MAI-Thinking-1: Wichtige Spezifikationen und Datenleitfaden

MAI-Thinking-1 ist Microsofts fortschrittliches KI-Modell, das für Aufgaben wie Mathematik, Programmierung und Unternehmensanwendungen entwickelt wurde. Es verfügt über eine Sparse-Mixture-of-Experts-Architektur (MoE) mit 35 Milliarden aktiven Parametern und einem riesigen Kontextfenster von 256.000 Tokens (etwa 600 Seiten). Trainiert mit 33,55 Billionen Tokens sauberer, lizenzierter Daten, gewährleistet es Datensicherheit und Zuverlässigkeit für Branchen wie Gesundheitswesen, Finanzwesen und Recht.

Hauptmerkmale:

• Architektur: Sparse MoE mit 35 Mrd. aktiven Parametern (~1 Bio. insgesamt).
• Trainingsdaten: 33,55 Bio. Tokens, alle kommerziell lizenziert und von Menschen erstellt.
• Kontextfenster: 256.000 Tokens für die Bewältigung umfangreicher Workflows.
• Leistung: Spitzenwerte in Mathematik (97 % AIME 2025) und Coding-Benchmarks.
• Multimodale Integration: Funktioniert mit Tools wie MAI-Image-2.5 (Bilder) und MAI-Voice-2 (Stimmklonen).
• API-Zugang: OpenAI-kompatibel mit fortschrittlichem Function Calling.

MAI-Thinking-1 befindet sich derzeit in der Private Preview und ist für Aufgaben im Unternehmensmaßstab optimiert. Es bietet leistungsstarke Reasoning-Fähigkeiten und wahrt gleichzeitig die regulatorische Compliance. Seine Integration mit anderen MAI-Tools unterstützt komplexe Workflows über Branchen hinweg.

MAI-Thinking-1: Den Aufbau einer Hill-Climbing-Maschine

Kernspezifikationen von MAI-Thinking-1

Das technische Fundament von MAI-Thinking-1 liefert die Fähigkeiten, die für die Erzeugung fortschrittlicher multimodaler Ausgaben erforderlich sind, und macht es zu einem leistungsstarken Werkzeug für die Videogenerierung und vereinheitlichte LLM-API-Workflows.

Modellarchitektur und Parameter

MAI-Thinking-1 wurde mit einer Sparse-Mixture-of-Experts-Architektur (MoE) in Kombination mit einem Decoder-only-Transformer-Aufbau konzipiert. Seine „LatentMoE"-Konfiguration stellt sicher, dass nur die notwendigen Experten aktiviert werden – typischerweise 8 von 512 pro Token –, was eine effiziente und skalierbare Verarbeitung ermöglicht^[2][6]. Das Modell arbeitet mit 35 Milliarden aktiven Parametern und etwa 1 Billion Gesamtparametern. Sein Kontextfenster umfasst 256.000 Tokens, was ungefähr 600 Seiten Inhalt entspricht und eine umfangreiche Datenverarbeitung innerhalb einer einzigen Sitzung ermöglicht^[6].

Die Architektur integriert Attention im Gemma-3-Stil mit fünf lokalen Schichten pro globaler Schicht, einem 512-Token-Sliding-Window und Grouped-Query Attention (GQA) mit 8 KV-Heads. Sein Tokenizer, o200k_base, unterstützt ein Vokabular von etwa 200.000 Tokens und verbessert damit zusätzlich seine Verarbeitungsfähigkeiten.

MAI-Thinking-1 wurde gemeinsam mit Microsofts Maia-200-Silizium entwickelt und liefert eine 1,4-fache Steigerung der Leistung pro Watt im Vergleich zu Standard-Hardware-Setups. Das Training nutzte 8.000 NVIDIA GB200 GPUs und sicherte so die robuste Leistung des Modells durch den Zugang zu hochwertigen Rechenressourcen^[6].

