشخصات فنی MAI-Base-2
معماری مدل ترکیب خبرگان (Mixture of Experts) است. در این روش، مدل از تعداد زیادی «خبره» تشکیل شده، اما برای هر توکن فقط بخشی از آن‌ها فعال می‌شوند. به همین دلیل مدل ۲٫۸ تریلیون پارامتر کل دارد، اما در هر گام فقط حدود ۸۰ میلیارد پارامتر کار می‌کند. نتیجه این است که ظرفیت دانش مدل بالا می‌رود، بی‌آن‌که هزینه‌ی اجرا به همان نسبت زیاد شود.
مایکروسافت می‌گوید مدل نسبت به MAI-Base-1 بزرگ‌تر، تُنُک‌تر (sparser) و آموزش‌دیده روی داده‌ی بیشتر است. MAI-Base-1 همان پایه‌ای است که مدل استدلالی MAI-Thinking-1 در خرداد ۱۴۰۵ روی آن ساخته شد. در MAI-Base-2 لایه‌ی MoE در همه‌ی لایه‌ها وجود دارد، در حالی که نسل قبل لایه‌های متراکم و MoE را به‌صورت یک‌درمیان استفاده می‌کرد.
یک ویژگی دیگر، آموزش بومی با بینایی است. مدل از معماری VLM بدون انکودر استفاده می‌کند و بخش تصویری داده‌ی آن حدود ۴٫۵ تریلیون توکن یکتا دارد که با احتساب تکرار، حدود ۱۸ درصد کل مخلوط داده را می‌سازد.
۳. سخت‌افزار و داده‌ی آموزش
آموزش روی ۱۶ هزار پردازنده‌ی گرافیکی GB200 انویدیا و در حدود ۳۸ روز انجام شده است. مایکروسافت میانگین بهره‌وری محاسباتی (MFU) را ۲۱ درصد و «گودپوت» را ۸۹ درصد گزارش کرده؛ یعنی ۸۹ درصد زمان صرف پیشرفت واقعی آموزش شده است. برای مدل‌هایی در این مقیاس، چنین عددی نشان‌دهنده‌ی پایداری قابل‌توجه زیرساخت است.
داده‌ی آموزش ۵۰ تریلیون توکن است؛ حدود ۳۶ درصد توکن یکتای بیشتر از MAI-Base-1. مایکروسافت تأکید می‌کند داده کاملاً ارگانیک است و هیچ بخشی از آن از خروجی مدل‌های دیگر تقطیر نشده است. این نکته در روزهایی که تقطیر مدل‌ها به یکی از جدی‌ترین دعواهای صنعت تبدیل شده، اهمیت دارد؛ برای نمونه می‌توانید خبر دفاع تازه‌ی Anthropic در برابر تقطیر را در بخش اخبار سایت دنبال کنید.
شرکت می‌گوید خزنده‌ی اختصاصی‌اش به robots.txt و کنترل‌های مشابه احترام می‌گذارد و منابعی که سیاست‌های هوش مصنوعی مسئولانه‌ی مایکروسافت را نقض کنند یا در فهرست «بازارهای بدنام» نماینده‌ی تجارت آمریکا باشند، حذف شده‌اند. دانش‌بریده‌ی داده‌ی وب هم مارس ۲۰۲۶ ذکر شده است.
۴. ادعای بازدهی ۴ تا ۱۲ برابری یعنی چه؟
مهم‌ترین ادعای مایکروسافت درباره‌ی «بازدهی FLOPs در پیش‌آموزش» است. به زبان ساده، یعنی برای رسیدن به یک سطح کیفیت مشخص روی داده‌ی ارزیابی، مدل جدید به محاسبات بسیار کمتری نیاز دارد. طبق گزارش، این بازدهی نسبت به DeepSeek-V4-Pro-Base که قوی‌ترین مدل پایه‌ی متن‌باز مورد مقایسه است، بین ۴٫۲ تا ۱۲٫۳ برابر و نسبت به MAI-Base-1 بین ۶٫۳ تا ۱۲٫۷ برابر است. در خلاصه‌ی خبر، این عدد گرد شده و «۴ تا ۱۲ برابر» نوشته شده است.
