MAI-Base-2 a terminé son pré-entraînement : la revendication d'efficacité de 4 à 12x de Microsoft, sans le modèle

Le chiffre qui a circulé le 15 octobre était « 3T ». MAI-Base-2, le nouveau modèle de fondation interne de Microsoft AI, est le modèle qui se cache derrière ce chiffre — et l'article technique de l'entreprise elle-même l'estime à 2,8 billions de paramètres au total, dont 80 milliards actifs. L'arrondi est mineur ; ce qui est plus utile, c'est ce que le même article contient et ne contient pas. MAI-Base-2 a terminé son pré-entraînement, est actuellement en cours de post-entraînement, et aucun checkpoint, aucun prix, aucune licence ni aucune date n'y sont associés. L'affirmation principale est un avantage de 4 à 12x en efficacité de FLOPs de pré-entraînement par rapport à DeepSeek-V4-Pro-Base, le seul checkpoint de pré-entraînement de base publié au-dessus d'un billion de paramètres. Tout ce qui concerne cette affirmation est une estimation du fournisseur, et l'article est inhabituellement explicite sur la manière dont elle a été produite. Voici ce que les informations publiques permettent d'étayer au 16 octobre 2026 — et les deux chiffres qu'elles contiennent, que Microsoft n'a pas mis dans le titre.

Ce que Microsoft a effectivement publié, et ce qu'il n'a pas publié

La source principale est un billet Lab Notes publié sur le site propre de Microsoft AI, daté du 15 octobre 2026, intitulé « Frontier Pre-training at Microsoft AI ». Mustafa Suleyman l’a annoncé l’après-midi même en déclarant que MAI disposait désormais de « modèles de base pré-entraînés de pointe dans la classe de poids des 3T de paramètres, entièrement développés en interne chez MAI », et a conclu par « résultats de post-entraînement bientôt disponibles ». C’est là toute la base de l’article, et il s’agit d’une entreprise qui décrit son propre travail — les affirmations techniques ci-dessous ne sont reproduites par personne en dehors de MAI, et il n’existe aucune évaluation indépendante de ce modèle dans les archives publiques.

Ce qui n’existe pas encore, c’est la partie que la plupart des lecteurs veulent :

• Poids — aucun. Aucun dépôt, aucun point de contrôle, aucune quantification, aucun téléchargement, quel qu'il soit.

• Un produit ou une API — aucun. Il n’y a pas de point de terminaison, pas de page de tarification, pas de fiche de modèle.

• Une licence — non précisée. La publication indique que le fait de posséder le pipeline « nous permettra d’accorder une licence sur les poids de notre modèle à des partenaires de confiance via Foundry », ce qui est une intention déclarée, et non une annonce.

• Une date — aucune pour les résultats post-entraînement, aucune pour la disponibilité de Foundry, aucune pour MAI-Base-3.

• Des benchmarks que n’importe qui peut réexécuter — aucun. La surface d’évaluation est décrite, et les scores bruts ne sont pas publiés sous une forme qu’un tiers peut reproduire.

Donc, la description exacte de MAI-Base-2 aujourd’hui tient en un mot : inachevé. Le pré-entraînement — la phase coûteuse, qui dure des mois et transforme du texte brut et des images en un modèle de base — est terminé. Le post-entraînement est l’étape où un modèle de base devient quelque chose à quoi une personne peut parler, et cette phase est en cours. La distinction compte parce que c’est précisément là que résident les modes de défaillance intéressants, et parce qu’un checkpoint de base et un modèle de conversation ne sont pas des objets comparables.

Ce que mesure réellement « 4 à 12 fois plus efficace en FLOPs »

C'est l'affirmation qui sera répétée partout, il vaut donc mieux être précis sur sa forme, car il ne s'agit pas d'un benchmark comparatif direct.

La définition, tirée du post : Microsoft compare des modèles pré-entraînés sur du texte mis de côté à l’aide des bits-per-byte, une métrique indépendante du tokenizer — plus c’est bas, mieux c’est. Le code mis de côté provient de la base de code de MAI elle-même ; les ensembles STEM, Math et Q&R ont été commandés à des prestataires externes « pour réduire le risque de contamination par l’ensemble d’entraînement », et tous les ensembles d’évaluation ont été décontaminés par rapport aux données d’entraînement. C’est une description de l’évaluation plus minutieuse que n’en comportent la plupart des articles de lancement, et c’est toujours l’entreprise qui note son propre travail sur ses propres ensembles mis de côté.

