تحليل معمق · قراءة نحو 4 دقائق
MAI-Base-2: كفاءة التدريب وإتاحة النموذج سؤالان منفصلان
تشرح Microsoft أساساً يضم 2.8 تريليون معلمة وتكرار البيانات وتحسين البنية؛ هذه الأرقام لا تعني إعلان مساعد متاح أو اشتراك جديد.
- تاريخ المصدر
- نُشر هنا
- تم التحقق من المصدر
نشرت Microsoft AI في 15 أكتوبر شرح التدريب المسبق لـMAI-Base-2. وتقول إن نموذج مزيج الخبراء يضم 2.8 تريليون معلمة إجمالاً، منها 80 مليار معلمة نشطة. الخبر المفيد يتعلق بالطريقة وأدلتها: كانت نقطة التحقق ما زالت في التدريب اللاحق، ولذلك لا يثبت الإعلان توافر مساعد أو اشتراك للجمهور.
استمع إلى الأخبار
استمع إلى هذا المقال أو تابع تشغيل الأخبار.
جارٍ تجهيز القراءة…
صوت الجهاز
يتولى المتصفح أو الجهاز معالجة النطق. لا يرسل AISubHub النص إلى واجهة صوتية. تختلف الأصوات والتشغيل مع قفل الشاشة حسب الجهاز.
قد تتكرر عبارة قصيرة عند المتابعة.
لمحة سريعة
- تذكر Microsoft تدريباً استمر 38 يوماً على 16,000 وحدة GB200، بمتوسط استخدام FLOPs للنموذج قدره 21% وgoodput قدره 89%. يقيس المؤشران جانبين مختلفين من التشغيل.
- تقدّر الشركة كفاءة FLOPs أعلى بمقدار 4.2–12.3 مرة من DeepSeek-V4-Pro-Base عند مطابقة البتات لكل بايت في نصوص محجوزة. إنها مقارنة بمنحنيات ملائمة، وليست انخفاضاً مقاساً بالمقدار نفسه في الفاتورة النهائية.
1. نقطة التحقق الأساسية ليست مساعداً جاهزاً
يتعلم التدريب المسبق بنية التنبؤ من البيانات، ثم يصوغ التدريب اللاحق اتباع التعليمات والسلوك في التطبيقات. تضع Microsoft نموذج MAI-Base-2 بين المرحلتين. عدد المعلمات النشطة يصف الحساب المختار لرمز واحد، بينما يبقى الإجمالي الأكبر مهماً للتخزين والنشر. ولا يحدد أي منهما منفرداً الذاكرة اللازمة أو سرعة الاستجابة التفاعلية. لذا يتيح النص دراسة الأساس، لكنه لا يثبت وصول تحديث جاهز للاستخدام إلى Copilot.
2. التجارب الصغيرة يجب أن تكرر البيانات أيضاً
يحافظ سلّم أحجام النماذج على عدد ثابت من رموز التدريب لكل معلمة نشطة. وتقيّد Microsoft العينات الفريدة في التجارب الأصغر كي يتكرر كل مصدر بالمعدل نفسه: فالمصدر الذي يتكرر ثماني مرات ضمن 50T رمز يتكرر ثماني مرات على عُشر بياناته في تجربة 5T. يمنع ذلك تفضيل إعدادات تنجح فقط عندما ترى النماذج الصغيرة أمثلة جديدة باستمرار. كما تُبحث قيمة معدل التعلم واضمحلال الأوزان معاً، لأن تأثيرهما مترابط لا مستقل.
3. ما الذي تثبته مقارنة الكفاءة؟
تطبع البتات لكل بايت خسارة التنبؤ وفق بايتات النص الأصلي، فتقل فروق تقسيم الرموز. تلائم Microsoft منحنيات منفصلة للحساب والخسارة في الشيفرة والأسئلة والأجوبة وSTEM والرياضيات، وتضم نقطة التحقق النهائية إلى الملاءمة. ثم تقدّر الحساب اللازم لمعادلة خسارة النموذج المرجعي. لكن التشغيل النهائي لـMAI-Base-2 استهلك فعلياً FLOPs أكثر من المرجع. وبعض نقاط المقارنة الأخرى خضعت مسبقاً لتدريب لاحق، وهو تحفظ مذكور. لذلك لا تتحول النتائج مباشرة إلى توفير بالدولار أو ترتيب شامل لكل المساعدين.