Trainingsquelle und Datenkompatibilität

Das Modell wurde mit insgesamt 33,55 Billionen Tokens sauberer, kommerziell lizenzierter, von Menschen erstellter Inhalte trainiert. Dies umfasst 30 Billionen Tokens während der Hauptphase des Pre-Trainings und weitere 3,55 Billionen während des Mid-Trainings^[6]. Der Datensatz umfasst eine breite Palette von Quellen wie Webtexte, öffentlich verfügbaren GitHub-Code, Bücher, wissenschaftliche Arbeiten, Nachrichten, mehrsprachige Inhalte und auf spezifische Domänen zugeschnittene Materialien.

„MAI-Thinking-1 wurde von Grund auf mit 33,55 Billionen Tokens sorgfältig beschaffter, kommerziell lizenzierter Daten trainiert, wodurch eine vollständig prüfbare Trainings-Pipeline gewährleistet wird."

Diese transparente Datenbeschaffung macht das Modell zu einer zuverlässigen Wahl für Branchen wie Gesundheitswesen, Finanzwesen und Recht, in denen der Schutz geistigen Eigentums und die regulatorische Compliance von entscheidender Bedeutung sind^[4].

API- und Integrationsfunktionen

MAI-Thinking-1 lässt sich nahtlos in die Chat-Completions-API integrieren und ist damit mit OpenAI-Workflows kompatibel. Es unterstützt zudem fortschrittliche Funktionen wie Function Calling und mehrschichtige Entwickleranweisungen, was es gut für komplexe multimodale Aufgaben einschließlich Videogenerierung und Anwendungen auf Unternehmensebene geeignet macht.

Wichtige Leistungs- und Fähigkeitsdaten

MAI-Thinking-1 liefert messbare Ergebnisse in kritischen Bereichen wie Mathematik, Programmierung und wissenschaftlichem Reasoning. Diese Kennzahlen spiegeln seine Leistung bei standardisierten Aufgabensätzen wider, die auf die Bedürfnisse von Unternehmen abgestimmt sind.

Reasoning und Workflow-Optimierung

Mit einem Kontextfenster von 256.000 Tokens kann MAI-Thinking-1 komplexe, mehrstufige Workflows bewältigen. Dazu gehören Aufgaben wie die Analyse langer Verträge, die Verarbeitung detaillierter Agent-Traces oder die Überprüfung komplexer Forschungsdokumente – und das alles in einem einzigen Durchgang. Seine Sparse-Mixture-of-Experts-Architektur (MoE) gewährleistet Skalierbarkeit ohne proportionalen Anstieg des Rechenbedarfs, was niedrigere Kosten für umfangreiche Aufgaben bedeutet.

So präsentierte Microsoft beispielsweise im Juni 2026 ein MAI-Modell, das für automatisierte Excel-Aufgaben feinabgestimmt wurde. Das Modell erzielte sowohl bei öffentlichen als auch bei privaten Benchmarks eine Leistungsgleichheit mit GPT-5.4^[6].

„MAI-Thinking-1 ist speziell für die Workloads konzipiert, die Unternehmen in großem Maßstab betreiben ... zu einem Preis-Leistungs-Verhältnis, das hochvolumige, ständig laufende KI-Workloads wirtschaftlich rentabel macht." – Naomi Moneypenny, Microsoft^[3]

Diese Reasoning-Fähigkeiten machen es zu einem starken Anwärter für Aufgaben, die fortschrittliche Code- und Mathematikleistung erfordern.

Code- und Mathematikleistung

MAI-Thinking-1 hat einige der höchsten Benchmark-Werte in seiner Kategorie erreicht. Bemerkenswerte Ergebnisse sind:

• 97,0 % bei AIME 2025
• 94,5 % bei AIME 2026
• 52,8 % bei SWE-Bench Pro
• 73,5 % bei SWE-Bench Verified
• 84,2 % bei GPQA Diamond
• 87,7 % bei LiveCodeBench v6^[6]

Diese Werte spiegeln Microsofts Fokus auf das Training des Modells in deterministischen Umgebungen wider und stellen sicher, dass seine Leistung sowohl zuverlässig als auch steuerbar ist. Diese Konsistenz macht es ideal für anspruchsvolle Unternehmensanwendungen.