Le chiffre d’efficacité est donc déduit, et non mesuré directement. Pour chacune des quatre évaluations mises de côté, MAI a ajusté une loi d’échelle des bits par octet en fonction des FLOPs d’entraînement sur l’ensemble de sa gamme interne de modèles, a inclus la performance finale de MAI-Base-2 dans les ajustements afin que le point de correspondance tombe à l’intérieur de la plage ajustée plutôt qu’au-delà, et a estimé la quantité de calcul dont un modèle de sa gamme aurait besoin pour égaler DeepSeek-V4-Pro-Base. Comparé au calcul d’entraînement réel de ce modèle, le résultat est de 4,2–12,3x plus efficace en FLOPs ; par rapport à MAI-Base-1, sorti en juin, l’amélioration est de 6,3–12,7x. Le « 4–12x » du titre correspond à cette première plage, arrondie.

Trois choses à ce sujet méritent d’être retenues :

• Il s’agit d’une estimation issue d’une courbe ajustée, et non de deux modèles entraînés dans des conditions contrôlées. La publication est honnête à ce sujet, y compris le détail selon lequel le modèle de référence « est encore entraîné avec nettement moins de FLOPs que MAI-Base-2 ».

• L’ensemble de comparaison est restreint par la règle. Seuls les modèles totalisant au moins mille milliards de paramètres, et seuls les points de contrôle de pointe disponibles avant octobre 2026, étaient éligibles. DeepSeek-V4-Pro-Base est le seul point de contrôle de pré-entraînement de base publié qui était admissible.

• Trois des noms auxquels il est comparé n'existent que sous forme de checkpoints post-entraînés. Kimi K3, Qwen3.8-2.4T-A95B et MiMo-V2.6-Pro-RL sont rapportés avec une mise en garde explicite du fournisseur selon laquelle le post-entraînement a pu avoir une incidence sur les évaluations. Comparer un checkpoint de base brut à des modèles post-entraînés sur une métrique de prédiction du token suivant n'est pas une comparaison à armes égales, et Microsoft le dit plutôt que de laisser le graphique sous-entendre le contraire.

Rien de tout cela ne rend l’affirmation fausse. Cela en fait une affirmation — de celles qu’un lecteur devrait considérer comme une piste jusqu’à ce que quelqu’un la reproduise.

Le chiffre de calcul que Microsoft a omis

Le post donne tout ce qu'il faut pour calculer l'exécution d'entraînement de MAI-Base-2, puis ne la calcule pas. L'exécution a mobilisé 16 000 GPU GB200 sur 38 jours en août et septembre 2026, à un taux moyen d'utilisation des FLOPs du modèle de 21 %, ce taux étant normalisé par rapport aux 2,5 PFLOPS théoriques du GB200 en BF16.

Multipliez tout cela — 16 000 accélérateurs à 2,5 × 10¹⁵ FLOPs par seconde, fois 38 jours, fois 0,21 — et l’exécution implique environ 2,8 × 10²⁵ FLOPs de calcul d’entraînement. Ce chiffre est notre calcul à partir des données mêmes de l’article, pas un nombre publié par Microsoft. Il s’agit d’une borne inférieure, car la définition même du MFU donnée dans l’article exclut les FLOPs consacrés à la rematérialisation et à l’optimiseur. Et il se situe bien au-dessus du seuil de 10²⁵ FLOPs que le règlement européen sur l’IA utilise comme présomption de risque systémique pour un modèle d’IA à usage général : environ deux à trois fois cette limite, à partir d’une seule exécution de pré-entraînement.

Pour être clair sur ce que cela signifie et ne signifie pas : aucune obligation ne s’attache à un modèle auquel personne ne peut accéder. Ce qui est pertinent, c’est que le total de calcul est le seul chiffre de la publication qui relève de l’arithmétique à partir d’entrées publiées plutôt que d’une estimation ajustée, et lorsque le modèle qui hérite de cette base sera finalement commercialisé — via les produits propres de Microsoft ou auprès de partenaires Foundry — c’est le chiffre dont les régulateurs partiront.

Qu’y a-t-il réellement à l’intérieur du modèle ?

Si l'on met de côté l'argument sur l'efficacité, l'article se révèle un compte rendu assez détaillé de trois problèmes d'ingénierie, et c'est là la partie qui garde de la valeur, peu importe qui remporte un benchmark.

• Scale — un modèle de fondation MoE avec 80 milliards de paramètres actifs et 2 800 milliards de paramètres au total, plus grand et plus clairsemé que MAI-Base-1.

