Microsoft concluiu o pré‑treinamento de seu novo modelo de base SOTA, o MAI‑Base‑2, anunciado em 15 de outubro de 2026, com 2,8 trilhões de parâmetros totais e 80 bilhões ativos por token.
Detalhes do treinamento
Segundo o IT Home, o treinamento ocorreu em 6.000 GPUs Nvidia GB200 durante 38 dias, com média de utilização de ponto flutuante de 21% e efetivo throughput de 89%. O FomoEra e a Yahoo Finanzas informam que o emprego foi de 16.000 GPUs GB200 no mesmo período de 38 dias, entre agosto e setembro de 2026. A Yahoo acrescenta que o corpus de treinamento chegou a aproximadamente 50 trilhões de tokens, com o conjunto de tokens únicos crescendo cerca de 36% em relação ao MAI‑Base‑1 e que 18% da mistura de treinamento incluiu visão de forma nativa. Ambos os veículos destacam que o modelo permanece em fase de posentrenamento, com resultados adicionais aguardados, e que a Microsoft já iniciou os preparativos para o MAI‑Base‑3. A Yahoo também observa que o treinamento utilizou dados originais, sem recorrer à destilação de outros sistemas de IA, uma diferença que considera relevante para o futuro licenciamento dos pesos por meio da Azure AI Foundry.
Comparação de eficiência com DeepSeek
O IT Home, o FomoEra e a Yahoo relatam que a metodologia de pré‑treinamento do MAI‑Base‑2 é entre 4,2 e 12,3 vezes mais eficiente em cómputo que a do DeepSeek‑V4‑Pro‑Base para alcançar o mesmo resultado em quatro avaliações internas. O FomoEra observa que o DeepSeek‑V4‑Pro‑Base possui 1,6 trilhão de parâmetros totais e 49 bilhões ativos, enquanto o MAI‑Base‑2 tem 2,8 trilhões totais, ou seja, 75% a mais, e que, apesar de consumir mais cómputo total, o ganho de eficiência permitiu treinar um modelo maior. Ambos os modelos utilizam arquitetura de mistura de especialistas (MoE) que ativa apenas uma fração dos parâmetros por token. A Yahoo acrescenta que a eficiência relativa ao modelo anterior MAI‑Base‑1 ficou entre 6,3 e 12,7 vezes, refletindo avanços na qualidade dos dados, na arquitetura do modelo e na infraestrutura de treinamento.
Onde a cobertura diverge
A principal divergência entre as fontes concerne ao número de GPUs empregadas: o IT Home cita 6.000 unidades GB200, enquanto o FomoEra e a Yahoo Finanzas apontam para 16.000 GPUs no mesmo intervalo de 38 dias. Além disso, somente o IT Home fornece as métricas de utilização de ponto flutuante (21%) e de throughput efetivo (89%), dados que não aparecem nas demais publicações consultadas. Todas as fontes concordam quanto ao anuncio de conclusão em 15 de outubro de 2026, ao total de 2,8 trilhões de parâmetros, aos 80 bilhões ativos e à posição do modelo em pós‑treinamento.