Merkmale der Unternehmensbereitstellung

MAI-Thinking-1 wurde mit Skalierbarkeit und Datensicherheit als Kern konzipiert. Da es ausschließlich auf proprietären, hochwertigen Daten basiert, gewährleistet es Prüfbarkeit und den Schutz geistigen Eigentums (IP) – besonders wichtig für regulierte Branchen wie Gesundheitswesen, Finanzwesen und Recht. Im Juni 2026 ging Microsoft eine Partnerschaft mit der Mayo Clinic ein, um ein spezialisiertes klinisches Modell unter Verwendung des MAI-Frameworks zu entwickeln, das auf klinisches Reasoning mit hohem Risiko zugeschnitten ist^[6].

Diese robuste Leistung in Verbindung mit der multimodalen Integration, einschließlich fortschrittlicher multimodaler Modelle, unterstützt Anwendungen wie Videogenerierung und API-Optimierung.

Unternehmen können MAI-Thinking-1 mithilfe von Reinforcement Learning Environments (RLEs) weiter anpassen. Microsoft berichtete im Juni 2026, dass das Feintuning des Modells für die spezifischen Bedürfnisse von McKinsey zu einer besseren Qualität als GPT-5.5 führte, und das bei 10-mal niedrigeren Kosten^[6].

Trainings-Pipeline und Datenanforderungen

Überblick über die Trainings-Pipeline

MAI-Thinking-1 ist darauf ausgelegt, sich kontinuierlich weiterzuentwickeln, dank einer sorgfältig konzipierten Pipeline, in der jedes Element – Daten, Rechenleistung und Belohnungssignale – im Laufe der Zeit verfeinert und optimiert werden kann^[2][6].

„Das Ziel ist ein wiederholbares System, das bessere Daten, stärkere Belohnungen, leistungsfähigere Umgebungen und mehr Rechenleistung aufnehmen kann." – Microsoft AI^[2]

Der Prozess beginnt mit MAI-Base-1, das durch einen mehrphasigen Token-Trainingsansatz erstellt wird^[6][7]. Von dort aus entwickelt Microsoft drei spezialisierte Modelle parallel. Diese konzentrieren sich auf:

• STEM und Programmierung auf Wettbewerbsniveau.
• Agentisches Coding und Werkzeugnutzung.
• Hilfsbereitschaft und Sicherheit.

Diese Modelle werden anschließend mittels überwachtem Lernen zusammengeführt. Der letzte Schritt umfasst Reinforcement Learning (RL) zur Feinabstimmung des kombinierten Modells, was zu MAI-Thinking-1 führt. Der gesamte Trainingsprozess wurde von 8.000 NVIDIA GB200 GPUs angetrieben, die auf einem von Microsoft betriebenen Azure-Cluster liefen^[6].

Microsoft vertritt eine besondere Haltung zur Modellentwicklung: Intelligenz wird durch Lernen aufgebaut, nicht vererbt. Anstatt Wissen aus Drittanbietermodellen zu destillieren, wird MAI-Thinking-1 darauf trainiert, Reasoning-Fähigkeiten eigenständig zu entwickeln^[2][7].

„Fähigkeiten sollten erlernt, nicht vererbt werden. Obwohl sie schneller erworben wird, fehlt der vererbten Intelligenz die für die reale Nutzung wesentliche Steuerbarkeit." – Microsoft AI^[2]

Dieser grundlegende Ansatz stellt sicher, dass das System nicht nur leistungsfähig, sondern auch anpassungsfähig für reale Anwendungen ist, und bereitet den Weg für eine rigorose Daten-Governance und Integration.

Standards für Datenqualität und Governance

Die Trainingsdaten werden sorgfältig kuratiert und bestehen ausschließlich aus von Menschen verfassten, kommerziell lizenzierten Inhalten^[2][6]. Dies gewährleistet eine saubere Datenherkunft, die für Branchen wie Gesundheitswesen und Finanzwesen entscheidend ist, in denen die regulatorische Compliance auf rückverfolgbaren und prüfbaren Daten beruht^[2][5].

Um die Integrität zu wahren, vermeidet Microsoft die Verwendung von standardisierten Machine-Learning-Benchmarks während des Trainings. Dies verhindert, dass das Modell Testdaten auswendig lernt, und stellt sicher, dass Benchmark-Werte echtes Reasoning und nicht stures Auswendiglernen widerspiegeln^[6].

