Microsoft AI ha completado la capacitación previa en MAI-Base-2, un nuevo modelo básico de combinación de expertos con 80 mil millones de parámetros activos y 2,8 billones de parámetros totales, anunció la división el 15 de octubre en una publicación técnica de "Notas de laboratorio". La compañía dice que el modelo supera a todos los modelos de peso abierto que probó en evaluaciones realizadas y es de 4 a 12 veces más eficiente en FLOP previo al entrenamiento que el modelo de base abierta más potente, DeepSeek-V4-Pro-Base.
El anuncio es la señal más clara hasta ahora de que el programa modelo interno de Microsoft, creado bajo la organización Microsoft AI del CEO Mustafa Suleyman, tiene la intención de competir en la frontera en lugar de depender únicamente de su asociación OpenAI. MAI-Base-2 se encuentra ahora en fase de postentrenamiento y se prometen más resultados pronto. Para obtener cobertura continua sobre los lanzamientos de nuevos modelos, siga nuestras noticias sobre modelos de IA.
La escala de la carrera
Microsoft dice que entrenó MAI-Base-2 en 16.000 GPU NVIDIA GB200 durante 38 días en agosto y septiembre de 2026. La ejecución promedió una utilización de FLOP del modelo del 21 % (normalizada con respecto al máximo teórico del GB200 de 2,5 PFLOPS en BF16, excluyendo la rematerialización y los FLOP del optimizador) y logró un buen rendimiento del 89 %: la fracción de tiempo que el entrenamiento progresó sin interrupción. Esas cifras describen una carrera disciplinada a gran escala; Las flotas de GPU interrumpidas o mal utilizadas son la norma a esta escala, y cada punto de buen rendimiento se traduce en semanas de tiempo de entrenamiento ahorrado.
El modelo es más grande, más disperso y está entrenado con más datos que su predecesor, MAI-Base-1, que sirvió como base para MAI-Thinking-1, el modelo de razonamiento de Microsoft lanzado en junio. Microsoft dice que reinvirtió deliberadamente los ahorros de eficiencia de la receta de entrenamiento de MAI-Base-2 en el entrenamiento de un modelo más grande.
Cómo dice Microsoft que se compara
La compañía evaluó MAI-Base-2 frente a los puntos de control fronterizos disponibles antes de octubre de 2026 utilizando bits por byte en texto retenido (una métrica independiente del tokenizador) junto con evaluaciones de código retenido extraídas de la propia base de código de Microsoft. Se encargaron evaluaciones de STEM, matemáticas y preguntas y respuestas a proveedores externos para reducir el riesgo de contaminación del conjunto de capacitación, y todos los conjuntos de evaluación se descontaminaron con los datos de capacitación.
El conjunto de comparación incluyó DeepSeek-V4-Pro-Base, descrito por Microsoft como el modelo base más capaz con pesos abiertos y el único punto de control básico previo al entrenamiento lanzado por encima de un billón de parámetros, además de Kimi K3, Qwen3.8-2.4T-A95B y MiMo-V2.6-Pro-RL. Microsoft hace una advertencia: para esos tres, solo están disponibles los puntos de control posteriores a la capacitación, y la capacitación posterior puede afectar las evaluaciones previas a la capacitación. En las evaluaciones realizadas, Microsoft informa que MAI-Base-2 logró bits por byte más bajos que los otros modelos probados.
La afirmación de eficiencia, decodificada
La cifra de eficiencia de 4-12x no es una ganancia de referencia directa sino un análisis de comparación de cálculo. Para cada evaluación retenida, Microsoft ajustó una ley de escala de bits por byte contra los FLOP de entrenamiento y estimó cuánto cálculo necesitaría su propia receta para igualar la puntuación de DeepSeek-V4-Pro-Base. El rango refleja diferencias entre las cuatro evaluaciones. La afirmación, en términos sencillos: Microsoft dice que su receta extrae varias veces más capacidad por unidad de computación de entrenamiento que el modelo base más potente disponible abiertamente, y gastó ese excedente en escala.
Poseer la pila completa
Más allá del desempeño bruto, la publicación expone el fundamento estratégico. Microsoft dice que poseer su canal de modelos de extremo a extremo le brinda una sólida procedencia de los datos sobre los tokens de entrenamiento, y que el entrenamiento previo se basa en datos orgánicos sin destilación de otros modelos. Esa procedencia, argumenta la compañía, le permitirá otorgar licencias de pesos de modelos a empresas a través de Foundry como una fuente confiable de inteligencia de frontera, mientras que el coajuste de modelos e infraestructura reduce los costos primero en los propios productos de Microsoft.
La sección técnica atribuye el éxito de la carrera a tres iniciativas: escalar la ciencia, incluidas "escaleras de escala" que tienen en cuenta datos de entrenamiento repetidos a través de una técnica llamada escala de fuente, que mantiene la proporción de datos únicos con parámetros fijos en los peldaños; codiseño de infraestructura de modelo, que incluye implementaciones mejoradas de optimizador MoE y Muon junto con recorte de gradiente de activación; y canales de datos ampliados con la integración de datos de visión. Microsoft dice que el escalamiento de fuentes fue clave para escalar de manera confiable al tamaño de 2,8 billones de parámetros sin sorpresas de sobreajuste.
Qué significa para el mercado
Si las afirmaciones se mantienen bajo un escrutinio independiente, MAI-Base-2 posiciona a Microsoft como el cuarto mayor constructor de modelos de frontera occidental junto con OpenAI, Anthropic y Google, con un discurso diferenciado basado en la procedencia de los datos y las licencias empresariales en lugar de la mentalidad de los chatbots de los consumidores. El mercado que importa primero es la base de clientes empresariales de Azure, donde los clientes de Foundry podrían obtener acceso a un modelo de vanguardia cuyo linaje de capacitación Microsoft controla totalmente.
La verificación independiente sigue siendo la cuestión abierta. Las evaluaciones de Microsoft son autoinformadas, la advertencia posterior al entrenamiento de los modelos de comparación es material, y los bits por byte en el texto retenido no se traducen directamente en el chat, la codificación y los puntos de referencia agentes con los que las empresas realmente compran. Los derivados post-entrenados de MAI-Base-2, los sucesores de MAI-Thinking-1, serán la verdadera prueba. Pero el mensaje subyacente del anuncio es inequívoco: la apuesta de Microsoft por entrenar modelos de vanguardia internamente, en su propia flota de silicio, ya no es una aspiración. Tiene un modelo base terminado y el proceso de capacitación posterior ya está en marcha.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →
