MAI-Base-2 concluiu o pré-treinamento: a alegação de eficiência de 4–12x da Microsoft, menos o modelo

O número que circulou em 15 de outubro foi "3T". MAI-Base-2, o novo modelo de base interno da Microsoft AI, é o modelo por trás disso — e a própria publicação técnica da empresa o situa em 2,8 trilhões de parâmetros totais, com 80 bilhões ativos. O arredondamento é pequeno; o mais útil é o que a mesma publicação contém e não contém. O MAI-Base-2 concluiu o pré-treinamento, está atualmente em pós-treinamento e não tem checkpoint, preço, licença nem data associados a ele. A alegação de manchete é uma vantagem de 4–12x em eficiência de FLOPs de pré-treinamento em relação a DeepSeek-V4-Pro-Base, o único checkpoint de pré-treinamento de base lançado acima de um trilhão de parâmetros. Tudo nessa alegação é uma estimativa do fornecedor, e a publicação é incomumente explícita sobre como ela foi produzida. Isto é o que o registro público sustenta em 16 de outubro de 2026 — e os dois números nele que a Microsoft não colocou na manchete.

O que a Microsoft realmente publicou, e o que não publicou

A principal fonte é uma publicação do Lab Notes no próprio site da Microsoft AI, datada de 15 de outubro de 2026, intitulada "Frontier Pre-training at Microsoft AI". Mustafa Suleyman anunciou isso na mesma tarde com a frase de que a MAI agora tem "modelos base pré-treinados de ponta na classe de peso de 3T parâmetros, construídos inteiramente internamente na MAI", e encerrou com "resultados de pós-treinamento em breve". Essa é toda a base da matéria, e é uma empresa descrevendo o próprio trabalho — as alegações técnicas abaixo não são reproduzidas por ninguém fora da MAI, e não há avaliação independente desse modelo no registro público.

O que ainda não existe é a parte que a maioria dos leitores quer:

• Pesos — nenhum. Nenhum repositório, nenhum checkpoint, nenhuma quantização, nenhum download de qualquer tipo.

• Um produto ou uma API — nenhum. Não há endpoint, não há página de preços, não há model card.

• Uma licença — não declarada. A publicação diz que possuir o pipeline "nos permitirá licenciar os pesos do nosso modelo para parceiros de confiança por meio da Foundry", o que é uma intenção declarada, não um anúncio.

• Uma data — nenhuma para resultados de pós-treinamento, nenhuma para disponibilidade no Foundry, nenhuma para MAI-Base-3.

• Benchmarks que qualquer pessoa pode reexecutar — nenhum. A superfície de avaliação é descrita, e as pontuações brutas não são publicadas em um formato que terceiros possam reproduzir.

Então, a descrição precisa do MAI-Base-2 hoje é uma palavra: inacabado. O pré-treinamento — a fase cara e de vários meses que transforma texto e imagens brutos em um modelo base — está concluído. O pós-treinamento é a fase em que um modelo base se torna algo com que uma pessoa pode conversar, e essa fase está em andamento agora. A distinção importa porque é exatamente aí que residem os modos de falha interessantes, e porque um checkpoint base e um modelo de chat não são objetos comparáveis.

O que "4–12x mais eficiente em FLOPs" realmente mede

Esta é a afirmação que será repetida em toda parte, por isso vale a pena ser preciso quanto à sua forma, porque não se trata de uma execução de benchmark comparativa direta.

A definição, do post: a Microsoft compara modelos pré-treinados em texto reservado usando bits por byte, uma métrica agnóstica em relação ao tokenizador — quanto menor, melhor. O código reservado é extraído do próprio código-fonte da MAI; os conjuntos de STEM, Matemática e Perguntas e Respostas foram encomendados a fornecedores externos "para reduzir o risco de contaminação do conjunto de treinamento", e todos os conjuntos de avaliação foram descontaminados em relação aos dados de treinamento. Essa é uma descrição de avaliação mais cuidadosa do que a maioria dos posts de lançamento traz, e ainda assim é a empresa avaliando o próprio trabalho em seus próprios conjuntos reservados.

O valor de eficiência é, então, derivado, não medido diretamente. Para cada uma de quatro avaliações em conjuntos separados, a MAI ajustou uma lei de escala de bits por byte em relação aos FLOPs de treinamento ao longo de sua escada interna de modelos, incluiu o desempenho final do próprio MAI-Base-2 nos ajustes para que o ponto de correspondência ficasse dentro do intervalo ajustado, e não além dele, e estimou quanta computação um modelo em sua escada precisaria para igualar o DeepSeek-V4-Pro-Base. Em comparação com a computação de treinamento real desse modelo, a resposta é 4,2–12,3x mais eficiente em FLOPs; em comparação com o MAI-Base-1, lançado em junho, a melhoria é de 6,3–12,7x. O "4–12x" da manchete é esse primeiro intervalo, arredondado.

Há três coisas sobre isto que vale a pena guardar:

• Trata-se de uma estimativa a partir de uma curva ajustada, não de dois modelos treinados em condições controladas. O post é franco sobre isso, incluindo o detalhe de que o modelo de referência "continua sendo treinado com significativamente menos FLOPs do que o MAI-Base-2."

• O conjunto de comparação é restrito por regra. Apenas modelos com pelo menos um trilhão de parâmetros totais, e apenas checkpoints de fronteira disponíveis antes de outubro de 2026, eram elegíveis. O DeepSeek-V4-Pro-Base é o único checkpoint base de pré-treinamento lançado que se qualificou.

• Três dos nomes com que é comparado só existem como checkpoints pós-treinados. Kimi K3, Qwen3.8-2.4T-A95B e MiMo-V2.6-Pro-RL são apresentados com uma ressalva explícita do fornecedor de que o pós-treinamento pode ter afetado as avaliações. Comparar um checkpoint base recém-obtido com modelos pós-treinados numa métrica de previsão do próximo token não é um confronto em pé de igualdade, e a Microsoft di-lo em vez de deixar o gráfico insinuar o contrário.

Nada disso torna a afirmação incorreta. Torna-a uma afirmação — do tipo que um leitor deve encarar como uma indicação até que alguém a reproduza.

O número de computação que a Microsoft deixou de fora

O post fornece tudo o que é necessário para calcular a execução de treinamento do MAI-Base-2, e depois não a calcula. A execução foi de 16.000 GPUs GB200 ao longo de 38 dias em agosto e setembro de 2026, com 21% de utilização média de FLOPs do modelo, com a utilização normalizada em relação aos 2,5 PFLOPS teóricos do GB200 em BF16.

Multiplique tudo isso — 16.000 aceleradores a 2,5 × 10¹⁵ FLOPs por segundo, vezes 38 dias, vezes 0,21 — e a execução implica aproximadamente 2,8 × 10²⁵ FLOPs de computação de treinamento. Esse número é resultado da nossa aritmética a partir dos próprios dados fornecidos no post, não um número publicado pela Microsoft. É um limite inferior, porque a própria definição de MFU do post exclui os FLOPs gastos com rematerialização e com o otimizador. E fica bem acima do limiar de 10²⁵ FLOPs que a Lei de IA da UE usa como presunção de risco sistêmico para um modelo de IA de uso geral: cerca de duas a três vezes essa linha, em uma única execução de pré-treinamento.

Para deixar claro o que isso significa e o que não significa: nenhuma obrigação se aplica a um modelo a que ninguém tem acesso. A relevância é que o total de computação é o único número na publicação que resulta de aritmética a partir de dados publicados, e não de uma estimativa ajustada, e quando o modelo que herda esta base finalmente for lançado — através dos próprios produtos da Microsoft ou para parceiros da Foundry — este é o número a partir do qual os reguladores começarão.

O que está realmente dentro do modelo

Retire o argumento de eficiência e o post é um relato bastante detalhado de três problemas de engenharia, que é a parte com valor duradouro independentemente de quem vence um benchmark.

• Escala — um modelo de fundação MoE com 80 bilhões de parâmetros ativos e 2,8 trilhões de parâmetros totais, maior e mais esparso que o MAI-Base-1.

• Mistura de especialistas em todas as camadas — MAI-Base-1 alternava blocos densos feed-forward com blocos MoE porque sua implementação de MoE não era rápida o suficiente para justificar mais. A correção da fragmentação de memória do roteamento dinâmico e da sobrecarga por especialista, além do agrupamento de computação e comunicação por grupo de especialistas, elevou a MFU da camada MoE de 24% para 35%, o que tornou MoE em todas as camadas a escolha ótima em termos de tempo.

• MoE sem descarte com memória fixa — em vez de descartar tokens excedentes ou superalocar para o pior caso, MAI agrupa especialistas e executa rodadas adicionais de despacho-computação-coleta para o excesso, emprestando capacidade não utilizada de outros especialistas do mesmo grupo. O uso de memória é estático sob qualquer desequilíbrio de roteamento; o argumento do post contra o descarte de tokens é que ele prejudica mensuravelmente a qualidade.

• Muon em escala — o otimizador é reparticionado, convertido para BF16, trocado all-to-all, ortogonalizado localmente e retornado. Após a otimização, representou 2,1% da iteração média de treinamento, ou 165 ms, contra um pico teórico de 55 ms que, segundo o post, tem a comunicação como gargalo. O Muon foi adotado em vez do AdamW por sua dinâmica mais estável.

• Clipping de gradiente de ativação — clipping em ativações selecionadas em vez de no batch norm global, o que manteve as normas de gradiente numa faixa muito mais estreita do que as do MAI-Base-1, e o benefício cresceu com a escala. Também acabou por se revelar um diagnóstico de qualidade de dados: um exemplo de treino malformado, com um cabeçalho de licença cortado a meio de uma frase, rastreado através de um pull request de dados de código, revelou um bug de pré-processamento que entretanto foi corrigido.

• Dados — um corpus cerca de 36% maior do que o do MAI-Base-1 em tokens de treinamento únicos, alimentando uma mistura de 50 trilhões de tokens, com data de corte de conhecimento em março de 2026. A empresa afirma que o pipeline é composto por dados orgânicos, sem destilação de outros modelos, processados internamente, e que seu crawler proprietário respeita o robots.txt e exclui fontes da lista de Mercados Notórios da USTR.

• Visão desde o início — ao contrário do MAI-Base-1, este modelo é pré-treinado nativamente com visão por meio de uma arquitetura sem encoder. O corpus de visão-linguagem contém 4,5 trilhões de tokens únicos e representou 18% da mistura de 50 trilhões de tokens, abrangendo legendagem de imagens, compreensão de gráficos, ancoragem visual, raciocínio espacial, compreensão médica, uso de computador e leitura de partituras.

Também existem as leis de escala de hiperparâmetros, publicadas em forma fechada: a taxa de aprendizado ótima vezes o weight decay é 17,04 dividido pelo número de passos de treinamento, a taxa de aprendizado ótima segue uma função log-linear de tokens por parâmetro ativo e passos, e o dropout é uma sigmoide do logaritmo dos parâmetros ativos. Publicar essas leis é a coisa mais reutilizável do post — uma escada de escala cujos degraus são nomeados apenas pelo número de camadas, em que o tamanho oculto é fixado em 256/3 vezes o número de camadas e as cabeças de consulta são iguais ao número de camadas arredondado para o múltiplo mais próximo de 16, é uma receita que outros laboratórios podem testar.

Por que um checkpoint base não é um produto, e o que acontece depois

MAI-Thinking-1, o modelo de raciocínio que a Microsoft apresentou no início deste ano, foi pós-treinado sobre o MAI-Base-1. A publicação diz que o MAI-Base-2 é agora "a base para a nossa próxima geração de modelos", o que significa que o modelo que as pessoas poderão realmente usar não é o MAI-Base-2 — é aquilo sobre o que a Microsoft fizer o pós-treinamento, e esse nome não foi anunciado.

