2.8T 参数的大模型，训练要多久？微软给出的答案是 38 天。在技术博客中，微软披露了 MAI-Base-2 的训练细节：这个拥有 2.75 万亿参数的模型，动用了 1.6 万张显卡，在 38 天内完成了全量预训练。

按规模算，它是迄今为止由 NVIDIA 硬件训练的最大模型之一。参数堆到这个量级，通常意味着训练周期被拉长、资源调度变复杂，而微软把时间压在了不到六周。

支撑这个速度的，是训练技术和计算资源的组合。微软方面表示，通过优化并行化和算法，大规模模型可以实现较快的迭代周期。换句话说，参数规模不再是拖慢训练的唯一变量，工程侧的调优空间比想象中大。

预训练只是第一步。MAI-Base-2 随后又做了一轮微调，专门针对量子校准方向进行优化，用来弥补通用模型在特定任务理解上的不足。相比通用模型，这一轮微调带来了更高的准确率。

但专项能力并非全面领先。在部分基准测试中，MAI-Base-2 的成绩超过了其他模型，包括 Qwen；到了最严格的量子校准评测环节，它的表现仍然不如专门的 Qwen 3.8。

这组对比说明了一件事：通用大模型靠规模和算力可以快速拉高上限，但在垂直领域，专项训练的模型依然守得住阵地。领域专项，仍是竞争中的关键变量。

把几个数字摆在一起看——2.75 万亿参数、1.6 万张显卡、38 天——大规模模型的迭代节奏正在被重新定义。训练效率的提升，让"更大"和"更快"第一次不那么互斥。