微软公开 MAI-Base-2 训练配方:1.6 万张 GPU,38 天练出 2.8 万亿参数模型

从小模型的重复数据,到专家挤爆内存时的分轮调度,拆开微软这份前沿预训练报告里的方法、证据与取舍。

作者:Microsoft AI10-17 · 15 分钟

微软人工智能团队披露了其新一代前沿基座大模型 MAI-Base-2 的预训练工程细节。这个混合专家(MoE)模型拥有 800 亿激活参数、2.8 万亿总参数。在 16,000 块英伟达 GB200 GPU 的集群上,团队历时 38 天完成了 50 万亿 Token 的全量训练,并将原生视觉理解直接融入了底座架构。

对照项 MAI-Base-1 MAI-Base-2
总参数 1 万亿 2.8 万亿
每个 Token 激活参数 350 亿 800 亿
训练 Token(含重复) 30 万亿 50 万亿
预训练模态 纯文本 原生图文
MoE 布局 隔层采用 每层采用

总参数与训练量扩大了,但每个 Token 仍只激活少量参数;视觉也从预训练阶段就纳入底座。

在超大规模训练中,小实验选出的方案可能在放大后过拟合;理论上省计算的专家结构,也可能卡在显存分配和跨卡通信上。微软把这些问题连起来处理:先让小实验复现大训练的数据重复方式,再改造专家调度、优化器与数据流水线。报告披露的不只是模型规模,还有这些选择如何影响实际训练。


预训练底座与日常聊天的 AI,究竟相隔多远?

许多日常使用 AI 的人习惯了与 ChatGPT 或 Copilot 对话,容易将“大模型发布”等同于“聊天机器人升级”。但 MAI-Base-2 属于预训练基座(Base Model),主要通过海量语料的自监督学习建立语言与世界知识表征,尚未经过指令微调(SFT)或强化学习(RL)等后训练工序。

两者的直观区别在于交互形态:预训练基座的核心任务是根据前文预测下一个 Token(词元),更擅长顺着输入内容续写;而日常使用的对话模型,则是经过后训练引导其理解指令,以结构化的问答方式作答。微软自己的上一代就是一个例子:MAI-Base-1 经过后训练,成为了 MAI-Thinking-1。

基座模型可以通过下游任务进行评测,但在跨模型直接比较交叉熵损失(Cross-Entropy Loss)时,会受到不同分词器(Tokenizer)切词粒度的干扰——同样一段文本,不同分词器切出的 Token 数量不同,直接对比每 Token 损失并不公平。

为此,微软在评测中采用了与分词器解耦的指标:每字节比特数(Bits-Per-Byte, 简称 BPB)。

(BPB 将模型对文本的预测损失按原始字节数归一化,衡量模型压缩未知文本时平均每个字节所需的理论信息比特数。BPB 越低,说明模型对测试集概率分布的预测越准确。)

MAI-Base-2 与对比模型在预留测试集上的 BPB 对比
在微软测试的对比模型中,MAI-Base-2 在四个领域的预留测试集上均取得了更低的 BPB。
纵轴为未见测试集(Held-Out)上的每字节比特数(BPB,越低越好)。测试集涵盖内部代码库与外部委托供应商题集,并对训练集进行了去污染过滤。注:标星号的 Kimi K3、Qwen3.8 及 MiMo 为后训练检查点,后训练过程可能对这些评测结果产生影响。

在包含代码(Code)、第三方定制问答(QA)、科学理工(STEM)和数学(Math)的独立预留测试集上,MAI-Base-2 分别取得了 0.2203、0.4162、0.3653 和 0.3561 的 BPB 成绩,优于其参与对比的其他基准模型。


“效率提高 4 到 12 倍”是怎么算出来的?