„Wenn wir nicht nachvollziehen können, was ein Modell geformt hat, können wir sein Verhalten nicht vollständig verstehen oder es glaubwürdig verbessern." – Microsoft AI Superintelligence Team^[2]

Multimodale Datenintegration

Der Trainingsprozess geht über traditionelle Textdaten hinaus und integriert verschiedene multimodale Formate, um seine Relevanz in praktischen Szenarien zu erhöhen. Der Korpus umfasst Webtexte, öffentlichen GitHub-Code, Bücher, wissenschaftliche Arbeiten, Nachrichtenartikel und mehrsprachige Inhalte^[6]. Für Coding- und agentische Aufgaben setzt Microsoft deterministische, ausführbare Umgebungen ein, um die Daten zu validieren^[2][6].

Zusätzlich zu Text und Code integrieren die MAI-Modelle Audio- und Bilddaten. Zum Beispiel:

• MAI-Transcribe-1.5 nutzt fortschrittliche Entitätserkennung, um domänenspezifisches Vokabular mit Präzision zu verarbeiten.
• MAI-Voice-2 verfügt über Identitätserhaltung für eine konsistente Sprachausgabe^[3].
• MAI-Image-2.5 ermöglicht präzises Image-to-Image-Editing bei gleichzeitiger Wahrung der Marken- und Charakterkonsistenz^[3].

Diese multimodale Integration rüstet MAI-Thinking-1 für eine breite Palette von Anwendungen aus, von der Textgenerierung bis hin zu komplexen visuellen und Audioaufgaben, und stellt sicher, dass es vielseitig genug für reale Anforderungen ist.

API-Integrationsanforderungen in APIMart

In diesem Abschnitt werden die Schritte zur Integration mit der API von APIMart beschrieben, um auf MAI-Thinking-1 zuzugreifen, das für fortschrittliche multimodale Workflows entwickelt wurde.

Einrichten des API-Zugangs

Um auf MAI-Thinking-1 zuzugreifen, verwenden Sie das OpenAI-kompatible Gateway von APIMart. Beginnen Sie damit, Ihr OpenAI SDK (Python oder Node.js) so zu konfigurieren, dass es auf den Endpunkt verweist:

https://api.apimart.ai/v1

Ersetzen Sie Ihren OpenAI-API-Schlüssel durch Ihren APIMart-API-Schlüssel. Stellen Sie sicher, dass Sie "mai-thinking-1" als Modellbezeichner angeben.

Verwenden Sie für die Authentifizierung ein Bearer-Token im Request-Header:

Authorization: Bearer YOUR_API_KEY

Es ist unerlässlich, Ihren API-Schlüssel sicher zu speichern, entweder in einer Umgebungsvariablen oder einem Secrets-Manager. Beachten Sie, dass der Zugang derzeit auf die Private Preview beschränkt ist. Der Produktionszugang kann über Microsoft Foundry beantragt werden^[2][3].

Function Calling und Entwicklertools

MAI-Thinking-1 geht über Standard-Chat-Completions hinaus, indem es Laufzeit-Tools bietet, die die Funktionalität erweitern. Der Integrationsprozess ist unkompliziert:

1. Das Modell verarbeitet Ihre Eingabe und identifiziert eine Tool-Call-Anfrage.
2. Ihr Client führt den Tool-Call aus und sendet das Ergebnis an das Modell zurück.
3. Das Modell verwendet das Ergebnis, um eine endgültige Antwort zu generieren^[8].

Hier ist eine Aufschlüsselung der unterstützten Tools und ihrer Anwendungsfälle:

Diese Tools ermöglichen es Entwicklern, die Fähigkeiten des Modells für eine breite Palette von Anwendungen zu erweitern.

