微软放出 MAI-Base-2：2.8 万亿参数 MoE 训练效率领先
10 月 19 日，每日 AIGC 早报（腾讯网）披露，微软发布了一个名为 MAI-Base-2 的模型，总参数 2.8 万亿、每 token 激活约 800 亿，是一个典型的混合专家（MoE）架构。报道援引微软的说法称，其预训练 FLOPs 效率比 DeepSeek-V4-Pro-Base 高出 4 到 12 倍。
先说参数意味着什么
2.8 万亿总参数听着吓人，但 MoE 的关键在于“激活量”：每次只动用 800 亿参数，其余专家待命。这就像一家大公司，全员两万八，但每个项目只抽调八百人上场。好处是模型容量极大，单次推理成本却可控。这也是当下前沿模型的主流路线。
真正被强调的点不是参数大，而是“训练效率”：同样达到某个智能水平，花的算力更少。对大厂来说，训练一次前沿模型的电费和芯片成本以亿计，效率高一点，省下的就是真金白银。
“效率高 4 到 12 倍”怎么理解
报道里的说法是“预训练 FLOPs 效率比 DeepSeek-V4-Pro-Base 高 4 到 12 倍”。这个表述指向的是：在可比的能力目标下，MAI-Base-2 用的训练算力更少。区间 4 到 12 倍跨度很大，说明它高度依赖具体任务和衡量口径，不能简单记成“快了十倍”。
需要提醒：这是厂商自述的对比，DeepSeek 一方未必认可同一套基准。效率对比向来是“用谁的尺子量”的问题，最好等独立评测把口径对齐后再下结论。
微软为什么自己下场造底座
过去微软主要把 OpenAI 的模型接进自家产品。自己训 MAI 系列，意味着它想在模型层也掌握主动权——尤其在成本、合规和定制化上不被单一供应商绑定。这类自研底座一旦成熟，会优先喂给 Copilot、Azure 和 Bing 等自有场景。
从行业看，Google、Meta、xAI、Anthropic 都在自研，微软补齐这一环，大模型“自有底座俱乐部”又多了一位巨头。竞争从“谁接谁的模型”转向“谁自己能造、且造得起”。
要保留的边界
第一，MAI-Base-2 的详细能力、可用性与开放方式，报道披露有限，不能当作已全面开放的产品。第二，效率倍数来自单一来源，需独立验证。第三，它是微软内部底座的定位，是否对外开放 API、何时开放，尚无明确信息。
一句话：MAI-Base-2 的出现，标志着微软把“自己造大模型”从传闻变成了动作；真正要看的不是参数多大，而是它能不能把训练效率的优势变成可用、可负担的产品。