微软报告的 4.2 至 12.3 倍,是训练配方的计算效率提升,比较基准是 DeepSeek-V4-Pro-Base。

实际训练成本并不能直接由 FLOPs 推断,且 MAI-Base-2 最终实际消耗的训练 FLOPs 也显著多于 DeepSeek-V4-Pro-Base。“4.2–12.3 倍”是微软基于拟合曲线给出的等 BPB 算力效率(FLOPs-Efficiency)比较。

如果直接对比最终评测结果,容易将训练配方的效率与消耗的总算力混淆。为了单独评估配方的效率,研究团队在不同规模的模型上拟合出独立的缩放定律曲线,推算若达到与 DeepSeek-V4-Pro-Base 相同的 BPB,该训练配方所需的理论计算量:在代码任务上约为后者的 1/12.3,问答任务约为 1/4.2,理工与数学任务分别约为 1/8.3 与 1/6.6。相比前代 MAI-Base-1,配方效率提升了 6.3 至 12.7 倍。

MAI 缩放梯子与 DeepSeek-V4-Pro-Base 及 MAI-Base-1 的等效 BPB 算力比较
基于训练 FLOPs 拟合曲线,推算达到相同 BPB 所需的相对计算量。
横轴为训练总 FLOPs 的对数坐标,纵轴为预留测试集 BPB。水平箭头指示达到相同 BPB 时的计算量比值:相较于 DeepSeek-V4-Pro-Base,代码提升 12.3x、问答 4.2x、理工 8.3x、数学 6.6x。拟合曲线包含了 MAI-Base-2 的最终实测点。

算力配方效率 vs. 实际训练总预算

点击切换不同评测领域,观察“达到相同 BPB 所需的拟合计算量”与“实际训练投入”的本质区别

相对 DeepSeek 的配方效率
12.3×
相对初代 MAI-Base-1 增益
12.7×
二代实测 BPB (越低越好)
0.2203
DeepSeek-V4-Pro-Base 训练计算量 基准: 100% FLOPs
微软新配方达到相同 BPB 表现预计所需算力 (拟合估计) 估计需 8.1% 计算量(效率 12.3×)
MAI-Base-2 最终训练用了更多 FLOPs,换取更低的 BPB。这里不画最终投入比例:报告没有提供可直接用于这张比较条的精确倍数。
同一目标再比较:基准条固定为 DeepSeek 的训练计算量;绿色条是微软配方达到同一 BPB 的拟合估计。它不表示最终训练预算,也不等于美元成本或训练时间。

该拟合曲线包含了 MAI-Base-2 的最终实测点,使得基准对比点落在已知模型的拟合区间内(属于内插而非外推)。微软没有减少总算力开销,而是利用效率更高的配方训练了总参数达 2.8 万亿的更大模型。


小模型也得经历大模型的“重复学习”

在启动超大规模训练之前,工程团队需要在较小规模的模型上探索架构与超参数。为此,微软构建了多尺度实验梯子,并在各阶梯中保持固定 TPP(Training Tokens per active Parameter,每个激活参数对应的训练 Token 数),让模型参数量与训练数据量协同按比例调整。

然而,如果在小尺度实验中直接使用全部数据,会引入数据重复轮数失真的问题。

例如,若某个特定数据源在 50T Token 的全量训练中会被重复训练 8 次,但小尺度实验只分配 5T Token 预算。若直接把全量数据交给小模型,该数据源可能连 1 遍都读不完。这会导致小尺度实验由于缺乏多轮重复,偏好正则化不足的架构或超参数配置,而在放大到大规模多轮重复训练时出现过拟合。

为了解决这种偏差,微软采用了源数据缩放(Source Scaling)机制:在低层级的小模型实验中,人为按比例限制独立样本规模。以该数据源为例,在 5T Token 的小尺度实验中只取其 1/10 的独立样本,同样使其循环 8 次,从而在固定 TPP 下保持了独立数据与参数的比例稳定。

MAI-Base-2 缩放梯子预测曲线与最终实测点
缩放梯子能够根据小尺度模型的评估表现,准确预测 MAI-Base-2 的最终效果。
横轴为训练总 FLOPs 的对数坐标,纵轴为评估指标。实线为基于 L18 至 L42 较小层级模型拟合的曲线,虚线外推至 102 层的预测点(星形)与实际训练的最终表现(圆点)高度吻合。

除了数据尺度外,超参数的选择同样复杂。在大模型训练中,多个超参数的效果往往互相牵动,改变其中一个就会影响另一个的最优取值。以学习率(LR)与权重衰减(WD)为例,前者控制每步更新幅度,后者约束权重增长,在微软这组实验中,模型表现对两者的乘积 LR × WD 最为敏感。这种相互影响导致表现优异的超参数组合高度集中在 (log LR, log WD) 平面上的一条狭窄倾斜对角带中。

