Microsoft AI обяви на 15 октомври 2026 г. завършено предварително обучение на MAI-Base-2 — MoE модел с 2.8 трилиона общи и 80 милиарда активни параметъра. Моделът още преминава последващо обучение. Съобщението е отчет за разработка, а не пускане на готов публичен асистент или достъпни за свободно изтегляне тегла.

Компанията сравнява модели чрез bits-per-byte върху отделени тестови данни и признава, че част от сравняваните checkpoints са след последващо обучение. Твърдението за по-добра изчислителна ефективност е нейна оценка за предварителното обучение. То не е обещание за същото намаление на цената или времето за всяка крайна потребителска задача.

Защо етапът има значение

Предварителното обучение създава основата, върху която после се изгражда поведението на асистент. За читателя най-полезното разграничение е между способността да се предвиждат данни и способността да се изпълни конкретно искане по надежден начин. Добрият резултат в първата задача може да е важен изследователски сигнал, без да дава завършена оценка на втората.

В условен пример вътрешен помощник трябва да намери правилния документ и да отговори с проверим източник. Моделът може да е силен в езиковото предвиждане, но приложението все още трябва да избере верния документ, да запази правата и да различи неизвестен отговор от правдоподобно допълване. Тези въпроси не изчезват при увеличаване на общия брой параметри.

Нашият редакционен прочит е да се разглеждат отделно основният модел, последващото обучение и системата около него. Когато бъдат публикувани потребителски оценки, трябва да е ясно кои от тези слоеве участват. Сравнение с друг продукт може да включва различни инструменти, време за разсъждение и достъп до информация. Без тази рамка една таблица лесно се превръща в по-широк извод, отколкото измерването позволява.

Какво ни казва избраната метрика

Bits-per-byte е начин да се оценява предвиждането на съдържание спрямо байтовете, вместо да се сравняват директно несъпоставими токени. Това помага да се зададе по-ясен въпрос към езиковото моделиране. То не превръща оценката в измерване на завършени поръчки, правилно редактирани файлове или удовлетвореност на потребители.

Бихме прочели по-ниска стойност като резултат в конкретната проверка, а не като универсална класация. Изборът на тестови данни и възможното им припокриване с обучението остават съществени. Когато един checkpoint е основен модел, а друг е обучен допълнително за следване на инструкции, сравнението трябва да носи тази уговорка, вместо читателят сам да я извлича от имената.

Ефективност на обучение и ефективност на продукт

Да се обучи основа с по-малко изчисления за определено качество е различна цел от евтино обслужване на реален трафик. При готов продукт разходът зависи и от контекста, паралелността, времето за отговор и повторенията след грешка. Не извеждаме тези величини от предварителния отчет. За екип, който избира доставчик, следващото доказателство ще бъде реално достъпният модел и неговото поведение в собствената задача.

SIExpo не е възпроизвеждала обучението или оценките. Значимото събитие е напредъкът в разработката на собствена голяма моделна основа, при ясно запазена граница между завършен етап и бъдещ продукт.

Редакционна проверка: 2026-10-16T16:26:59.575073+00:00 (UTC). Корица: концептуална AI илюстрация.