Microsoft modele MAI: WER 3,8% i plany do 2027

# Microsoft przyspiesza rozwój multimodalnych modeli AI: plany na poziom frontier do 2027 roku

Microsoft uruchamia serię specjalistycznych modeli AI poprzez zespół superinteligencji. Kluczowe wydania — MAI-Transcribe-1 do transkrypcji, MAI-Voice-1 do syntezy głosu i MAI-Image-2 do generowania obrazów. Wszystkie dostępne w Microsoft Foundry i MAI Playground. Główny nacisk na transkrypcję z WER 3,8% na FLEURS, przewyższając Whisper-large-v3 i Gemini 3.1 Flash.

Specyfikacje techniczne modeli

MAI-Transcribe-1 osiąga Word Error Rate (WER) 3,8% na benchmarku FLEURS dla 25 najczęściej używanych języków. Model przewyższa:

• Whisper-large-v3 (OpenAI) we wszystkich 25 językach;
• Gemini 3.1 Flash (Google) w 22 z 25 języków.

Osiągnięcia te uzyskano dzięki wąskiej specjalizacji: mniejszy wolumen danych treningowych i zasobów GPU w porównaniu z konkurentami. Pozwala to obniżać koszty inferencji bez utraty jakości.

MAI-Voice-1 skupia się na generowaniu naturalnego głosu, integrując się z innymi modelami w multimodalnych potokach. MAI-Image-2 poprawia generowanie obrazów, obsługując wysoką rozdzielczość i kontekstową precyzję.

Dostęp przez MAI Playground ułatwia prototypowanie: deweloperzy testują modele w czasie rzeczywistym, łącząc modalności bez lokalnej infrastruktury.

Zmiana strategii: od off-frontier do przywództwa

Wcześniej Microsoft stosował podejście off-frontier — opóźnienie o 3–6 miesięcy względem OpenAI w celu optymalizacji kosztów. Mustafa Suleyman, szef Microsoft AI, ogłosił przejście do wydawania modeli frontier we wszystkich modalnościach (tekst, obrazy, audio) do 2027 roku.

Cel — niezależność: najlepsze metryki jakości, efektywności i cen bez zewnętrznych zależności. Firma zwiększa compute:

• Od października — klaster NVIDIA GB200;
• Plany na moce frontier w 12–18 miesięcy;
• Osobiste zaangażowanie Satya Nadelli w mapę drogową.

To odpowiedź na presję inwestorów po słabym kwartale: zwrot z inwestycji w infrastrukturę AI poprzez modele task-specific o niskim koszcie produkcji.

Infrastruktura i skalowanie

Klaster GB200 zapewnia wysoką przepustowość dla treningu i inferencji. Przejście do frontier-compute pozwoli przetwarzać datasety na poziomie bilionów tokenów, wspierając multimodalne transformery.

Porównanie zasobów podkreśla efektywność:

| Model | WER (FLEURS, 25 języków) | Zasoby (względem konkurentów) |

|----------------------|--------------------------|----------------------------------|

| MAI-Transcribe-1 | 3,8% | Mniej danych i GPU |

| Whisper-large-v3 | >3,8% | Więcej danych/GPU |

| Gemini 3.1 Flash | >3,8% (3 języki) | Standardowe |

Optymalizacja osiągana dzięki destylacji, przycinaniu i custom architectures zorientowanym na konkretne zadania.

Co ważne

• MAI-Transcribe-1 prowadzi w WER na FLEURS, potwierdzając przewagę w 25 językach;
• Przejście do modeli frontier do 2027: fokus na multimodalność i niezależność;
• Obniżenie kosztów poprzez specjalizację — mniej GPU i danych przy lepszych metrykach;
• Integracja w Foundry/Playground dla szybkiego wdrożenia;
• Presja inwestorów przyspiesza wewnętrzne development Microsoft.

— Editorial Team