Microsoft AI ha completato la pre-formazione su MAI-Base-2, un nuovo modello di fondazione misto di esperti con 80 miliardi di parametri attivi e 2,8 trilioni di parametri totali, ha annunciato la divisione il 15 ottobre in un post tecnico "Lab Notes". L'azienda afferma che il modello supera ogni modello open-weight testato sulle valutazioni effettuate ed è da 4 a 12 volte più efficiente in termini di FLOP pre-addestramento rispetto al modello base aperto più potente, DeepSeek-V4-Pro-Base.
L’annuncio è il segnale più chiaro che il programma modello interno di Microsoft – costruito sotto l’organizzazione Microsoft AI del CEO Mustafa Suleyman – intende competere all’avanguardia piuttosto che fare affidamento esclusivamente sulla sua partnership OpenAI. MAI-Base-2 è ora in fase di post-addestramento, con la promessa di ulteriori risultati a breve. Per una copertura continua sulle versioni dei nuovi modelli, segui le nostre notizie sui modelli AI.
La scala della corsa
Microsoft afferma di aver addestrato MAI-Base-2 su 16.000 GPU NVIDIA GB200 per 38 giorni tra agosto e settembre 2026. L'esecuzione ha registrato un utilizzo medio dei FLOP del modello del 21% (normalizzato rispetto al massimo teorico del GB200 di 2,5 PFLOPS in BF16, escludendo la rimaterializzazione e i FLOP dell'ottimizzatore) e ha raggiunto un buon rendimento dell'89%: la frazione di tempo in cui l'addestramento è progredito senza interruzioni. Questi numeri descrivono una corsa disciplinata su larga scala; Flotte GPU interrotte o scarsamente utilizzate sono la norma su questa scala e ogni punto positivo si traduce in settimane di tempo di formazione risparmiato.
Il modello è più grande, più scarno e addestrato su più dati rispetto al suo predecessore, MAI-Base-1, che è servito come base per MAI-Thinking-1, il modello di ragionamento di Microsoft rilasciato a giugno. Microsoft afferma di aver reinvestito deliberatamente i risparmi in termini di efficienza derivanti dalla ricetta di addestramento di MAI-Base-2 nell'addestramento di un modello più grande.
Come dice Microsoft i confronti
L'azienda ha valutato MAI-Base-2 rispetto ai checkpoint di frontiera disponibili prima dell'ottobre 2026 utilizzando bit per byte sul testo trattenuto (una metrica indipendente dal tokenizer) insieme a valutazioni del codice trattenuto tratte dalla codebase di Microsoft. Le valutazioni STEM, matematiche e di domande e risposte sono state commissionate a fornitori esterni per ridurre il rischio di contaminazione dei set di formazione e tutti i set di valutazione sono stati decontaminati rispetto ai dati di formazione.
Il set di confronto includeva DeepSeek-V4-Pro-Base, descritto da Microsoft come il modello base più capace con pesi aperti e l'unico checkpoint di pre-addestramento di base rilasciato superiore a un trilione di parametri, oltre a Kimi K3, Qwen3.8-2.4T-A95B e MiMo-V2.6-Pro-RL. Microsoft fa notare un avvertimento: per questi tre, sono disponibili solo checkpoint post-formazione e il post-formazione può influenzare le valutazioni pre-formazione. Nelle valutazioni effettuate, Microsoft riferisce che MAI-Base-2 ha raggiunto un numero di bit per byte inferiore rispetto agli altri modelli testati.
L'affermazione di efficienza, decodificata
Il valore di efficienza 4-12x non è un risultato positivo del benchmark ma un'analisi di corrispondenza computazionale. Per ciascuna valutazione tenuta fuori, Microsoft ha adattato una legge di scala di bit per byte rispetto ai FLOP di addestramento e ha stimato la quantità di calcolo necessaria alla propria ricetta per corrispondere al punteggio di DeepSeek-V4-Pro-Base. L’intervallo riflette le differenze tra le quattro valutazioni. L'affermazione, in termini semplici: Microsoft afferma che la sua ricetta estrae molte volte più capacità per unità di calcolo di addestramento rispetto al modello base più potente disponibile pubblicamente e ha speso quel surplus su larga scala.
Possedere l'intero stack
Al di là delle prestazioni grezze, il post espone la logica strategica. Microsoft afferma che possedere la pipeline del modello end-to-end gli conferisce una forte provenienza dei dati rispetto ai token di addestramento e che il pre-addestramento si basa su dati organici senza distillazione da altri modelli. Tale provenienza, sostiene la società, consentirà di concedere in licenza i pesi dei modelli alle imprese tramite Foundry come fonte affidabile di intelligence di frontiera, mentre la co-ottimizzazione di modelli e infrastrutture riduce innanzitutto i costi dei prodotti Microsoft.
La sezione tecnica attribuisce a tre iniziative il merito del successo della corsa: scienza del ridimensionamento, comprese le "scale di scala" che tengono conto dei dati di addestramento ripetuti tramite una tecnica chiamata scaling della fonte, che mantiene fisso il rapporto tra dati univoci e parametri tra i pioli; co-progettazione modello-infrastruttura, comprese implementazioni migliorate dell'ottimizzatore MoE e Muon insieme al ritaglio del gradiente di attivazione; e pipeline di dati ampliate con l'integrazione dei dati di visione. Microsoft afferma che il ridimensionamento del codice sorgente è stato fondamentale per raggiungere in modo affidabile la dimensione di 2,8 trilioni di parametri senza sorprese eccessive.
Cosa significa per il mercato
Se le affermazioni reggono sotto un esame indipendente, MAI-Base-2 posiziona Microsoft come il quarto principale costruttore di modelli di frontiera occidentale insieme a OpenAI, Anthropic e Google, con un approccio differenziato basato sulla provenienza dei dati e sulle licenze aziendali piuttosto che sulla condivisione mentale dei chatbot dei consumatori. Il mercato che conta per primo è la base di clienti aziendali di Azure, dove i clienti di Foundry potrebbero accedere a un modello di frontiera la cui linea di formazione Microsoft controlla completamente.
La verifica indipendente rimane la questione aperta. Le valutazioni di Microsoft sono auto-riportate, l'avvertenza post-formazione dei modelli di confronto è sostanziale e i bit per byte sul testo trattenuto non si traducono direttamente nella chat, nella codifica e nei benchmark degli agenti con cui le aziende effettivamente acquistano. I derivati post-addestrati di MAI-Base-2 – i successori di MAI-Thinking-1 – saranno il vero test. Ma il messaggio di fondo dell’annuncio è inequivocabile: la scommessa di Microsoft sulla formazione interna dei modelli di frontiera, sulla propria flotta di silicio, non è più ambiziosa. Ha un modello base finito e la pipeline di post-addestramento è già in esecuzione.
---
Stai al passo con l'intelligenza artificialeRicevi le ultime notizie, analisi e scoperte sull'intelligenza artificiale, tutto in un unico posto.
Leggi altre notizie sull'AI →
