MAI-Base-2 ha completato il pre-training: la dichiarazione di efficienza di 4–12 volte di Microsoft, senza il modello

Il numero che è circolato il 15 ottobre era "3T". MAI-Base-2, il nuovo modello di fondazione interno di Microsoft AI, è il modello che vi è dietro — e il post tecnico dell'azienda stessa lo colloca a 2,8 trilioni di parametri totali con 80 miliardi attivi. L'arrotondamento è di poco conto; la cosa più utile è ciò che lo stesso post contiene e non contiene. MAI-Base-2 ha completato il pre-addestramento, è attualmente in fase di post-addestramento e non ha alcun checkpoint, prezzo, licenza o data a esso associati. La dichiarazione di punta è un vantaggio di efficienza nei FLOPs di pre-addestramento da 4 a 12 volte rispetto a DeepSeek-V4-Pro-Base, l'unico checkpoint di pre-addestramento di base rilasciato con oltre un trilione di parametri. Tutto ciò che riguarda quella dichiarazione è una stima del fornitore, e il post è insolitamente esplicito su come è stata prodotta. Questo è ciò che la documentazione pubblica supporta al 16 ottobre 2026 — e i due numeri in essa che Microsoft non ha messo nel titolo.

Cosa Microsoft ha effettivamente pubblicato, e cosa no

La fonte primaria è un post di Lab Notes sul sito stesso di Microsoft AI, datato 15 ottobre 2026, intitolato "Pre-training Frontier presso Microsoft AI". Mustafa Suleyman lo ha annunciato lo stesso pomeriggio con la dichiarazione che MAI ora dispone di "modelli base pre-addestrati all'avanguardia nella classe di peso da 3T parametri, costruiti interamente in-house presso MAI", e ha chiuso con "risultati del post-training in arrivo". Questa è l'intera base della storia, ed è un'azienda che descrive il proprio lavoro — le affermazioni tecniche riportate di seguito non sono state riprodotte da nessuno al di fuori di MAI, e non esiste alcuna valutazione indipendente di questo modello nella documentazione pubblica.

Ciò che non esiste ancora è la parte che la maggior parte dei lettori desidera:

• Pesi — nessuno. Nessun repository, nessun checkpoint, nessuna quantizzazione, nessun download di alcun tipo.

• Un prodotto o un'API — nessuno. Non c'è alcun endpoint, nessuna pagina dei prezzi, nessuna model card.

• Una licenza — non dichiarata. Il post afferma che possedere la pipeline «ci permetterà di concedere in licenza i pesi del nostro modello a partner fidati tramite Foundry», il che è un'intenzione dichiarata, non un annuncio.

• Una data — nessuna per i risultati post-addestramento, nessuna per la disponibilità di Foundry, nessuna per MAI-Base-3.

• Benchmark che chiunque può rieseguire — nessuno. La superficie di valutazione è descritta, e i punteggi grezzi non sono pubblicati in una forma che una terza parte possa riprodurre.

Quindi la descrizione accurata di MAI-Base-2 oggi è una sola parola: incompleto. Il pre-training — la fase costosa, lunga mesi, che trasforma testo e immagini grezzi in un modello base — è concluso. Il post-training è dove un modello base diventa qualcosa con cui una persona può parlare, e quella fase è in corso ora. La distinzione è importante perché è esattamente lì che risiedono le interessanti modalità di fallimento, e perché un checkpoint base e un modello di chat non sono oggetti comparabili.

Che cosa misura davvero “4–12 volte più efficiente in termini di FLOP”

Questa è l'affermazione che verrà ripetuta ovunque, quindi vale la pena essere precisi sulla sua forma, perché non si tratta di un benchmark testa a testa.

La definizione, dal post: Microsoft confronta modelli pre-addestrati su testo held-out usando bits-per-byte, una metrica agnostica rispetto al tokenizer — più basso è meglio. Il codice held-out è tratto dalla codebase di MAI stessa; i set STEM, Math e Q&A sono stati commissionati a fornitori esterni «per ridurre il rischio di contaminazione del set di addestramento», e tutti i set di valutazione sono stati decontaminati rispetto ai dati di addestramento. Questa è una descrizione della valutazione più accurata di quella che accompagna la maggior parte dei post di lancio, e resta comunque l'azienda che valuta il proprio lavoro sui propri set held-out.

Il dato di efficienza è quindi derivato, non misurato direttamente. Per ciascuna di quattro valutazioni held-out, MAI ha adattato una legge di scala dei bit per byte rispetto ai FLOP di addestramento lungo la sua scala interna di modelli, ha incluso nelle stime anche le prestazioni finali di MAI-Base-2 stesso, in modo che il punto di corrispondenza ricada all'interno dell'intervallo adattato anziché al di fuori di esso, e ha stimato quanto calcolo servirebbe a un modello della sua scala per eguagliare DeepSeek-V4-Pro-Base. Rispetto al calcolo di addestramento effettivo di quel modello, la risposta è 4,2–12,3 volte più efficiente in termini di FLOP; rispetto a MAI-Base-1, rilasciato a giugno, il miglioramento è di 6,3–12,7 volte. Il «4–12x» del titolo è quel primo intervallo, arrotondato.

Ci sono tre cose di questo che vale la pena tenere a mente:

• È una stima ricavata da una curva adattata, non due modelli addestrati in condizioni controllate. Il post è sincero al riguardo, incluso il dettaglio che il modello di riferimento "è ancora addestrato su un numero significativamente inferiore di FLOPs rispetto a MAI-Base-2."

• L'insieme di confronto è ristretto per regola. Solo i modelli con almeno un trilione di parametri totali, e solo i checkpoint di frontiera disponibili prima di ottobre 2026, erano ammissibili. DeepSeek-V4-Pro-Base è l'unico checkpoint di pretraining di base rilasciato che si è qualificato.

• Tre dei nomi con cui viene confrontato esistono solo come checkpoint post-addestrati. Kimi K3, Qwen3.8-2.4T-A95B e MiMo-V2.6-Pro-RL sono riportati con un'esplicita avvertenza del fornitore secondo cui il post-addestramento potrebbe aver influenzato le valutazioni. Confrontare un checkpoint base appena creato con modelli post-addestrati su una metrica di previsione del token successivo non è una sfida ad armi pari, e Microsoft lo dice invece di lasciare che il grafico insinui il contrario.

Niente di tutto ciò rende sbagliata l'affermazione. La rende un'affermazione — di quelle che un lettore dovrebbe trattare come un'indicazione finché qualcuno non la riproduce.

Il numero di compute che Microsoft ha omesso

Il post fornisce tutto il necessario per calcolare il run di addestramento di MAI-Base-2, e poi non lo calcola. Il run è stato eseguito con 16.000 GPU GB200 per 38 giorni in agosto e settembre 2026, con un utilizzo medio dei FLOPs del modello del 21%, con l'utilizzo normalizzato rispetto ai 2,5 PFLOPS teorici del GB200 in BF16.

Moltiplica quei valori — 16.000 acceleratori a 2,5 × 10¹⁵ FLOPs al secondo, per 38 giorni, per 0,21 — e l'esecuzione implica all'incirca 2,8 × 10²⁵ FLOPs di potenza di calcolo per l'addestramento. Quel valore è il risultato dei nostri calcoli basati sugli input del post stesso, non un numero pubblicato da Microsoft. È un limite inferiore, perché la definizione stessa di MFU data dal post esclude i FLOPs spesi per la rimaterializzazione e per l'optimizer. E si colloca ben al di sopra della soglia di 10²⁵ FLOPs che l'EU AI Act usa come presunzione di rischio sistemico per un modello di IA generico: all'incirca due o tre volte quella soglia, da una singola esecuzione di pre-addestramento.

Per essere chiari su ciò che questo significa e non significa: nessun obbligo è associato a un modello a cui nessuno può accedere. La rilevanza sta nel fatto che il totale di compute è l'unico dato nel post che deriva da un'aritmetica basata su input pubblicati anziché da una stima adattata, e quando il modello che eredita questa base verrà infine rilasciato — tramite i prodotti di Microsoft o ai partner Foundry — questo è il numero da cui partiranno i regolatori.

Cosa c'è realmente dentro il modello

Togli l'argomento sull'efficienza e il post è un resoconto piuttosto dettagliato di tre problemi di ingegneria, che è la parte con valore duraturo a prescindere da chi vince un benchmark.

• Scale — un modello fondazionale MoE con 80 miliardi di parametri attivi e 2.800 miliardi di parametri totali, più grande e più sparso di MAI-Base-1.