• Mélange d'experts dans chaque couche — MAI-Base-1 alternait des blocs feed-forward denses avec des blocs MoE parce que son implémentation MoE n'était pas assez rapide pour en justifier davantage. La correction de la fragmentation mémoire du routage dynamique et des surcoûts par expert, ainsi que le regroupement des calculs et des communications par groupe d'experts, a fait passer le MFU des couches MoE de 24 % à 35 %, ce qui a fait de MoE dans chaque couche le choix optimal en termes de temps.

• MoE sans abandon de tokens à mémoire fixe — au lieu d'abandonner les tokens en débordement ou de surallouer pour le pire cas, MAI regroupe les experts et exécute des tours supplémentaires de répartition-calcul-collecte pour le débordement, en empruntant la capacité inutilisée d'autres experts du même groupe. L'utilisation de la mémoire est statique sous un déséquilibre de routage arbitraire ; l'argument du post contre l'abandon de tokens est qu'il nuit de manière mesurable à la qualité.

• Muon à grande échelle — l’optimiseur est repartitionné, converti en BF16, échangé en all-to-all, orthogonalisé localement puis renvoyé. Après optimisation, il représentait 2,1 % de l’itération d’entraînement moyenne, soit 165 ms, contre un pic théorique de 55 ms qui, d’après le post, est limité par la communication. Muon a été préféré à AdamW pour une dynamique plus stable.

• Écrêtage du gradient d'activation — l'écrêtage au niveau d'activations sélectionnées plutôt que sur la normalisation par lots globale, ce qui maintenait les normes de gradient dans une bande beaucoup plus étroite que celle de MAI-Base-1, et le bénéfice augmentait avec l'échelle. Il s'est également avéré être un diagnostic de qualité des données : un exemple d'entraînement malformé avec un en-tête de licence coupé au milieu d'une phrase, retracé via une pull request de code-données, a mis en évidence un bogue de prétraitement qui a depuis été corrigé.

• Données — un corpus d'environ 36 % plus volumineux que celui de MAI-Base-1 en tokens d'entraînement uniques, alimentant un mélange de 50 000 milliards de tokens, avec une date de coupure des connaissances de mars 2026. L'entreprise déclare que le pipeline repose sur des données organiques, sans distillation à partir d'autres modèles, traitées en interne, et que son crawler propriétaire respecte robots.txt et exclut les sources figurant sur la liste des marchés notoires de l'USTR.

• Une vision dès le départ — contrairement à MAI-Base-1, ce modèle est pré-entraîné nativement avec la vision grâce à une architecture sans encodeur. Le corpus vision-langage contient 4,5 billions de jetons uniques et représentait 18 % du mélange de 50 billions de jetons, couvrant la génération de légendes d’images, la compréhension de graphiques, l’ancrage visuel, le raisonnement spatial, la compréhension médicale, l’utilisation d’ordinateur et la lecture de partitions.

Il y a aussi les lois d'échelle des hyperparamètres, publiées sous forme fermée : le taux d'apprentissage optimal multiplié par la décroissance des poids vaut 17,04 divisé par le nombre d'étapes d'entraînement, le taux d'apprentissage optimal suit une fonction log-linéaire du nombre de tokens par paramètre actif et du nombre d'étapes, et le dropout est une sigmoïde du logarithme des paramètres actifs. Publier celles-ci est l'élément le plus réutilisable de l'article — une échelle de mise à l'échelle dont les échelons sont nommés par le seul nombre de couches, où la taille cachée est fixée à 256/3 fois le nombre de couches et les têtes de requête égalent le nombre de couches arrondi au multiple de 16 le plus proche, est une recette que d'autres laboratoires peuvent tester.

Pourquoi un checkpoint de base n'est pas un produit, et ce qui se passe ensuite

MAI-Thinking-1, le modèle de raisonnement que Microsoft a présenté plus tôt cette année, a été post-entraîné sur la base de MAI-Base-1. La publication indique que MAI-Base-2 est désormais « le socle de notre prochaine génération de modèles », ce qui signifie que le modèle que les utilisateurs pourront réellement utiliser n'est pas MAI-Base-2 — c'est celui que Microsoft post-entraînera sur cette base, et ce nom n'a pas été annoncé.

