MAI-Base-2 terminó el preentrenamiento: la afirmación de eficiencia de 4–12x de Microsoft, sin el modelo

El número que circuló el 15 de octubre fue "3T". MAI-Base-2, el nuevo modelo fundacional interno de Microsoft AI, es el modelo que está detrás — y la propia publicación técnica de la compañía lo sitúa en 2,8 billones de parámetros totales con 80 mil millones activos. El redondeo es menor; lo más útil es lo que la misma publicación contiene y no contiene. MAI-Base-2 ha terminado el preentrenamiento, actualmente está en postentrenamiento y no tiene checkpoint, ni precio, ni licencia, ni fecha asociada. La afirmación principal es una ventaja de eficiencia de FLOPs de preentrenamiento de 4–12x sobre DeepSeek-V4-Pro-Base, el único checkpoint base de preentrenamiento publicado por encima de un billón de parámetros. Todo sobre esa afirmación es una estimación del proveedor, y la publicación es inusualmente explícita sobre cómo se produjo. Esto es lo que respalda el registro público hasta el 16 de octubre de 2026 — y los dos números que contiene que Microsoft no puso en el titular.

Lo que Microsoft publicó realmente, y lo que no

La fuente principal es una publicación de Lab Notes en el propio sitio de Microsoft AI, fechada el 15 de octubre de 2026, titulada «Preentrenamiento de frontera en Microsoft AI». Mustafa Suleyman lo anunció esa misma tarde con la frase de que MAI ahora cuenta con «modelos base preentrenados de última generación en la categoría de peso de 3T parámetros, construidos íntegramente en casa en MAI», y cerró con «resultados de postentrenamiento próximamente». Esa es toda la base de la historia, y es una empresa describiendo su propio trabajo: las afirmaciones técnicas que siguen no han sido reproducidas por nadie fuera de MAI, y no existe ninguna evaluación independiente de este modelo en el registro público.

Lo que aún no existe es la parte que la mayoría de los lectores quiere:

• Pesos — ninguno. Sin repositorio, sin checkpoint, sin cuantización, sin descarga de ningún tipo.

• Un producto o una API — ninguno. No hay endpoint, no hay página de precios, no hay tarjeta de modelo.

• Una licencia — no declarada. La publicación afirma que poseer el pipeline «nos permitirá licenciar los pesos de nuestro modelo a socios de confianza a través de Foundry», lo cual es una intención declarada, no un anuncio.

• Una fecha — ninguna para los resultados posteriores al entrenamiento, ninguna para la disponibilidad de Foundry, ninguna para MAI-Base-3.

• Benchmarks que cualquiera pueda volver a ejecutar — ninguno. Se describe la superficie de evaluación, y las puntuaciones brutas no se publican en un formato que un tercero pueda reproducir.

Así que la descripción precisa de MAI-Base-2 hoy es una palabra: inacabado. El preentrenamiento —la costosa fase que dura meses y que convierte texto e imágenes sin procesar en un modelo base— está terminado. El postentrenamiento es donde un modelo base se convierte en algo con lo que una persona puede conversar, y esa fase está en marcha ahora. La distinción importa porque es exactamente donde residen los modos de fallo interesantes, y porque un punto de control base y un modelo de chat no son objetos comparables.

Qué mide en realidad "4–12x más eficiente en FLOPs"

Esta es la afirmación que se repetirá por todas partes, así que conviene ser precisos sobre su forma, porque no se trata de una ejecución de benchmark cara a cara.

La definición, de la publicación: Microsoft compara modelos preentrenados sobre texto reservado usando bits por byte, una métrica independiente del tokenizador; cuanto más baja, mejor. El código reservado se extrae del propio código base de MAI; los conjuntos de STEM, Matemáticas y Q&A se encargaron a proveedores externos "para reducir el riesgo de contaminación del conjunto de entrenamiento", y todos los conjuntos de evaluación se descontaminaron frente a los datos de entrenamiento. Esa es una descripción de evaluación más cuidadosa que la que ofrecen la mayoría de las publicaciones de lanzamiento, y aun así sigue siendo la compañía evaluando su propio trabajo con sus propios conjuntos reservados.

