Microsoft AI a terminé la pré-formation sur MAI-Base-2, un nouveau modèle de base composé d'experts avec 80 milliards de paramètres actifs et 2,8 billions de paramètres au total, a annoncé la division le 15 octobre dans un article technique « Lab Notes ». La société affirme que le modèle surpasse tous les modèles à poids ouvert qu'elle a testés lors d'évaluations tenues et qu'il est 4 à 12 fois plus efficace en termes de FLOP de pré-entraînement que le modèle à base ouverte le plus puissant, DeepSeek-V4-Pro-Base.

Cette annonce est le signal le plus clair à ce jour que le programme modèle interne de Microsoft – construit sous l'égide de l'organisation Microsoft AI du PDG Mustafa Suleyman – a l'intention de rivaliser à la frontière plutôt que de s'appuyer uniquement sur son partenariat OpenAI. MAI-Base-2 est actuellement en post-formation, avec d'autres résultats promis prochainement. Pour une couverture continue des nouvelles versions de modèles, suivez nos Actualités sur les modèles AI.

L'ampleur de la course

Microsoft affirme avoir formé MAI-Base-2 sur 16 000 GPU NVIDIA GB200 pendant 38 jours en août et septembre 2026. L'exécution a atteint en moyenne 21 % d'utilisation des FLOP du modèle (normalisée par rapport au maximum théorique de 2,5 PFLOPS du GB200 dans BF16, hors rematérialisation et FLOP d'optimisation) et a atteint 89 % de goodput – la fraction de temps de formation progressée sans interruption. Ces chiffres décrivent une course disciplinée à grande échelle ; les flottes de GPU interrompues ou mal utilisées sont la norme à cette échelle, et chaque point positif se traduit par des semaines de temps de formation économisé.

Le modèle est plus grand, plus clairsemé et entraîné sur plus de données que son prédécesseur, MAI-Base-1, qui a servi de base à MAI-Thinking-1, le modèle de raisonnement de Microsoft publié en juin. Microsoft affirme avoir délibérément réinvesti les économies d'efficacité réalisées grâce à la recette de formation de MAI-Base-2 dans la formation d'un modèle plus grand.

Comment Microsoft dit qu'il se compare

La société a évalué MAI-Base-2 par rapport aux points de contrôle frontaliers disponibles avant octobre 2026 en utilisant bits par octet sur le texte retenu – une métrique indépendante du tokenizer – ainsi que des évaluations de code retenu tirées de la propre base de code de Microsoft. Les évaluations STEM, mathématiques et questions-réponses ont été commandées à des fournisseurs externes afin de réduire le risque de contamination des ensembles de formation, et tous les ensembles d'évaluation ont été décontaminés par rapport aux données de formation.

L'ensemble de comparaison comprenait DeepSeek-V4-Pro-Base, décrit par Microsoft comme le modèle de base le plus performant avec des poids ouverts et le seul point de contrôle de pré-entraînement de base publié au-dessus d'un billion de paramètres, ainsi que Kimi K3, Qwen3.8-2.4T-A95B et MiMo-V2.6-Pro-RL. Microsoft note une mise en garde : pour ces trois éléments, seuls les points de contrôle post-formation sont disponibles, et la post-formation peut affecter les évaluations pré-formation. Au cours des évaluations réalisées, Microsoft rapporte que MAI-Base-2 a obtenu un nombre de bits par octet inférieur à celui des autres modèles testés.

L'allégation d'efficacité, décodée

Le chiffre d’efficacité 4 à 12x n’est pas une victoire directe de référence mais une analyse de correspondance de calcul. Pour chaque évaluation retenue, Microsoft a appliqué une loi d'échelle de bits par octet aux FLOP d'entraînement et a estimé la quantité de calcul dont sa propre recette aurait besoin pour correspondre au score de DeepSeek-V4-Pro-Base. La fourchette reflète les différences entre les quatre évaluations. L'affirmation, en termes simples : Microsoft affirme que sa recette extrait plusieurs fois plus de capacités par unité de calcul d'entraînement que le modèle de base le plus puissant disponible gratuitement – ​​et il a dépensé ce surplus à grande échelle.

Posséder la Full Stack

Au-delà de la performance brute, le message expose la logique stratégique. Microsoft affirme que posséder son pipeline de modèles de bout en bout lui confère une solide provenance des données par rapport aux jetons de formation, et que la pré-formation repose sur des données organiques sans distillation d'autres modèles. Cette provenance, affirme la société, lui permettra d'octroyer des licences de pondération de modèles aux entreprises via Foundry en tant que source fiable d'intelligence de pointe, tandis que le co-réglage des modèles et de l'infrastructure réduira d'abord les coûts des propres produits de Microsoft.

La section technique attribue le succès de l'exécution à trois initiatives : la mise à l'échelle de la science, y compris les « échelles de mise à l'échelle » qui prennent en compte les données d'entraînement répétées via une technique appelée mise à l'échelle de la source, qui maintient le rapport entre les données uniques et les paramètres fixés sur tous les échelons ; la co-conception modèle-infrastructure, y compris la mise en œuvre améliorée des optimiseurs MoE et Muon ainsi que l'écrêtage du gradient d'activation ; et des pipelines de données élargis avec l’intégration des données de vision. Microsoft affirme que la mise à l'échelle des sources était essentielle pour atteindre de manière fiable la taille de 2,8 billions de paramètres sans surapprentissage.

Ce que cela signifie pour le marché

Si les affirmations tiennent bon sous un examen indépendant, MAI-Base-2 positionne Microsoft comme le quatrième grand constructeur de modèles de frontière occidentale aux côtés d’OpenAI, Anthropic et Google – avec un argumentaire différencié basé sur la provenance des données et les licences d’entreprise plutôt que sur la part d’esprit des chatbots des consommateurs. Le marché qui compte en premier est la clientèle d'entreprise d'Azure, où les clients de Foundry pourraient avoir accès à un modèle de classe frontière dont Microsoft contrôle entièrement la lignée de formation.

La vérification indépendante reste la question ouverte. Les évaluations de Microsoft sont autodéclarées, la mise en garde post-formation des modèles de comparaison est importante et les bits par octet du texte retenu ne se traduisent pas directement par les tests de chat, de codage et d'agent avec lesquels les entreprises achètent réellement. Les dérivés post-entraînés de MAI-Base-2 – les successeurs de MAI-Thinking-1 – seront le véritable test. Mais le message sous-jacent de cette annonce est sans ambiguïté : le pari de Microsoft de former des modèles pionniers en interne, sur sa propre flotte de silicium, n'est plus ambitieux. Il dispose d'un modèle de base terminé et le pipeline post-formation est déjà en cours d'exécution.

---

Gardez une longueur d'avance sur l'IA

Recevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.

Lire plus d'actualités sur l'IA →