• Mixture of experts in ogni layer — MAI-Base-1 alternava blocchi feed-forward densi con blocchi MoE perché la sua implementazione MoE non era abbastanza veloce da giustificarne di più. Risolvere la frammentazione di memoria del routing dinamico e l’overhead per esperto, oltre a raggruppare calcolo e comunicazione per gruppo di esperti, ha aumentato l’MFU dello strato MoE dal 24% al 35%, ed è ciò che ha reso il MoE in ogni layer la scelta ottimale in termini di tempo.

• MoE senza token dropping e con memoria fissa — invece di scartare i token in overflow o di sovra-allocare per il caso peggiore, MAI raggruppa gli esperti ed esegue round aggiuntivi di dispatch-compute-collect per l'overflow, prendendo in prestito la capacità inutilizzata dagli altri esperti dello stesso gruppo. L'utilizzo di memoria è statico sotto uno sbilanciamento di routing arbitrario; l'argomento del post contro il token dropping è che danneggia la qualità in modo misurabile.

• Muon su larga scala — l'ottimizzatore viene ripartizionato, convertito in BF16, scambiato all-to-all, ortogonalizzato localmente e restituito. Dopo l'ottimizzazione rappresentava il 2,1% dell'iterazione media di addestramento, ovvero 165 ms, rispetto a un picco teorico di 55 ms che, secondo il post, è limitato dalla comunicazione. Muon è stato adottato al posto di AdamW per una dinamica più stabile.

• Clipping del gradiente delle attivazioni — clipping su attivazioni selezionate anziché sulla batch norm globale, che ha mantenuto le norme dei gradienti in una banda molto più ristretta rispetto a MAI-Base-1, e il beneficio è cresciuto con la scala. Si è anche rivelato uno strumento diagnostico per la qualità dei dati: un esempio di addestramento malformato con un'intestazione di licenza interrotta a metà frase, risalito attraverso una pull request di dati di codice, ha fatto emergere un bug di preprocessing che da allora è stato corretto.

• Dati — un corpus circa il 36% più grande di quello di MAI-Base-1 in token di addestramento unici, che alimenta una miscela da 50 trilioni di token, con una data limite delle conoscenze a marzo 2026. L'azienda afferma che la pipeline è costituita da dati organici, senza distillazione da altri modelli, elaborati internamente, e che il suo crawler proprietario rispetta robots.txt ed esclude le fonti presenti nella lista Notorious Markets dell'USTR.

Visione fin dall'inizio — a differenza di MAI-Base-1, questo modello è pre-addestrato nativamente con la visione attraverso un'architettura priva di encoder. Il corpus visione-linguaggio contiene 4,5 trilioni di token unici e rappresentava il 18% della miscela da 50 trilioni di token, spaziando dalla didascalia delle immagini alla comprensione dei grafici, dal grounding visivo al ragionamento spaziale, dalla comprensione medica all'uso del computer e alla lettura di spartiti musicali.

Esistono anche le leggi di scaling degli iperparametri, pubblicate in forma chiusa: il prodotto tra il tasso di apprendimento ottimale e il weight decay è 17,04 diviso per il numero di passi di addestramento, il tasso di apprendimento ottimale segue una funzione log-lineare dei token per parametro attivo e dei passi, e il dropout è una sigmoide del logaritmo dei parametri attivi. Pubblicarle è la cosa più riutilizzabile in assoluto del post — una scala di scaling i cui pioli sono denominati dal solo numero di layer, dove la dimensione nascosta è fissata a 256/3 volte il numero di layer e le teste di query equivalgono al numero di layer arrotondato al multiplo di 16 più vicino, è una ricetta che altri laboratori possono testare.

Perché un checkpoint di base non è un prodotto, e cosa succede dopo

MAI-Thinking-1, il modello di ragionamento introdotto da Microsoft all'inizio di quest'anno, è stato post-addestrato su MAI-Base-1. Nel post si legge che MAI-Base-2 è ora «la base per la nostra prossima generazione di modelli», il che significa che il modello che le persone potranno effettivamente usare non è MAI-Base-2 — è qualunque cosa Microsoft post-addestri su di esso, e quel nome non è stato annunciato.

Anche il canale di distribuzione è già deciso, e non si tratta di open weights. Il piano dichiarato è concedere in licenza i pesi «a partner fidati tramite Foundry», il che descrive un percorso di approvvigionamento enterprise più che un download. Nulla nel post promette pesi pubblici, e l'enfasi sulla provenienza dei dati e l'assenza di distillazione si leggono come il lavoro preparatorio per esattamente quel tipo di offerta in licenza.