4. الندرة الحسابية لا تلغي الذاكرة والاتصالات
تجمع Microsoft الخبراء في مجموعات ذات سعة رموز ثابتة. يستطيع الخبير المثقل استخدام السعة الفارغة في مجموعته؛ وتُعالج الرموز الباقية في جولات إضافية بدلاً من إسقاطها. تستبدل هذه الجولات وقتاً إضافياً بذاكرة محدودة، مع تداخل الإرسال والحساب والتجميع. ويعاد توزيع زخم المحسّن كي يعمل Muon على مصفوفات كاملة رغم التخزين المجزأ. تقول الشركة إن مرحلة Muon المحسنة استغرقت 165 ملي ثانية، أي 2.1% من متوسط التكرار. هذه نتيجة تنفيذ معين، وليست ضماناً لعنقود آخر.
5. جودة البيانات جزء من النتيجة الهندسية
تقول Microsoft إن الرموز الفريدة زادت بنحو 36%، وإن حد المعرفة مارس 2026، مع معالجة داخلية لا تعتمد على تقطير نماذج أخرى. تضم مجموعة الرؤية واللغة بلا مشفّر منفصل 4.5T رمز فريد؛ ومع التكرار تسهم بنسبة 18% من مزيج 50T. فحجم البيانات الفريدة والتعرض التراكمي أثناء التدريب مقياسان مختلفان. وساعد قص تدرجات التنشيط على تتبع مثال شيفرة مشوه إلى خلل في المعالجة المسبقة. لذا يمكن لمراقبة الاستقرار توجيه إصلاح البيانات، بدلاً من التركيز على زيادة عدد الرموز وحده.
6. قراءة الإفصاح كادعاءات هندسية قابلة للاختبار
يربط الشرح اختيار النموذج بالوقت الفعلي: قد يقلل تصميم العمليات النظرية لكنه يبطؤ بسبب الاتصالات أو الذاكرة. تحليلنا أن هذا يفيد في تصميم التجارب، ولا يكفي لاختيار نموذج إنتاج اعتماداً على الأرقام البارزة. ينبغي فحص أعباء قابلة للتكرار وحقوق البيانات والسلوك بعد التدريب اللاحق وقيود النشر. وإلى أن تتحدد هذه الشروط، يجب فصل نية ترخيص الأوزان للشركاء مستقبلاً عن الوصول الحالي والأسعار ومقارنة الاشتراكات الشخصية.
لماذا يهم
تحليل AISubHub: الدرس القابل للنقل هو تقييم إعادة استخدام البيانات وتصميم النموذج والاتصالات معاً. وعلى مشتري المؤسسات التحقق منفصلاً من الوصول إلى النسخة بعد التدريب اللاحق، وشروط النشر، وتقييمات المهام القابلة للتكرار؛ وصف التدريب لا يحسم قرارات الشراء هذه.
القيود والتوافر
الأرقام تقارير Microsoft وليست قياسات AISubHub. قرأنا النص الكامل للمدونة العامة، لا ملف PDF المنفصل أو شيفرة الرسوم. ونية ترخيص الأوزان مستقبلاً لشركاء موثوقين عبر Foundry لا تقدم سعراً عاماً لواجهة MAI-Base-2 أو حقاً ضمن اشتراك شخصي.
المصادر والأدلة
تاريخ المصدر: 15/10/2026 · تم التحقق من المصدر: 20/10/2026
مقالات تحريرية بمساعدة الذكاء الاصطناعي تُراجع مقابل المصادر الأولية المذكورة. تُنسب ادعاءات الشركات إليها، والإدراج لا يعني التوصية.