Betriebliche Voraussetzungen

Um Ihre Integration mit MAI-Thinking-1 zu optimieren, stellen Sie sicher, dass die folgenden betrieblichen Anforderungen erfüllt sind:

• Unterstützung für ein Kontextfenster von 256.000 Tokens, was eine effiziente Speicher- und Latenzverwaltung erfordert, um große In-Context-Datensätze zu bewältigen^[2].
• Ordnungsgemäße Behandlung wichtiger Fehlercodes:
  • 401: Authentifizierungsfehler
  • 402: Unzureichendes Guthaben
  • 429: Ratenlimit überschritten

Hier ist eine kurze Zusammenfassung der technischen Anforderungen:

Praktische Einschränkungen bei der Bereitstellung

Aktueller Bereitstellungsstatus

Stand Juni 2026 ist MAI-Thinking-1 ausschließlich über eine Private Preview auf Microsoft Foundry verfügbar. Der Zugang erfordert das Einreichen einer Anfrage über das Foundry-Portal. Eine breitere Public Preview wird „bald" auf dem MAI Playground erwartet, wobei die allgemeine Verfügbarkeit schrittweise über mehrere Foundry-Regionen weltweit ausgeweitet wird^[1][2]. Dieser stufenweise Rollout unterstreicht die Bedeutung des Modells für die Bewältigung komplexer, multimodaler KI-Workflows.

Eine wesentliche Einschränkung in diesem Stadium ist das Fehlen offengelegter Preise pro Token. Dies erschwert es Teams, das Budget für die Integration genau zu planen. Zur Einordnung: Andere Modelle der MAI-Serie auf Foundry sind mit 5 USD pro 1 Mio. Input-Tokens (MAI-Image-2.5) und 0,36 USD pro Stunde (MAI-Transcribe-1.5) bepreist, was einen allgemeinen Eindruck von der Preisstruktur vermittelt^[3].

Kompromisse bei Inferenz und Leistung

MAI-Thinking-1 verwendet eine Sparse-Mixture-of-Experts-Architektur, die während eines Inferenzdurchlaufs nur 35 Milliarden seiner ~1 Billion Gesamtparameter aktiviert. Dieses Design schafft eine Balance zwischen der Senkung der Rechenkosten und der Aufrechterhaltung hochrangiger Reasoning-Fähigkeiten:

„MAI-Thinking-1 ist speziell für die Workloads konzipiert, die Unternehmen in großem Maßstab betreiben ... zu einem Preis-Leistungs-Verhältnis, das hochvolumige, ständig laufende KI-Workloads wirtschaftlich rentabel macht."^[3]

Allerdings ist das Modell auf Text- und Reasoning-Aufgaben beschränkt. Es unterstützt keine bildbasierten Aufgaben oder das Verständnis multimodaler Dokumente. Für Workflows, die Bildanalyse oder visuelles Dokumenten-Parsing erfordern, sind zusätzliche Modelle erforderlich. Diese Einschränkungen können die Bereitstellungsstrategien je nach Branche und spezifischem Anwendungsfall erheblich beeinflussen.

Branchenspezifische Anwendungsfälle

Diese Einschränkungen beeinflussen direkt, wie das Modell in verschiedenen Branchen eingesetzt wird. So hat beispielsweise die Mayo Clinic mit Microsoft zusammengearbeitet, um MAI-Thinking-1 in klinische und Forschungs-Workflows zu integrieren. Diese Partnerschaft zeigt, wie Zugriffskontrollen und Zuverlässigkeitsanforderungen eine entscheidende Rolle in regulierten Sektoren wie dem Gesundheitswesen spielen^[6][9].

Insgesamt eignet sich MAI-Thinking-1 am besten für hochvolumige Reasoning-Aufgaben in Bereichen wie Rechtsanalyse, Finanzmodellierung, medizinische Forschung und Unternehmenssoftwareentwicklung. Diese Sektoren erfordern skalierbare, kosteneffiziente Intelligenzlösungen, und die textfokussierte Architektur des Modells, kombiniert mit seiner kontrollierten Verfügbarkeit, passt gut zu den Compliance- und Betriebsanforderungen dieser Branchen.

Fazit und wichtigste Erkenntnisse

MAI-Thinking-1 sticht mit seiner leistungsstarken Architektur und reibungslosen Integration hervor und macht es zu einer Top-Wahl für multimodale Anwendungen. Seine Leistung bei Reasoning-Aufgaben setzt einen hohen Maßstab und verbindet Effizienz mit beeindruckenden Benchmark-Ergebnissen. Die Verwendung sauberer, kommerziell lizenzierter Trainingsdaten und ein Ansatz ohne Distillation verschaffen ihm einen klaren Vorteil, insbesondere für Branchen wie Gesundheitswesen, Recht und Finanzwesen, in denen Datentransparenz und -herkunft entscheidend sind.