مایکروسافت می‌گوید صرفه‌جویی محاسباتی را دوباره در ساخت مدلی بزرگ‌تر سرمایه‌گذاری کرده است. از نظر ارزیابی، مدل روی معیار «بیت بر بایت» (BPB) در مجموعه‌های آزمون کنار گذاشته‌شده از همه‌ی مدل‌های متن‌باز آزموده‌شده بهتر عمل کرده است.
اما یک احتیاط مهم وجود دارد: این ضریب‌ها از قانون‌های مقیاس‌گذاری برازش‌شده حاصل شده‌اند، نه از آموزش واقعی دو مدل در شرایط یکسان. هم‌چنین برای مقایسه از چک‌پوینت‌های پس‌آموزش‌دیده‌ی مدل‌هایی مانند Kimi K3، Qwen3.8-2.4T-A95B و MiMo-V2.6-Pro-RL استفاده شده و مایکروسافت خودش اشاره می‌کند پس‌آموزش ممکن است روی این نتایج اثر گذاشته باشد. بنابراین عددها را باید ادعای شرکت دانست تا زمانی که ارزیابی مستقل منتشر شود.
۵. چند نکته‌ی مهندسی جالب
گزارش مایکروسافت فقط عدد و ادعا نیست و چند انتخاب فنی را شرح می‌دهد. نخست، شرکت از بهینه‌ساز Muon به‌جای AdamW استفاده کرده و می‌گوید در مقیاس بزرگ پایدارتر و کارآمدتر بوده است. دوم، تیم تکنیکی به نام «برش گرادیان فعال‌سازی» به‌کار برده که گرادیان را در فعال‌سازی‌های منتخب محدود می‌کند، نه فقط روی نرم کلی، و به پایداری بیشتر در مقیاس‌های بزرگ‌تر کمک کرده است.
بهبود کارایی MoE
بهره‌وری MoE از ۲۴ به ۳۵ درصد رسیده است. مایکروسافت از روش «MoE بدون حذف توکن و چندمرحله‌ای» استفاده کرده که حافظه‌ی ثابتی مصرف می‌کند، حتی اگر مسیریابی بین خبرگان نامتوازن شود. به این ترتیب توکن‌ها حذف نمی‌شوند و آموزش به‌خاطر کمبود حافظه نمی‌ترکد.
نردبان‌های مقیاس
تیم برای پیش‌بینی رفتار مدل بزرگ، مدل‌های کوچک‌تر را با یک دستور ثابت و نسبت یکسان توکن به پارامتر فعال آموزش داده و قانون‌های ابرپارامتر را از آن‌ها استخراج کرده است. این همان رویکردی است که به گفته‌ی خود شرکت، «سادگی را بهترین راه مقیاس‌پذیری» می‌داند.
۶. جایگاه MAI-Base-2 در رقابت مدل‌ها
در هفته‌های اخیر چند مدل بزرگ دیگر هم معرفی شده‌اند؛ از جمله مدل متن‌باز ۸۱۶ میلیارد پارامتری متا و مدل ۱۲۰ میلیارد پارامتری انویدیا. تفاوت اصلی MAI-Base-2 این است که فعلاً متن‌باز نیست و قرار است فقط به شریک‌ها مجوز داده شود. این رویکرد مایکروسافت را به مدلی نزدیک می‌کند که از مالکیت کامل روی داده، آموزش و زیرساخت برای کنترل کیفیت و منشأ داده استفاده می‌کند.
برای مقایسه‌ی دو مدل بزرگ دیگر در حوزه‌ی کاربرد، مقاله‌ی ChatGPT در برابر DeepSeek نشان می‌دهد چرا مدل پایه‌ی قوی همیشه به‌معنای محصول بهتر نیست. مدل پایه فقط سنگ‌بنا است و کیفیت نهایی به پس‌آموزش، ایمنی و ابزارها بستگی دارد.