如果直接在 (log LR, log WD) 平面上按常规矩形网格搜索,大量实验点会落在窄带之外,既浪费算力又难以密集覆盖好组合。团队为此改换了搜索坐标系,改为在 (log LR, log (LR × WD)) 空间中布设网格,更有效地覆盖原先集中在窄带中的好组合。通过在不同模型大小与 TPP 下训练模型,并对评估结果拟合二维二次曲面求出解析极值点,最终总结出确定 MAI-Base-2 超参数的经验公式:

LR* × WD* = 17.04 / steps

log LR* = −1.51 + 0.175 log TPP − 0.573 log steps

其中 steps 为训练总步数,TPP 为每个激活参数对应的训练 Token 数。公式中 LR* × WD* 与训练步数成反比,反映出解耦权重衰减的时间尺度相当于训练步数的固定比例;而 LR* 随步数的指数 -0.573 接近 -0.5,在其他训练条件不变时,与批大小翻倍通常对应学习率调整 √2 倍的经验规律保持相容。


参数只用一小部分,为什么还会跑得慢?

MAI-Base-2 拥有 102 层网络。每一层包含 1 个常驻的共享专家(Shared Expert),以及从 512 个路由专家中动态激活的 7 个专家。这意味着一个 Token 经过一层时仅激活部分计算分支,全网 2.8 万亿总参数中,单个 Token 实际激活的参数约为 800 亿。

选架构时,微软把目标固定在相同的评估损失,再分别比较训练计算量(FLOPs)和实际耗时。当前主要按实际耗时选方案,因为它反映现有集群真正能跑出的效率;如果一个设计省计算却跑得更慢,差距就指向了后续基础设施要优化的地方。

稀疏 MoE 能够以较少的单步计算量容纳更大的总参数量。此前的建模实验已经发现,每层采用 MoE 比密集 FFN 与 MoE 交替更省计算;但在实际硬件执行中,动态路由会带来显存碎片化,细粒度专家也会增加调度与跨卡通信开销。在前代 MAI-Base-1 中,正因 MoE 底层实现效率受限,隔一层放置 MoE、隔一层放置密集 FFN 的折中方案在实际耗时上反而最优。到了 MAI-Base-2,团队通过改善显存利用与专家调度瓶颈,将 MoE 计算层的模型 FLOPs 利用率(MFU)从 24% 提升至 35%,从而能够在全部 102 层采用 MoE。在 38 天的全量训练中,整个集群的全程平均 MFU 为 21%(以每块 GB200 的 BF16 理论峰值 2.5 PFLOPS 为基准,不计激活重计算与优化器运算),goodput 为 89%(衡量训练有效向前推进的时间比例),两者分别对应有效计算效率与有效运行时间,不能混淆为单纯的 GPU 占用率。

提升 MoE 层效率的关键改进之一是多轮零丢弃调度(Multi-round Dropless MoE)。

MoE 路由网络由数据驱动训练得到,专家间的负载并不均衡。当某些专家接收到过多 Token 时,容易引发显存超限。传统做法中,如果设置固定阈值直接丢弃溢出的 Token,实验表明会降低模型的训练表现;若按极端不均衡的最坏情况为每个专家预留超额显存,又会导致平时显存闲置,挤占本可用于减少激活重计算(Activation Recomputation)的显存空间。

任务挤到同一个专家时,固定内存怎样接住它?

教学示意:一个专家组内有三位专家,每位初始配额 100 个 Token,总缓冲容量 300;数字不代表微软实测。借的是缓冲容量,任务仍由原专家计算。

同一个专家组 · 固定缓冲容量 300

专家 A
收到
70 个

低于初始配额

专家 B
收到
65 个

低于初始配额

专家 C
收到
60 个

低于初始配额

第 1 轮
195 / 300
追加轮
0 / 300
处理的 Token
195 个,全保留
缓冲容量
300,保持固定
执行轮数
1 轮
三位专家都未超过初始配额,195 个 Token 在一轮完成。真实系统将派发、计算、收回流水重叠;这不意味着全部通信开销消失。

微软的做法是将每个专家并行节点(Expert Parallel Rank)上的专家划分为固定的专家组(Expert Group),并赋予其固定的单轮 Token 容量:

  1. 组内容量共享: 当组内某位专家的 Token 溢出时,优先借用同一专家组内其他专家的闲置容量。
  2. 多轮流水托底: 若专家组总容量仍无法容纳全部 Token,溢出部分进入追加轮次继续处理,避免丢弃 Token。追加轮次会带来额外计算并降低 MFU。
  3. 通信与计算流水重叠: 分发(Dispatch)、计算(Compute)与收集(Collect)在各专家组和轮次之间流水重叠。在前向传播中,除了首轮分发与末轮收集仍有部分暴露耗时外,通信主要与专家计算及共享专家计算并行重叠;在反向传播中,输入分发与本层激活重计算重叠,梯度收集与权重梯度计算重叠。

专家的 Token 容量本身是一项可配置的权衡:分配更大的容量缓冲会占用更多显存,容量若设得过小则可能增加追加轮次与额外计算;在实际训练中,该容量通常被调校为在稳态下保持单轮完成。

多轮零丢弃 MoE 的前向传播调度时序图
分发(Dispatch)、计算(Compute)与收集(Collect)在专家组与轮次间流水重叠。
首轮未处理完毕的溢出 Token 顺延进入追加轮次;各专家组遵循统一的时钟节奏推进。除首轮分发与末轮收集仍有部分暴露耗时外,通信主要与计算重叠执行。

此外,团队通过 GPU 直接发起 All-to-All 通信、利用对称内存直接经由 NVLink 交换 Token,并将每层的负载均衡损失合并为全局单次规约,减少了细粒度专家带来的底层调度开销。


怎么让参数更新更快、更稳?

在大规模集群训练中,优化器设计与数值稳定性对保障训练平稳推进至关重要。

在 MAI-Base-2 中,微软对非嵌入层的二维矩阵参数采用了 Muon 优化器,并保留了 AdamW(用于嵌入层等参数)。在扩展至该规模时,团队发现相比 AdamW,Muon 带来了更稳定的训练动态与显著的效率增益。Muon 的核心是利用 Newton–Schulz 迭代算法对权重矩阵的动量进行正交化处理,该算法由多轮矩阵乘法构成。

但这在大规模分布式训练中遇到了核心矛盾:为了节省显存,ZeRO 架构会将优化器动量切成碎片、分散在各个 GPU 上;然而 Newton–Schulz 算法依赖完整的二维矩阵乘法,无法在孤立的分片上直接执行。为此,团队在优化器步骤中对动量进行分批重组(Resharding):各 GPU 先在本地更新 FP32 动量分片并转为 BF16,再通过分批 All-to-All 交换拼回完整动量矩阵,使每块卡各自持有一部分完整矩阵;接着各 GPU 在本地调用对称感知 Newton–Schulz 核函数完成正交化计算;最后通过第二轮 All-to-All 将更新结果送回原分片,转回 FP32 后应用到权重上。

经过重组元数据缓存与预取等优化后,Muon 阶段的平均耗时为 165 毫秒,占训练单步迭代时间的 2.1%。基于通信瓶颈估算的理论极限约为 55 毫秒,实测耗时约为理论值的 3 倍(主要差距源于各节点掉队、核函数启动开销、负载不均衡与内存拷贝等因素)。

另一项稳定训练的方法是激活梯度裁剪(Activation Gradient Clipping)。 在常规预训练中,通常对整个批次的权重梯度范数(Global Norm)进行裁剪。但当批次中出现少数异常样本时,全局裁剪会将整个批次中正常样本的梯度一并成比例缩小。

为了缓解这一问题,微软在网络特定位置对激活值的梯度(而非激活输出本身)进行裁剪。这种局部限制有助于减轻异常梯度对全批次梯度的连带缩减影响。在实际训练中,配合 Muon 等优化配方,MAI-Base-2 的梯度范数波动范围比前代明显收窄,不过其中位梯度绝对值并非全程更低。报告中的训练损失曲线也显示,二代在完整训练过程中比前代更平滑;这是多项配方变化共同作用下的观测。

