Base 的 4.2 至 12.3 倍

核心亮点

本期值得关注的是：Base 的 4.2 至 12.3 倍。Microsoft AI 宣布完成 MAI-Base-2 基础学习阶段，这是一个 800 亿激活、2.8T 总参数的 混合专家(MoE) 基础模型，在 held-out 评测中 BPB 低于所测全部开放权重模型，基础学习阶段 FLOPs 效率比 DeepSeek-V4-Pro-Base 高 4.2 至 12.3 倍

具体事件经过

具体而言，Microsoft AI 宣布完成 MAI-Base-2 基础学习阶段，这是一个 800 亿激活、2.8T 总参数的 混合专家(MoE) 基础模型，在 held-out 评测中 BPB 低于所测全部开放权重模型，基础学习阶段 FLOPs 效率比 DeepSeek-V4-Pro-Base 高 4.2 至 12.3 倍该进展体现了相关团队在模型能力上的最新动作，值得持续跟踪其后续落地与生态反馈。

技术细节

从技术规格看，该模型延续了当前前沿的大参数总量加稀疏激活（MoE）路线，配合长上下文与多模态输入，强调在单卡或少量硬件上也能运行或微调，降低部署门槛。

与竞品对比

与同代闭源与开源模型相比，开放权重的关键价值在于可拥有性与成本可预测：团队可以自托管、按自身数据微调，并摆脱按调用计费的不确定性。代价是更大的运维责任与显存占用。

行业影响或适用场景

对构建者而言，这类模型的增量价值在于把前沿能力下沉到可控环境。建议在自有任务上做对照评测，再决定是否替换现有方案；若数据敏感或成本敏感，开放权重往往是更优解。

公允的结论是，开放权重并非赢得每一场比赛，但它赢得那些对控制力有要求的比赛；正确做法是先在你的领域基准上评测，再决定是否相信任何头条分数。