MAI-Base-2: el gigante de Microsoft sigue en el horno

Preentrenamiento terminado, producto pendiente

Microsoft AI anunció el 15 de octubre, en su blog técnico Lab Notes, que ha completado el preentrenamiento de MAI-Base-2. Es la base de su próxima generación de modelos, igual que MAI-Base-1 fue la base de MAI-Thinking-1, un modelo de uso general con buen rendimiento en razonamiento que la compañía anunció en junio.

El anuncio no es un lanzamiento. MAI-Base-2 está ahora en postentrenamiento y Microsoft no da fecha; se limita a prometer más resultados pronto. La compañía dice que afina sus modelos y su infraestructura primero para sus propios productos y después para los clientes de Foundry, su plataforma de IA para empresas, y que controlar toda la cadena le permitirá licenciar los pesos de sus modelos a socios de confianza a través de ella.

Un gigante que trabaja por turnos

MAI-Base-2 tiene 2,8 billones de parámetros en total, pero en cada paso solo trabajan 80.000 millones. Según Microsoft, se entrenó con 16.000 GPU GB200 de Nvidia durante 38 días, en agosto y septiembre de 2026. Los chips rindieron de media al 21 % de su capacidad teórica de cálculo, y el entrenamiento avanzó el 89 % del tiempo.

La mezcla de entrenamiento sumó 50 billones de tokens, con datos hasta marzo de 2026. A diferencia de su predecesor, MAI-Base-2 aprende de imágenes desde el preentrenamiento: los datos de visión suponen el 18 % de la mezcla. Microsoft dice que su corpus creció en torno a un 36 % respecto al de MAI-Base-1, medido en tokens de entrenamiento únicos, que procesó cada token en sus propios sistemas y que no destiló otros modelos, es decir, que no aprendió copiando las respuestas de modelos ajenos.

La compañía también atribuye parte del avance a cambios de ingeniería, como una implementación más eficiente de los expertos y del optimizador Muon, y a un método para estabilizar el entrenamiento.

La eficiencia la calcula la propia Microsoft

Microsoft afirma que MAI-Base-2 obtiene mejores bits por byte que todos los modelos de pesos abiertos que probó, en cuatro evaluaciones con textos reservados: código de su propio repositorio y pruebas de ciencia, matemáticas y preguntas y respuestas encargadas a proveedores para evitar que el modelo las hubiera visto al entrenarse. Tres de los rivales solo existen en versión ya postentrenada, algo que, según la propia empresa, puede afectar a la comparación.

La referencia principal es DeepSeek-V4-Pro-Base, de DeepSeek, el laboratorio chino de modelos abiertos nacido del fondo cuantitativo High-Flyer y controlado por su fundador, Liang Wenfeng. Microsoft lo elige porque es el único modelo base publicado con más de un billón de parámetros, aunque, según la propia Microsoft, se entrenó con bastante menos cálculo que MAI-Base-2.

Las cifras de eficiencia no salen de pruebas de tareas, sino de una proyección. Para cada evaluación, Microsoft ajusta una ley de escala que relaciona bits por byte y cálculo de entrenamiento, y estima cuánto cálculo necesitaría su receta para igualar al otro modelo.