O que foi construído
A Microsoft AI anunciou a 15 de outubro ter concluído o pré-treino do MAI-Base-2, um modelo fundacional de mistura de especialistas com 2,8 biliões de parâmetros no total e 80 mil milhões ativos. A empresa publicou os detalhes numa nota de laboratório no seu próprio site, e não como lançamento de produto, e o modelo não está disponível: está em pós-treino, sem ponto de controlo, sem API, sem preço e sem data de lançamento.
A substância está na própria corrida de treino. A Microsoft afirma ter treinado o modelo em 16 mil GPU GB200 durante 38 dias, em agosto e setembro de 2026, com uma média de 21 por cento de utilização dos FLOPs do modelo e 89 por cento de goodput, a fração do tempo real em que o treino de facto avançou. A Microsoft nota que esse valor é normalizado face ao pico teórico BF16 do GB200, de 2,5 petaflops, e exclui os FLOPs de rematerialização e do otimizador, o tipo de ressalva que costuma ficar por dizer.
A mistura de treino somou 50 biliões de tokens. Os dados de visão e linguagem representaram 18 por cento depois de contada a repetição, vindos de um corpus único de 4,5 biliões de tokens, e, ao contrário do antecessor, o modelo foi pré-treinado com visão de forma nativa em vez de a receber depois. O corpus de tokens únicos cresceu cerca de 36 por cento face ao MAI-Base-1, com corte de conhecimento em março de 2026.
O número a ler com cuidado
A afirmação central é que o MAI-Base-2 é 4,2 a 12,3 vezes mais eficiente em FLOPs de pré-treino do que o DeepSeek-V4-Pro-Base, que a Microsoft descreve como o melhor modelo base aberto que testou. O resumo da própria Microsoft arredonda para 4 a 12 vezes.
Não é o resultado de uma comparação direta. A Microsoft chegou lá ajustando leis de escala a quatro avaliações reservadas e comparando a computação implícita com a computação de treino da DeepSeek. É uma estimativa de quanta computação um rival precisaria para alcançar as mesmas pontuações, derivada de curvas que a própria Microsoft ajustou, contra um número do gasto da DeepSeek que a Microsoft não controla. O intervalo é largo pela mesma razão: 4,2 e 12,3 saem do mesmo método aplicado a avaliações diferentes.
A empresa reporta uma melhoria de 6,3 a 12,7 vezes face ao seu próprio MAI-Base-1 pelo mesmo método, e essa é a comparação mais informativa, porque ambos os lados são da Microsoft e foram medidos da mesma forma.
Três alavancas, e nenhuma destilação
A Microsoft atribui os ganhos à ciência de escala, ao codesenho de modelo e infraestrutura e a mais dados. A primeira abrange escadas de escala que contabilizam dados de treino repetidos e leis de escala de hiperparâmetros ajustadas empiricamente. A segunda, melhores implementações de mistura de especialistas e do otimizador Muon, além do corte do gradiente de ativação. A terceira é o pipeline web alargado e o corpus de visão.
A empresa afirma ainda não ter destilado de outros modelos. Isso importa tanto comercial como tecnicamente: um modelo base treinado sem as saídas de outro laboratório é mais limpo de licenciar, e a Microsoft diz que planeia licenciar os pesos a parceiros de confiança através do Foundry.
Porque é que a Microsoft constrói isto
A Microsoft paga à OpenAI por modelos de fronteira e distribui-os por todos os seus produtos. Construir internamente uma base de 2,8 biliões de parâmetros, com a sua própria dotação de silício, é uma opção sobre deixar de precisar. A nota diz que os preparativos para o MAI-Base-3 já estão em curso, e esse é o sinal mais claro: isto é um programa, não uma demonstração.
O que observar
O pós-treino é onde um modelo base se torna utilizável, e onde as afirmações passam a ser verificáveis. Até a Microsoft entregar um modelo pós-treinado que avaliadores externos possam correr, os números de eficiência continuam a ser estimativas próprias sobre testes reservados próprios. Fique atento aos termos de licenciamento no Foundry, a qualquer avaliação independente face ao DeepSeek-V4-Pro-Base, e a se a Microsoft publica as quatro avaliações reservadas com que ajustou as curvas.
