A Microsoft AI concluiu o pré-treinamento no MAI-Base-2, um novo modelo básico de combinação de especialistas com 80 bilhões de parâmetros ativos e 2,8 trilhões de parâmetros totais, anunciou a divisão em 15 de outubro em uma postagem técnica “Lab Notes”. A empresa afirma que o modelo supera todos os modelos de peso aberto testados em avaliações realizadas e é 4 a 12 vezes mais eficiente em FLOPs de pré-treinamento do que o modelo de base aberta mais forte, DeepSeek-V4-Pro-Base.
O anúncio é o sinal mais claro de que o programa modelo interno da Microsoft – construído sob a organização Microsoft AI do CEO Mustafa Suleyman – pretende competir na fronteira, em vez de depender apenas de sua parceria OpenAI. O MAI-Base-2 está agora em pós-treinamento, com mais resultados prometidos em breve. Para cobertura contínua de lançamentos de novos modelos, siga nossas notícias sobre modelos de IA.
A escala da corrida
A Microsoft diz que treinou MAI-Base-2 em 16.000 GPUs NVIDIA GB200 durante 38 dias em agosto e setembro de 2026. A execução teve uma média de 21% de utilização de FLOPs do modelo (normalizada em relação ao máximo teórico do GB200 de 2,5 PFLOPS em BF16, excluindo rematerialização e FLOPs otimizadores) e alcançou 89% de goodput – a fração de tempo que o treinamento progrediu sem interrupção. Esses números descrevem uma corrida disciplinada em grande escala; frotas de GPU interrompidas ou mal utilizadas são a norma nesta escala, e cada ponto de bom resultado se traduz em semanas de tempo de treinamento economizado.
O modelo é maior, mais esparso e treinado com mais dados do que seu antecessor, MAI-Base-1, que serviu de base para o MAI-Thinking-1, o modelo de raciocínio da Microsoft lançado em junho. A Microsoft diz que reinvestiu deliberadamente as economias de eficiência da receita de treinamento do MAI-Base-2 no treinamento de um modelo maior.
Como a Microsoft diz que se compara
A empresa avaliou o MAI-Base-2 em relação aos pontos de verificação de fronteira disponíveis antes de outubro de 2026 usando bits por byte em texto retido – uma métrica independente do tokenizador – junto com avaliações de código retido extraídas da própria base de código da Microsoft. Avaliações STEM, matemática e perguntas e respostas foram encomendadas a fornecedores externos para reduzir o risco de contaminação do conjunto de treinamento, e todos os conjuntos de avaliação foram descontaminados em relação aos dados de treinamento.
O conjunto de comparação incluiu DeepSeek-V4-Pro-Base, descrito pela Microsoft como o modelo básico mais capaz com pesos abertos e o único ponto de verificação de pré-treinamento básico lançado acima de um trilhão de parâmetros, além de Kimi K3, Qwen3.8-2.4T-A95B e MiMo-V2.6-Pro-RL. A Microsoft faz uma advertência: para esses três, apenas os pontos de verificação pós-treinamento estão disponíveis, e o pós-treinamento pode afetar as avaliações pré-treinamento. Nas avaliações realizadas, a Microsoft relata que o MAI-Base-2 alcançou bits por byte mais baixos do que os outros modelos testados.
A afirmação de eficiência, decodificada
O número de eficiência de 4 a 12x não é uma vitória direta no benchmark, mas uma análise de correspondência computacional. Para cada avaliação realizada, a Microsoft ajustou uma lei de escala de bits por byte contra FLOPs de treinamento e estimou quanto cálculo sua própria receita precisaria para corresponder à pontuação do DeepSeek-V4-Pro-Base. O intervalo reflete diferenças entre as quatro avaliações. A afirmação, em termos simples: a Microsoft diz que sua receita extrai várias vezes mais capacidade por unidade de computação de treinamento do que o modelo básico mais forte disponível abertamente – e gastou esse excedente em escala.
Possuindo o Full Stack
Além do desempenho bruto, a postagem apresenta a justificativa estratégica. A Microsoft diz que possuir seu pipeline de modelo de ponta a ponta proporciona uma forte procedência de dados sobre tokens de treinamento, e que o pré-treinamento depende de dados orgânicos sem destilação de outros modelos. Essa proveniência, argumenta a empresa, permitirá licenciar pesos de modelos para empresas através do Foundry como uma fonte confiável de inteligência de fronteira, enquanto o co-ajuste de modelos e infraestrutura reduz os custos primeiro nos próprios produtos da Microsoft.
A seção técnica credita três iniciativas para o sucesso da execução: escalonamento da ciência, incluindo "escalas de escalonamento" que levam em conta dados de treinamento repetidos por meio de uma técnica chamada escalonamento de origem, que mantém a proporção de dados exclusivos para parâmetros fixos entre degraus; co-design de infraestrutura de modelo, incluindo implementações aprimoradas de MoE e otimizador de Muon juntamente com recorte de gradiente de ativação; e pipelines de dados expandidos com a integração de dados de visão. A Microsoft diz que o dimensionamento da fonte foi fundamental para o dimensionamento confiável para o tamanho de 2,8 trilhões de parâmetros, sem surpresas de overfitting.
O que isso significa para o mercado
Se as reivindicações persistirem sob escrutínio independente, o MAI-Base-2 posiciona a Microsoft como o quarto maior construtor de modelos de fronteira ocidental ao lado da OpenAI, Anthropic e Google – com um discurso diferenciado baseado na proveniência dos dados e no licenciamento empresarial, em vez da mentalidade do chatbot do consumidor. O mercado que importa primeiro é a base de clientes empresariais do Azure, onde os clientes do Foundry poderiam obter acesso a um modelo de classe de fronteira cuja linhagem de treinamento é totalmente controlada pela Microsoft.
A verificação independente continua a ser uma questão em aberto. As avaliações da Microsoft são auto-relatadas, a advertência pós-treinamento dos modelos de comparação é material e os bits por byte no texto retido não se traduzem diretamente nos benchmarks de bate-papo, codificação e agentes que as empresas realmente compram. Derivados pós-treinados do MAI-Base-2 – os sucessores do MAI-Thinking-1 – serão o verdadeiro teste. Mas a mensagem subjacente ao anúncio é inequívoca: a aposta da Microsoft na formação interna de modelos de fronteira, na sua própria frota de silício, já não é uma aspiração. Possui um modelo base finalizado e o pipeline pós-treinamento já está em execução.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