O canal de distribuição também já está decidido, e não são pesos abertos. O plano declarado é licenciar os pesos "a parceiros de confiança através da Foundry", o que descreve uma via de aquisição empresarial em vez de um download. Nada na publicação promete pesos públicos, e a ênfase na proveniência dos dados e a ausência de destilação leem-se como preparação para exatamente esse tipo de oferta licenciada.

Em seguida, há o MAI-Base-3. A única frase do post sobre ele é que "os preparativos para o MAI-Base-3 já estão em andamento." Sem parâmetros, sem capacidade computacional, sem dados, sem datas — um sinal de roadmap, e não informação. O que ele de fato estabelece é a cadência: o MAI-Base-1 foi lançado em junho; o pré-treinamento de seu sucessor foi relatado como concluído em meados de outubro; e o próximo ciclo já está em preparação. Uma geração de modelo de base a cada quatro meses, aproximadamente, nessa escala, é a afirmação de maior impacto no post do que qualquer linha de benchmark isolada.

O que você pode chamar hoje

Nada na história do MAI-Base-2 pode ser invocado, e vale a pena dizer claramente que nenhum dos modelos MAI da Microsoft está hoje no catálogo da OrcaRouter — não os alojamos, e, em qualquer caso, um checkpoint base não é um modelo servido. O que a publicação lhe dá é um conjunto de comparação, e a maior parte desse conjunto está acessível neste momento. O modelo de referência na alegação de eficiência da Microsoft, o pós-treinado DeepSeek V4 Pro, está no nosso catálogo, tal como Kimi K3 e Qwen3.8-Max, dois dos modelos de pesos abertos com que o MAI-Base-2 foi comparado.

Isso dá à afirmação um teste barato. Uma API para 200+ modelos significa que comparar o que você pode realmente chamar não exige um segundo contrato nem um segundo SDK, e, como o OrcaRouter repassa os preços de tabela dos provedores com 0% de markup em vez de aplicar markup, uma alteração de preço de qualquer um desses fornecedores passa a valer do nosso lado no mesmo dia. Se você quiser executar uma carga de trabalho nas versões pós-treinadas desses modelos antes de decidir se espera pelo que a Microsoft lançar em cima do MAI-Base-2, essa é a comparação que um benchmark de modelo base não pode oferecer — e a DSL de roteamento permite mover o tráfego entre eles por configuração, e não por código, quando a resposta mudar.

O que mudaria esta peça

Quatro coisas, em ordem da importância que teriam.

O primeiro são os resultados de pós-treinamento. Tudo no post de 15 de outubro descreve um artefato pré-treinado; se o modelo por trás dele é bom em seguir instruções, chamar ferramentas ou manter uma conversa longa é uma questão separada que não foi feita em público.

O segundo é qualquer forma de acesso — uma listagem no Foundry com um preço, um anúncio de parceiro, ou pesos com uma licença associada. Nesse momento, isto deixa de ser um relatório de pesquisa e passa a ser uma decisão de aquisição.

O terceiro é a medição independente. Bits por byte no próprio código-fonte do fornecedor, com conjuntos de STEM e matemática encomendados pelo fornecedor, não é algo que um laboratório externo consiga verificar hoje. Um terceiro reproduzindo a comparação da lei de escala contra o DeepSeek-V4-Pro-Base resolveria a alegação de eficiência; até lá, é uma estimativa crível, bem documentada e autorrelatada.

O quarto é um detalhe do MAI-Base-3. “Os preparativos estão em curso” é uma frase, não uma especificação, e é na geração depois da próxima que a cadência de quatro meses se mantém ou não.

O resumo preciso e restrito: a Microsoft concluiu o pré-treinamento de seu maior modelo interno, publicou um relato excepcionalmente técnico de como o fez, alegou uma vantagem de eficiência sobre o melhor checkpoint base aberto, divulgou uma execução de treinamento de aproximadamente 2,8 × 10²⁵ FLOPs com base em cálculos que ela mesma não fez no post, e não disponibilizou nada que alguém possa usar.

Os benchmarks envelhecem e os preços mudam; o registro de falhas não: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.