این خبر در کنار معرفی تراشه‌ی Maia 300 و دستگاه Surface RTX Spark Dev Box، نشان می‌دهد مایکروسافت تلاش می‌کند همه‌ی زنجیره را در اختیار داشته باشد: تراشه، زیرساخت، مدل و محصول. اخبار بیشتر را در بخش اخبار هوش مصنوعی دنبال کنید.
۷. این خبر برای کاربران و کسب‌وکارها چه معنایی دارد؟
در کوتاه‌مدت تغییر مستقیمی در ابزارهای روزمره‌ی شما رخ نمی‌دهد، چون مدل هنوز پس‌آموزش ندیده و عمومی نیست. اما اگر مایکروسافت بتواند مدل خوبی روی این پایه بسازد، می‌تواند در Copilot، Azure و Foundry وابستگی کمتری به مدل‌های بیرونی داشته باشد؛ و این یعنی کنترل بیشتر روی هزینه، سرعت و قیمت‌گذاری.
برای کسب‌وکارها، مهم‌ترین پیام کاهش هزینه‌ی آموزش در سطح مدل‌های مرزی است. اگر ادعای بازدهی چندبرابری در عمل تأیید شود، مدل‌های قوی‌تر با هزینه‌ی کمتر ارائه خواهند شد. درباره‌ی نقش هوش مصنوعی در کسب‌وکار، مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار را بخوانید.
برای کاربرانی که فقط از ابزارها استفاده می‌کنند هم نکته‌ی کاربردی وجود دارد: کیفیت خروجی هر مدلی به شکل پرامپت وابسته است. راهنمای نوشتن پرامپت برای مبتدی‌ها و آموزش‌های بخش آموزش چت‌جی‌پی‌تی کمک می‌کنند از هر مدلی نتیجه‌ی بهتری بگیرید.
۸. محدودیت‌ها و نکته‌های احتیاط
چند نکته را باید در نظر داشت. نخست این‌که مدل هنوز عمومی نیست و فقط گزارش فنی و ادعاهای خود شرکت در دسترس است. دوم، نتایج پس‌آموزش هنوز منتشر نشده و عملکرد واقعی مدل در کارهای استدلالی، کدنویسی و گفت‌وگو مشخص نیست. سوم، مقایسه‌ها با مدل‌های دیگر بر پایه‌ی معیار پیش‌آموزش است، نه آزمون‌های کاربردی.
مایکروسافت می‌گوید برای کاهش خطر آلودگی داده، ارزیابی‌های STEM، ریاضی و پرسش‌وپاسخ را از فروشنده‌ها سفارش داده و مجموعه‌های ارزیابی را نسبت به داده‌ی آموزش پاک‌سازی کرده است. این اقدام‌ها مثبت‌اند، اما هنوز جای ارزیابی مستقل را پر نمی‌کنند. برای نگاه واقع‌بینانه به توان و محدودیت هوش مصنوعی، مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی مفید است.
۹. پرسش‌های متداول
MAI-Base-2 چیست؟
یک مدل پایه‌ی ترکیب خبرگان از مایکروسافت با ۲٫۸ تریلیون پارامتر کل و ۸۰ میلیارد پارامتر فعال که پیش‌آموزش آن تمام شده است.
آیا می‌توانم از آن استفاده کنم؟
خیر، فعلاً عمومی نیست. مایکروسافت قصد دارد وزن‌ها را از طریق Foundry به شریک‌های مورد اعتماد مجوز دهد و ابتدا در محصولات خودش به‌کار ببرد.
آیا از مدل‌های دیگر تقطیر شده است؟
طبق گفته‌ی مایکروسافت، خیر. شرکت می‌گوید ۵۰ تریلیون توکن داده‌ی ارگانیک بوده و تقطیر از مدل‌های دیگر انجام نشده است.
ادعای ۴ تا ۱۲ برابر بودن بازدهی قابل اتکاست؟
این ادعا از قانون‌های مقیاس‌گذاری به دست آمده و هنوز ارزیابی مستقل ندارد، پس فعلاً باید آن را ادعای شرکت دانست.
گام بعدی چیست؟
مدل وارد پس‌آموزش شده و مایکروسافت وعده‌ی نتایج بیشتر را داده است. آماده‌سازی برای MAI-Base-3 هم آغاز شده است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
