Microsoft AI ha terminado de preentrenar MAI-Base-2, un modelo de mezcla de expertos con 2,8 billones de parámetros en total y 80.000 millones activos para cada token. Según el informe técnico que publicó el 15 de octubre, supera a todos los modelos de pesos abiertos que ha probado y necesita entre 4,2 y 12,3 veces menos cálculo de entrenamiento que DeepSeek-V4-Pro-Base para llegar al mismo nivel.
Es la señal más clara hasta ahora de que Microsoft quiere depender menos de OpenAI. Y el dato que más le importa a una empresa cliente está en un párrafo discreto: Microsoft dice que no ha destilado nada de otros modelos.
Puntos clave de MAI-Base-2
- Tamaño: mezcla de expertos (MoE, el modelo se divide en especialistas y solo se activan unos pocos para cada palabra) con 2,8 billones de parámetros y 80.000 millones activos.
- Entrenamiento: 16.000 GPU GB200 de Nvidia durante 38 días, entre agosto y septiembre de 2026. Aprovechamiento medio del cálculo (MFU) del 21% y el 89% del tiempo entrenando de verdad.
- Resultado: mejor que DeepSeek-V4-Pro-Base, Kimi K3, Qwen3.8-2.4T-A95B y MiMo-V2.6-Pro-RL en sus pruebas de código, matemáticas, ciencia y preguntas. No se compara con OpenAI, Anthropic ni Google.
- Progreso propio: entre 6,3 y 12,7 veces más eficiente que MAI-Base-1, presentado en junio.
- Estado: en postentrenamiento. No hay fecha de producto.
Qué ha medido Microsoft, y qué no
MAI-Base-2 es un modelo base. Es decir, ha leído una cantidad enorme de texto y sabe predecir la siguiente palabra, pero todavía no le han enseñado a seguir instrucciones ni a conversar. Eso es el postentrenamiento, y es donde se decide buena parte de lo que luego notas al usarlo.
Por eso Microsoft no habla de exámenes tipo SWE-Bench. Mide "bits por byte": lo bien que el modelo predice texto que nunca ha visto, una métrica que no depende de cómo trocea cada modelo las palabras. Cuanto más bajo, mejor. Para el código usa su propio repositorio interno, y las pruebas de ciencia, matemáticas y preguntas las ha encargado a proveedores externos para reducir el riesgo de que estuvieran en los datos de entrenamiento.
Hay dos límites que conviene tener claros. El primero lo reconoce Microsoft: Kimi K3, Qwen3.8 y MiMo solo existen ya postentrenados, y eso puede afectar a cómo puntúan en esta métrica. El único base comparable de verdad es DeepSeek-V4-Pro-Base, que además se entrenó con bastante menos cálculo. El segundo: la comparación deja fuera a los tres laboratorios que marcan el ritmo.
Sobre eso solo hay un dato, y es de segunda mano. Según Business Insider, Mustafa Suleyman, director de Microsoft AI, dijo a sus empleados que el modelo base había superado a GPT-5.6 Sol en pruebas privadas usando una cuarta parte del cálculo. No hay tabla pública que lo respalde, y OpenAI ya ha sacado GPT-6 Sol desde entonces.
Cómo lo han hecho
El informe es largo y técnico, pero las ideas de fondo se entienden bien.
Escaleras de escala. Antes de gastarse 38 días de 16.000 GPU, Microsoft entrena una familia de modelos pequeños con la misma receta y extrapola. El truco nuevo, que llaman "source scaling", consiste en que los modelos pequeños repitan los datos tantas veces como lo hará el grande. Sin eso, dicen, los experimentos pequeños premian decisiones que luego fallan a gran escala.
Hiperparámetros por fórmula. En vez de probar a ciegas la velocidad de aprendizaje y la regularización, han sacado leyes que las calculan según el tamaño del modelo y los pasos de entrenamiento. Las validaron a escala media antes de usarlas en el grande.
Expertos en todas las capas. En MAI-Base-1 alternaban capas normales y capas de expertos porque su implementación no daba para más. Ahora la han mejorado: el aprovechamiento de las capas de expertos pasó del 24% al 35% y ya los ponen en todas. Además no descartan ningún token cuando un experto se satura, lo procesan en rondas extra.
Un optimizador distinto. Han cambiado AdamW, el estándar de la industria, por Muon, que según el informe da un entrenamiento más estable y bastante más eficiente a este tamaño. Y han añadido imágenes a los datos de entrenamiento.
Por qué Microsoft quiere su propio modelo
Microsoft ha pasado años vendiendo la IA de OpenAI en Azure, Copilot y Office. Desde este verano está montando la alternativa pieza a pieza. La familia MAI ya incluye MAI-Thinking-1 (razonamiento, junio), MAI-Code-1.1-Flash (dentro de GitHub Copilot y VS Code), MAI-Voice-2.1, MAI-Transcribe-2 y MAI-Image-2.6. Hace una semana presentó Maia 300, su chip de inferencia para 2027, y en septiembre un código de conducta que obliga a los modelos MAI a dejarse apagar.
Lo de los datos es la parte comercial. Microsoft dice que su preentrenamiento usa datos "orgánicos" sin destilación de otros modelos y que controla el origen de cada token. Llega en plena guerra contra la copia entre laboratorios, con Anthropic cortando entre un 90% y un 99% los intentos de copiar a Claude y Washington señalando a los laboratorios chinos. Y le permite algo que con un modelo destilado sería arriesgado: licenciar los pesos a socios de confianza a través de Foundry, su plataforma de IA para empresas.
Por qué importa
Para una empresa española que trabaja con Copilot o Azure, hoy no cambia nada: MAI-Base-2 no se puede usar todavía. Pero hay dos cosas que vigilar.
La primera es el precio. Si Microsoft entrena con cuatro a doce veces menos cálculo que la competencia abierta, tiene margen para ofrecer modelos propios más baratos que los de OpenAI dentro de su propia nube. La segunda es el origen de los datos. La ley europea de IA ya obliga a los proveedores de modelos de uso general a publicar un resumen de con qué los entrenaron, y un modelo con procedencia limpia y pesos licenciables es más fácil de defender ante un comité de riesgos que uno de dudosa historia. Cuando salga en Foundry, merece una prueba con tus propios casos.
Fuente original: microsoft.ai
Relacionado