激活梯度裁剪带来的算力效率增益随模型层数扩展的变化
激活梯度裁剪带来的算力效率增益随模型规模放大而提升,在 42 层模型上达到 +28%。
横轴为训练 FLOPs 对数坐标,纵轴为未见集上的等效算力收益(EG_FLOPs)。实验在 18 层至 42 层阶梯模型上测试,报告未将该 +28% 外推至 102 层的最终模型。

该技术带来的效率增益随模型规模扩大逐步提高,从 18 层时的约 2% 提升至 42 层时的 28%。

此外,激活梯度裁剪还协助团队排查了数据异常。例如在代码语料中,一个触发裁剪的异常样本显示:一段 Apache 开源许可证文本在 distributed under 处被意外截断,紧接着拼接了拉取请求标题 # PR Title。团队借此定位到了预处理流水线中的一处切分缺陷并予以修复。

激活梯度裁剪捕捉到的格式畸变代码训练样本
开源许可证文本在半句中截断并意外拼接了拉取请求标题。
在 distributed under 之后本应延续许可证声明,却因预处理缺陷直接拼入了 # PR Title,触发了该处的激活梯度裁剪,协助工程团队定位了数据切分问题。

数据底座:50 万亿 Token 是怎么混出来的?

在数据构建方面,微软报告强调了自建数据流水线与数据可追溯性(Data Provenance),表示其训练数据均来自原生采集与内部清洗,未使用来自其他模型的蒸馏数据。

多收网页,不等于模型能学到同样多的新信息。比如,假设多篇近似网页反复转述同一件事,网页数量增加了,新增信息却很有限。微软改进了网页解析、质量分类、主题分桶和去重:清理网页内容,判断质量与所属主题,再减少重复材料。在此基础上,团队还使用基于向量嵌入(Embedding)的多样性采样,按内容的语义特征优先选取新颖数据,进一步减少近似内容的重复。

相较于 MAI-Base-1,MAI-Base-2 语料库中的独立 Token(Unique Tokens)规模扩充了约 36%,而全量训练吞吐的 Token 总量达到了 50 万亿(含多轮重复训练)。

MAI 预训练混合配方在两代模型间的构成变化
两代模型训练数据构成对比,展示了各类别独立与重复 Token 的分布。
柱状图总长度分别代表 30T 与 50T 的训练混合总量,深色表示独立 Token,浅色表示重复 Token。在独立 Token 增量上,图书增长 194%,PDF 增长 104%,代码增长 34%。

代码仍是最大的来源;它在训练混合中的份额从 55% 降至 45%,独立 Token 量却增长了 34%,份额下降并不等于内容变少。在 50 万亿训练 Token 的整体混合池中,各数据源的配比为:代码类 45%、网页内容 12%、纯视觉(Vision-only)14%、科学理工 9%、PDF 9%、图书 5%、数学 4%、其他 2%。

此处图表中呈现的 14% 为纯视觉(Vision-only)Token,而报告指出的 VLM(视觉语言多模态)语料在 50 万亿训练总量中占 18%(含重复折合约 9 万亿训练 Token),其中包含 4.5 万亿独立 VLM Token。两者统计口径不同,图文交错文档等数据在分类统计中可能同时归入其他来源。

与前代 MAI-Base-1 的纯文本架构不同,MAI-Base-2 转向了无独立视觉编码器(Encoder-free)的原生图文预训练架构,直接在底座中处理视觉 Token。训练输入包括图文对,以及文字和图片交错的文档;语料覆盖图表理解、空间推理、电脑操作、乐谱阅读等任务。(这些是训练语料覆盖的任务,报告未单独公布它们的评测成绩。)


微软要把数据、模型和系统一起掌握

MAI-Base-2 的预训练实践展现了软硬件全栈协同优化的价值:

通过对数据流水线、模型架构与集群基础设施的联合调优,工程团队能够在给定的计算预算内实现更高效率的学习,并通过小尺度实验梯子为大尺度训练提供相对可靠的指引。

在商业与应用方向上,微软表示全流程自主的数据构建与可追溯性,旨在未来通过 Foundry 平台向可信合作伙伴提供模型权重许可。目前,MAI-Base-2 仍处于后训练阶段,尚未向公众开放使用,也未公布相关的 API 与价格信息;与此同时,下一代 MAI-Base-3 的筹备工作也已展开。

来源
Frontier Pre-training at Microsoft AIMicrosoft AI·2026-10-15·查看主材料