Poi c'è MAI-Base-3. L'unica frase del post al riguardo è che «i preparativi per MAI-Base-3 sono già in corso». Nessun parametro, nessuna capacità di calcolo, nessun dato, nessuna data — un segnale di roadmap più che un'informazione. Ciò che invece stabilisce è la cadenza: MAI-Base-1 rilasciato a giugno, il pre-training del suo successore segnalato come completato a metà ottobre, e il ciclo successivo già in preparazione. Una generazione di modelli base all'incirca ogni quattro mesi, su questa scala, è l'affermazione più rilevante del post rispetto a qualunque singola riga di benchmark.

Cosa puoi chiamare oggi

Niente nella storia di MAI-Base-2 è invocabile, e vale la pena dire chiaramente che nessuno dei modelli MAI di Microsoft è oggi nel catalogo di OrcaRouter — non li ospitiamo, e un checkpoint di base non è comunque un modello servito. Quello che il post ti offre è un insieme di confronto, e gran parte di quell'insieme è raggiungibile proprio ora. Il modello di riferimento nella rivendicazione di efficienza di Microsoft, il post-addestrato DeepSeek V4 Pro, è nel nostro catalogo, così come Kimi K3 e Qwen3.8-Max, due dei modelli open-weight con cui MAI-Base-2 è stato messo a confronto.

Questo offre alla tesi un test a basso costo. Una sola API per oltre 200 modelli significa che confrontare ciò che si può effettivamente chiamare non richiede un secondo contratto né un secondo SDK, e poiché OrcaRouter trasmette i prezzi di listino dei provider con markup pari a 0% anziché applicare un ricarico, una variazione di prezzo da parte di uno qualsiasi di quei fornitori è attiva dalla nostra parte lo stesso giorno. Se vuoi eseguire un carico di lavoro sulle versioni post-addestrate di questi modelli prima di decidere se aspettare qualunque cosa Microsoft rilasci sopra MAI-Base-2, questo è il confronto che un benchmark di modelli base non può darti — e il DSL di routing ti consente di spostare il traffico tra di essi tramite configurazione anziché codice quando la risposta cambia.

Cosa cambierebbe questo pezzo

Quattro cose, in ordine di quanto conterebbero.

Il primo riguarda i risultati del post-addestramento. Tutto nel post del 15 ottobre descrive un artefatto pre-addestrato; se il modello che vi è dietro sia bravo a seguire le istruzioni, a chiamare strumenti o a sostenere una lunga conversazione è una questione separata che non è stata posta in pubblico.

Il secondo è qualsiasi forma di accesso — un'inserzione su Foundry con un prezzo, l'annuncio di un partner, o dei pesi con una licenza allegata. A quel punto questo smette di essere un rapporto di ricerca e diventa una decisione di approvvigionamento.

Il terzo è la misurazione indipendente. I bit-per-byte sul codebase dello stesso fornitore, con set STEM e matematici commissionati dal fornitore, non è qualcosa che un laboratorio esterno possa verificare oggi. Una terza parte che riproducesse il confronto della legge di scala rispetto a DeepSeek-V4-Pro-Base chiarirebbe l'affermazione di efficienza; fino ad allora si tratta di una stima credibile, ben documentata e auto-dichiarata.

Il quarto è un dettaglio di MAI-Base-3. “I preparativi sono in corso” è una frase, non una specifica, e la generazione dopo la prossima è il punto in cui la cadenza di quattro mesi o regge o non regge.

Il riassunto accurato e circoscritto: Microsoft ha completato il pre-addestramento del suo più grande modello interno, ha pubblicato un resoconto insolitamente tecnico di come, ha rivendicato un vantaggio di efficienza rispetto al miglior checkpoint base aperto, ha divulgato un'esecuzione di addestramento di circa 2,8 × 10²⁵ FLOPs con un calcolo che non ha eseguito da sé nel post, e non ha rilasciato nulla che chiunque possa usare.

Benchmarks age and prices move; the failure record does not: the documented AI incidents and agent failures behind models in this class are collected in the OrcaRouter AI Incident Archive, where each entry carries its own sources, severity, confidence grade and disputed flag.