Entwickler können einfach über APIMart auf MAI-Thinking-1 zugreifen, das einen einheitlichen Endpunkt für über 500 KI-Modelle bietet, darunter MAI-Image-2.5, Sora 2 und Kling V3. Dieses Setup vereinfacht die Erstellung multimodaler Pipelines – zum Beispiel mit MAI-Thinking-1 für Reasoning, MAI-Image-2.5 für visuelle Aufgaben und Sora 2 oder Kling V3 für die Videoausgabe. All dies wird durch eine zuverlässige Verfügbarkeits-SLA von 99,9 % gestützt.

Um Kosten und Leistung zu optimieren, können Unternehmen ein gestaffeltes Routing implementieren, indem sie komplexe Reasoning-Aufgaben MAI-Thinking-1 zuweisen und einfachere Aufgaben an leichtere Modelle delegieren. Eine frühzeitige Integration wird empfohlen, da sie Unternehmen Zeit gibt, ihre Systeme zu testen, zu verfeinern und zu skalieren, bevor die Nachfrage steigt. Durch die Einführung von MAI-Thinking-1 können Organisationen eine außergewöhnliche technische Leistung erzielen und gleichzeitig betriebliche Effizienzgewinne über verschiedene Sektoren hinweg erschließen.

FAQs

Wofür sollte ich das Kontextfenster von 256.000 Tokens verwenden?

Das Kontextfenster von 256.000 Tokens eignet sich perfekt für die Bewältigung von Aufgaben, die die Verarbeitung großer Datenmengen umfassen. Es kann beispielsweise riesige Dokumente überprüfen – bis zu 600 Seiten – oder komplexe Coding-Workflows mühelos bewältigen. Diese Fähigkeit ist besonders nützlich für Operationen auf Unternehmensebene, wie etwa die Analyse ganzer Code-Repositories, um Fehler zu erkennen, Bugs zu beheben oder komplexe, mehrschichtige Anweisungen auszuführen.

Es glänzt auch in asynchronen, hochvolumigen Szenarien. Aufgaben wie die Bewertung der architektonischen Konsistenz oder das Erkennen von Mustern in umfangreichen Datensätzen werden viel handhabbarer, insbesondere wenn keine sofortigen Antworten erforderlich sind.

Wie erhalte ich Zugang, wenn MAI-Thinking-1 in der Private Preview ist?

Um MAI-Thinking-1 während seiner Private Preview auszuprobieren, müssen Sie eine Early-Access-Anfrage über das offizielle Interessenformular auf Azure AI Foundry einreichen. Sie können das Modell auch auf Plattformen wie Baseten, Fireworks AI und Open Router testen. Suchen Sie nach Registrierungslinks in der Model Card oder im Katalog auf Azure AI Foundry. Details zur öffentlichen Verfügbarkeit und Preisgestaltung werden nach der Preview-Phase bekannt gegeben.

Was muss ich ändern, um MAI-Thinking-1 von meinem OpenAI SDK aus aufzurufen?

Um MAI-Thinking-1 mit dem OpenAI SDK zu verwenden, müssen Sie sowohl Ihre Client-Konfiguration als auch Ihre Request-Struktur anpassen. Hier ist, was zu tun ist:

• Verwenden Sie die API-Basis-URL speziell für MAI-Thinking-1.
• Setzen Sie den Modellparameter auf mai-thinking-1.
• Fügen Sie System-Prompts hinzu, die darauf ausgelegt sind, schrittweises Reasoning zu steuern.
• Passen Sie den extra_body-Parameter an, um den Reasoning-Aufwand zu steuern. Beachten Sie, dass dies sowohl die Rechenzeit als auch die damit verbundenen Kosten beeinflusst.

Stellen Sie sicher, dass Ihre Integration darauf ausgelegt ist, Reasoning-artige Ausgaben für die besten Ergebnisse ordnungsgemäß zu verarbeiten.

Verwandte Blogbeiträge

• MAI-Code-1-Flash – Microsofts Coding-Flash-Modell