Le canal de distribution est lui aussi déjà décidé, et il ne s'agit pas de poids ouverts. Le plan annoncé consiste à accorder une licence sur les poids « à des partenaires de confiance via Foundry », ce qui décrit une voie d'approvisionnement en entreprise plutôt qu'un téléchargement. Rien dans le post ne promet des poids publics, et l'accent mis sur la provenance des données ainsi que l'absence de distillation se lisent comme les prémisses d'exactement ce type d'offre sous licence.

Ensuite, il y a MAI-Base-3. La seule phrase du post à son sujet est que « les préparatifs pour MAI-Base-3 sont déjà en cours ». Aucun paramètre, aucune puissance de calcul, aucune donnée, aucune date — un signal de feuille de route plutôt qu’une information. Ce qu’il établit, c’est la cadence : MAI-Base-1 publié en juin, le pré-entraînement de son successeur annoncé comme terminé à la mi-octobre, et le cycle suivant déjà en préparation. Une génération de modèle de base environ tous les quatre mois, à cette échelle, est l’affirmation la plus importante du post, davantage que n’importe quelle ligne de benchmark.

Ce que vous pouvez appeler aujourd'hui.

Rien dans l'histoire de MAI-Base-2 n'est appelable, et il faut le dire clairement : aucun des modèles MAI de Microsoft ne figure aujourd'hui au catalogue d'OrcaRouter — nous ne les hébergeons pas, et un checkpoint de base n'est de toute façon pas un modèle servi. Ce que l'article vous donne, en revanche, c'est un ensemble de comparaison, et la majeure partie de cet ensemble est accessible dès maintenant. Le modèle de référence de l'affirmation d'efficacité de Microsoft, le modèle post-entraîné DeepSeek V4 Pro, figure à notre catalogue, tout comme Kimi K3 et Qwen3.8-Max, deux des modèles à poids ouverts auxquels MAI-Base-2 a été comparé.

Cela donne à cette affirmation un test peu coûteux. Une API unique pour plus de 200 modèles signifie que comparer ce que vous pouvez réellement appeler ne nécessite ni un second contrat ni un second SDK, et comme OrcaRouter répercute les prix catalogue des fournisseurs avec 0 % de majoration plutôt que de les majorer, un changement de prix chez l’un de ces fournisseurs est effectif de notre côté le jour même. Si vous voulez exécuter une charge de travail sur les versions post-entraînées de ces modèles avant de décider si vous devez attendre ce que Microsoft publiera au-dessus de MAI-Base-2, c’est la comparaison qu’un benchmark de modèle de base ne peut pas vous donner — et le DSL de routage vous permet de déplacer le trafic entre eux par configuration plutôt que par code lorsque la réponse change.

Qu'est-ce qui changerait cette pièce ?

Quatre choses, par ordre de l’importance qu’elles auraient.

Le premier concerne les résultats de post-entraînement. Tout ce qui figure dans la publication du 15 octobre décrit un artefact pré-entraîné ; savoir si le modèle derrière celui-ci est bon pour suivre des instructions, appeler des outils ou soutenir une longue conversation est une question distincte qui n’a pas été posée en public.

Le deuxième est toute forme d'accès — une fiche Foundry avec un prix, une annonce de partenaire, ou des poids assortis d'une licence. À ce stade, cela cesse d'être un rapport de recherche pour devenir une décision d'approvisionnement.

Le troisième est la mesure indépendante. Les bits par octet sur la propre base de code du fournisseur, avec des ensembles STEM et mathématiques commandités par le fournisseur, ne sont pas quelque chose qu’un laboratoire externe peut vérifier aujourd’hui. Une reproduction par un tiers de la comparaison de loi d’échelle par rapport à DeepSeek-V4-Pro-Base permettrait de trancher sur l’affirmation d’efficacité ; d’ici là, il s’agit d’une estimation crédible, bien documentée et auto-déclarée.

Le quatrième est un détail de MAI-Base-3. « Les préparatifs sont en cours » est une phrase, pas une spécification, et c’est à la génération d’après la prochaine que la cadence de quatre mois tiendra ou non.

Le résumé précis et circonscrit : Microsoft a achevé le pré-entraînement de son plus grand modèle interne, publié un compte rendu inhabituellement technique de la manière dont il s’y est pris, revendiqué un avantage d’efficacité sur le meilleur checkpoint de base ouvert, divulgué un entraînement d’environ 2,8 × 10²⁵ FLOPs selon un calcul qu’il n’a pas effectué lui-même dans le billet, et n’a rien livré que quiconque puisse utiliser.

Les benchmarks vieillissent et les prix évoluent ; le registre des défaillances, lui, ne change pas : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.