La cifra de eficiencia se deriva, por tanto, y no se mide directamente. Para cada una de cuatro evaluaciones retenidas, MAI ajustó una ley de escalado de bits por byte frente a FLOPs de entrenamiento a lo largo de su escalera interna de modelos, incluyó el rendimiento final del propio MAI-Base-2 en los ajustes, de modo que el punto de coincidencia cayera dentro del rango ajustado y no más allá, y estimó cuánto cómputo necesitaría un modelo de su escalera para igualar a DeepSeek-V4-Pro-Base. En comparación con el cómputo de entrenamiento real de ese modelo, la respuesta es 4,2–12,3 veces más eficiente en FLOPs; frente a MAI-Base-1, que se lanzó en junio, la mejora es de 6,3–12,7 veces. El «4–12x» del titular es ese primer rango, redondeado.

Hay tres cosas sobre esto que merece la pena retener:

• Es una estimación a partir de una curva ajustada, no dos modelos entrenados bajo condiciones controladas. La publicación es sincera al respecto, incluido el detalle de que el modelo de referencia "sigue entrenándose con significativamente menos FLOPs que MAI-Base-2".

El conjunto de comparación es limitado por regla. Solo eran elegibles los modelos con al menos un billón de parámetros totales, y solo los checkpoints de vanguardia disponibles antes de octubre de 2026. DeepSeek-V4-Pro-Base es el único checkpoint base de preentrenamiento publicado que cumplió los requisitos.

• Tres de los nombres con los que se compara solo existen como checkpoints post-entrenados. Kimi K3, Qwen3.8-2.4T-A95B y MiMo-V2.6-Pro-RL se reportan con una advertencia explícita del proveedor de que el post-entrenamiento podría haber afectado las evaluaciones. Comparar un checkpoint base recién entrenado con modelos post-entrenados en una métrica de predicción del siguiente token no es una comparación en igualdad de condiciones, y Microsoft lo dice en lugar de dejar que el gráfico dé a entender lo contrario.

Nada de eso hace que la afirmación sea falsa. La convierte en una afirmación, del tipo que un lector debería tomar como una orientación hasta que alguien la reproduzca.

La cifra de cómputo que Microsoft omitió

La publicación da todo lo necesario para calcular la ejecución de entrenamiento de MAI-Base-2, y luego no la calcula. La ejecución fue de 16.000 GPU GB200 durante 38 días en agosto y septiembre de 2026, con una utilización media de FLOPs del modelo del 21 %, con la utilización normalizada respecto a los 2,5 PFLOPS teóricos de GB200 en BF16.

Multiplica esos valores —16.000 aceleradores a 2,5 × 10¹⁵ FLOPs por segundo, multiplicado por 38 días, multiplicado por 0,21— y la ejecución implica aproximadamente 2,8 × 10²⁵ FLOPs de cómputo de entrenamiento. Esa cifra es nuestro cálculo a partir de los propios datos de entrada de la publicación, no una cifra publicada por Microsoft. Es un límite inferior, porque la propia definición de MFU de la publicación excluye los FLOPs dedicados a la rematerialización y al optimizador. Y se sitúa muy por encima del umbral de 10²⁵ FLOPs que el Reglamento de IA de la UE utiliza como presunción de riesgo sistémico para un modelo de IA de uso general: aproximadamente dos o tres veces esa línea, a partir de una sola ejecución de preentrenamiento.

Para que quede claro qué significa eso y qué no significa: no hay obligación alguna asociada a un modelo al que nadie puede acceder. Lo relevante es que el total de cómputo es la única cifra de la publicación que es una cuestión de aritmética a partir de entradas publicadas, en lugar de una estimación ajustada, y cuando el modelo que hereda esta base finalmente se lance —a través de los propios productos de Microsoft o a socios de Foundry— este es el número del que partirán los reguladores.

¿Qué hay realmente dentro del modelo?

Si se deja de lado el argumento sobre la eficiencia, la publicación es un relato bastante detallado de tres problemas de ingeniería, que es la parte con valor duradero sin importar quién gane una prueba comparativa.

• Scale — un modelo fundacional de MoE con 80 mil millones de parámetros activos y 2,8 billones de parámetros totales, más grande y más disperso que MAI-Base-1.

• Mezcla de expertos en cada capa — MAI-Base-1 alternaba bloques densos feed-forward con bloques MoE porque su implementación de MoE no era lo suficientemente rápida como para justificar más. Corregir la fragmentación de memoria del enrutamiento dinámico y la sobrecarga por experto, además de agrupar el cómputo y la comunicación por grupo de expertos, elevó la MFU de las capas MoE del 24 % al 35 %, que es lo que hizo que MoE en cada capa fuera la opción óptima en tiempo.

• MoE sin descarte con memoria fija — en lugar de descartar tokens de desbordamiento o sobreasignar para el peor caso, MAI agrupa expertos y ejecuta rondas adicionales de despacho-cómputo-recolección para el desbordamiento, tomando prestada capacidad no utilizada de otros expertos en el mismo grupo. El uso de memoria es estático bajo desequilibrio de enrutamiento arbitrario; el argumento de la publicación en contra del descarte de tokens es que perjudica la calidad de forma medible.

• Muon a escala: el optimizador se vuelve a fragmentar, se convierte a BF16, se intercambia todos con todos, se ortogonaliza localmente y se devuelve. Tras la optimización, representaba el 2,1 % de la iteración de entrenamiento promedio, es decir, 165 ms, frente a un pico teórico de 55 ms que, según la publicación, está limitado por la comunicación. Se adoptó Muon en lugar de AdamW por una dinámica más estable.

• Recorte de gradiente de activación — recortar en activaciones seleccionadas en lugar de en la normalización por lotes global, lo que mantuvo las normas de gradiente en una banda mucho más estrecha que las de MAI-Base-1, y el beneficio aumentó con la escala. También resultó ser un diagnóstico de calidad de datos: un ejemplo de entrenamiento malformado con un encabezado de licencia cortado a mitad de frase, rastreado hasta una solicitud de extracción de datos de código, reveló un error de preprocesamiento que desde entonces se ha corregido.

• Datos — un corpus alrededor de un 36% más grande que el de MAI-Base-1 en tokens de entrenamiento únicos, que alimenta una mezcla de 50 billones de tokens, con un corte de conocimiento de marzo de 2026. La compañía afirma que el proceso se basa en datos orgánicos sin destilación de otros modelos, procesados internamente, y que su rastreador propietario respeta robots.txt y excluye fuentes en la lista de Mercados Notorios de la USTR.

• Visión desde el principio — a diferencia de MAI-Base-1, este modelo se preentrena de forma nativa con visión mediante una arquitectura sin codificador. El corpus de visión-lenguaje contiene 4,5 billones de tokens únicos y representó el 18 % de la mezcla de 50 billones de tokens, abarcando descripción de imágenes, comprensión de gráficos, anclaje visual, razonamiento espacial, comprensión médica, uso de computadoras y lectura de partituras.

También están las leyes de escalado de hiperparámetros, publicadas en forma cerrada: la tasa de aprendizaje óptima multiplicada por el decaimiento de peso es 17.04 dividido por el número de pasos de entrenamiento, la tasa de aprendizaje óptima sigue una función log-lineal de tokens por parámetro activo y pasos, y el dropout es una sigmoide del logaritmo de los parámetros activos. Publicar esas es la cosa más reutilizable del post — una escalera de escalado cuyos peldaños se nombran solo por el número de capas, donde el tamaño oculto se fija en 256/3 veces el número de capas y las cabezas de consulta equivalen al número de capas redondeado al múltiplo de 16 más cercano, es una receta que otros laboratorios pueden probar.

Por qué un checkpoint base no es un producto, y qué ocurre después

MAI-Thinking-1, el modelo de razonamiento que Microsoft presentó a principios de este año, recibió post-entrenamiento sobre MAI-Base-1. La publicación dice que MAI-Base-2 es ahora “la base para nuestra próxima generación de modelos”, lo que significa que el modelo que la gente realmente podrá usar no es MAI-Base-2, sino el que Microsoft entrene posteriormente sobre él, y ese nombre aún no se ha anunciado.

El canal de distribución también ya está decidido, y no se trata de pesos abiertos. El plan declarado es licenciar los pesos "a socios de confianza a través de Foundry", lo que describe una ruta de adquisición empresarial en lugar de una descarga. Nada en la publicación promete pesos públicos, y el énfasis en la procedencia de los datos y la ausencia de destilación se lee como preparación para exactamente ese tipo de oferta con licencia.

Luego está MAI-Base-3. La única frase de la publicación sobre él es que «los preparativos para MAI-Base-3 ya están en marcha». Sin parámetros, sin cómputo, sin datos, sin fechas: una señal de hoja de ruta más que información. Lo que sí establece es la cadencia: MAI-Base-1 se publicó en junio, el preentrenamiento de su sucesor se reportó completo a mediados de octubre, y el siguiente ciclo ya está en preparación. Una generación de modelos base aproximadamente cada cuatro meses, a esta escala, es la afirmación más trascendente de la publicación que cualquier fila individual de benchmarks.

Lo que puedes llamar hoy

Nada de lo que cuenta la historia de MAI-Base-2 se puede invocar, y conviene decir con claridad que ninguno de los modelos MAI de Microsoft está hoy en el catálogo de OrcaRouter — no los alojamos, y un checkpoint base no es un modelo servido en ningún caso. Lo que sí te ofrece la publicación es un conjunto de comparación, y la mayor parte de ese conjunto es accesible ahora mismo. El modelo de referencia en la afirmación de eficiencia de Microsoft, el DeepSeek V4 Pro postentrenado, está en nuestro catálogo, al igual que Kimi K3 y Qwen3.8-Max, dos de los modelos de pesos abiertos con los que se comparó MAI-Base-2.

Eso le da a la afirmación una prueba barata. Una API para más de 200 modelos significa que comparar lo que realmente puedes llamar no requiere un segundo contrato ni un segundo SDK, y como OrcaRouter traslada los precios de lista de los proveedores con un 0 % de margen en lugar de aplicarles un margen, un cambio de precio de cualquiera de esos proveedores está activo en nuestro lado el mismo día. Si quieres ejecutar una carga de trabajo en las versiones post-entrenadas de estos modelos antes de decidir si esperar lo que Microsoft lance sobre MAI-Base-2, esa es la comparación que un benchmark de modelo base no puede darte — y el DSL de enrutamiento te permite mover tráfico entre ellos mediante configuración en lugar de código cuando cambie la respuesta.

¿Qué cambiaría esta pieza?

Cuatro cosas, en orden de la importancia que tendrían.

Lo primero son los resultados del post-entrenamiento. Todo en la publicación del 15 de octubre describe un artefacto preentrenado; que el modelo que hay detrás sea bueno siguiendo instrucciones, invocando herramientas o manteniendo una conversación larga es una cuestión aparte que no se ha planteado en público.

Lo segundo es cualquier forma de acceso — un listado de Foundry con un precio, un anuncio de un socio o pesos con una licencia adjunta. En ese momento, esto deja de ser un informe de investigación y se convierte en una decisión de adquisición.

El tercero es la medición independiente. La métrica de bits por byte sobre la propia base de código del proveedor, con conjuntos STEM y de matemáticas encargados por el proveedor, no es algo que un laboratorio externo pueda comprobar hoy. Que un tercero reproduzca la comparación de la ley de escalado frente a DeepSeek-V4-Pro-Base resolvería definitivamente la afirmación sobre la eficiencia; hasta entonces, es una estimación creíble, bien documentada y autodeclarada.

El cuarto es el detalle de MAI-Base-3. «Los preparativos están en marcha» es una frase, no una especificación, y la generación posterior a la próxima es donde la cadencia de cuatro meses se mantiene o no.

El resumen breve y preciso: Microsoft ha terminado el preentrenamiento de su mayor modelo propio, ha publicado un relato inusualmente técnico de cómo lo hizo, ha afirmado una ventaja de eficiencia sobre el mejor checkpoint base abierto, ha revelado una ejecución de entrenamiento de aproximadamente 2,8 × 10²⁵ FLOPs mediante una aritmética que no hizo por sí misma en la publicación, y no ha lanzado nada que alguien pueda usar.

Los benchmarks envejecen y los precios se mueven; el historial de fallos no: los incidentes de IA documentados y los fallos de agentes detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza y marca de disputa.