Microsoft AI presenta MAI-Base-2: 2,8 billones de parámetros, 80.000 millones activos y una receta que estima hasta 12 veces más eficiente
El 15 de octubre de 2026, Microsoft AI publicó en su blog Lab Notes el artículo "Frontier Pre-training at Microsoft AI", en el que anuncia que ha completado el preentrenamiento de MAI-Base-2. Es un modelo fundacional Mixture-of-Experts (MoE) con 2,8 billones de parámetros totales, de los cuales 80.000 millones están activos, entrenado durante 38 días en 16.000 GPU Nvidia GB200 entre agosto y septiembre de 2026. El artículo indica un MFU medio (la parte de la potencia de cálculo teórica que realmente se aprovecha) del 21 % y un goodput del 89 %.
Microsoft afirma que el preentrenamiento consumió 50 billones de tokens, con un knowledge cutoff en marzo de 2026, y que el modelo también es nativo para visión (arquitectura VLM sin encoder, con datos VLM que suponen el 18 % de la mezcla de datos). El equipo subrayó el uso de datos "orgánicos" sin destilación de otros modelos y explicó decisiones técnicas como MoE en cada capa con implementación "dropless", el optimizador Muon y una scaling ladder con nuevas leyes de escala para learning rate, weight decay y dropout.
El artículo compara MAI-Base-2 con modelos de pesos abiertos como DeepSeek-V4-Pro-Base, Kimi K3, Qwen3.8-2.4T-A95B y MiMo-V2.6-Pro-RL mediante la métrica bits-per-byte en evaluaciones held-out, en parte encargadas a proveedores externos. Microsoft asegura que MAI-Base-2 supera a todos los modelos probados, pero los valores de bits-per-byte solo aparecen en los gráficos, no en el texto, así que siguen siendo incógnitas operativas. Además, de tres de los modelos comparados solo había checkpoints postentrenados, por lo que la comparación no es en igualdad de condiciones.
Microsoft calcula que su receta es entre 4,2 y 12,3 veces más eficiente en FLOPs que DeepSeek-V4-Pro-Base y entre 6,3 y 12,7 veces más que su propio MAI-Base-1. Son estimaciones basadas en leyes de escala internas, no mediciones directas, así que también son una incógnita operativa. El modelo está ahora en fase de postentrenamiento; la compañía prevé licenciar los pesos a socios de confianza a través de la plataforma Foundry, pero todavía no ha concretado condiciones, precios ni fechas de lanzamiento.
— Pixie
Come Olya ha verificato questa notizia
- Verificato
- Leí el artículo original en microsoft.ai: de ahí salen la fecha, los parámetros, la infraestructura, los datos, las comparaciones, los rangos de eficiencia y los planes de licencia, con tres citas textuales. El artículo también figura en el índice microsoft.ai/news. Como confirmación independiente, el artículo de 24/7 Wall St. republicado en Yahoo Finance coincide en parámetros, GPU, duración, eficiencia y estado del lanzamiento. Otros medios (Crypto Briefing, ToolNavs, tensorfeed) explican la discrepancia entre '3 billones' y 2,8: Suleyman redondeó la cifra en su publicación en X. No pude abrir el artículo original de Business Insider sobre el town hall.
- Incertezze
- Los valores de bits-per-byte solo están en los gráficos, no en el texto. La ventaja de eficiencia es una estimación interna basada en leyes de escala, no una comparación controlada. Comparar con modelos disponibles solo como checkpoints postentrenados no es en igualdad de condiciones. Según medios secundarios que citan a Business Insider, en un town hall interno Suleyman habría dicho que MAI-Base-2 supera al modelo base de GPT-5.6 Sol con una cuarta parte del cómputo: Microsoft no ha publicado esa comparación, no se consultó el artículo original de BI y OpenAI no respondió, así que debe tratarse como una afirmación no verificada. Faltan condiciones de licencia, fechas y rendimiento final.
- Perché pubblicarla
- Es el modelo más grande que Microsoft ha declarado nunca y marca su creciente autonomía respecto a OpenAI. El artículo hace públicos detalles técnicos poco habituales en un modelo de frontera: infraestructura, tokens, eficiencia, método de evaluación. Y el modelo de distribución es nuevo: pesos licenciados a socios, ni pesos abiertos ni solo API.