Microsoft MAI-Base-2 desafía a DeepSeek con una afirmación de eficiencia de entrenamiento 4-12 veces superior

Microsoft MAI-Base-2 ha completado el preentrenamiento con 2,8 billones de parámetros totales, activando 80.000 millones de parámetros por cada token. Microsoft afirma que su receta de entrenamiento es entre 4,2 y 12,3 veces más eficiente en FLOPs que DeepSeek-V4-Pro-Base en cuatro evaluaciones reservadas.

La comparación da a Microsoft un titular llamativo, pero no demuestra que MAI-Base-2 sea el mejor asistente terminado. El modelo sigue en fase de postentrenamiento, no tiene un endpoint público y carece de resultados de benchmarks independientes. Microsoft calculó el rango de eficiencia mediante curvas de escalado ajustadas, en lugar de dos ejecuciones de entrenamiento equivalentes.

El anuncio sigue marcando un cambio importante en la estrategia de IA de Microsoft. La compañía ya no describe un experimento interno ni se limita a integrar modelos suministrados por otro laboratorio. Está mostrando la arquitectura, la canalización de datos y la infraestructura a gran escala detrás de un modelo fronterizo desarrollado internamente.

DeepSeek es la referencia central porque su checkpoint base de pesos abiertos ofrece a Microsoft una línea base externa visible. La comparación también expone la principal tensión de la historia. Microsoft quiere que el mercado evalúe ahora su receta de entrenamiento, antes de que los desarrolladores puedan valorar el producto resultante.

Microsoft MAI-Base-2 es una ejecución de entrenamiento completada, no un lanzamiento de producto

Microsoft ha completado una ejecución de preentrenamiento inusualmente grande, pero no ha lanzado un modelo terminado que los clientes puedan probar.

Microsoft presentó MAI-Base-2 el 15 de octubre de 2026 mediante un detallado informe de preentrenamiento. La compañía lo describe como un modelo de mixture-of-experts, o MoE, que enruta cada token a través de un subconjunto limitado de grupos de parámetros especializados.

El modelo contiene 2,8 billones de parámetros totales y activa 80.000 millones para cada token. Ese diseño disperso permite a Microsoft aumentar la capacidad general sin utilizar todos los parámetros durante cada pasada hacia adelante.

Microsoft entrenó el modelo con 16.000 GPU Nvidia GB200 durante 38 días, entre agosto y septiembre de 2026. Informó de una utilización media de FLOPs del modelo del 21 por ciento y un goodput del 89 por ciento.

La utilización de FLOPs del modelo mide qué parte de la capacidad teórica del procesador contribuye al cómputo de entrenamiento informado. El goodput mide la proporción del tiempo transcurrido durante el cual el entrenamiento realmente avanza. Estas cifras describen distintas dimensiones de la eficiencia del sistema.

Microsoft normalizó su cifra de utilización frente a 2,5 petaflops de rendimiento BF16 denso por GPU. Excluyó las operaciones de optimizador y rematerialización del cálculo de FLOPs informado. Estas decisiones importan al comparar cifras de utilización entre laboratorios.

El hardware subyacente pertenece a la plataforma Blackwell a escala de rack de Nvidia. Las especificaciones de GB200 publicadas muestran cómo los dominios de GPU estrechamente conectados admiten grandes cargas de trabajo de entrenamiento e inferencia.

Microsoft afirma que el postentrenamiento ya está en marcha. Esta etapa posterior suele dar forma al seguimiento de instrucciones, el comportamiento de razonamiento, los controles de seguridad y la calidad de interacción después de que el modelo base haya aprendido patrones estadísticos generales.

La distinción evita una interpretación errónea habitual del anuncio. Microsoft no ha lanzado un chatbot, un checkpoint descargable ni una API de propósito general basada en MAI-Base-2. Ha publicado evidencia sobre los cimientos de esos posibles productos.

Esos cimientos también incluyen entrenamiento visual nativo. Microsoft utilizó una arquitectura visión-lenguaje sin codificador, lo que significa que la información de imagen entra en el modelo sin que un codificador de imágenes preentrenado independiente actúe como interfaz principal.

La compañía informa de un corpus visión-lenguaje que contiene 4,5 billones de tokens únicos. Al incluir datos repetidos, el material visual representó el 18 por ciento de la mezcla de entrenamiento de 50 billones de tokens del modelo.

Microsoft afirma que el corpus más amplio creció aproximadamente un 36 por ciento en tokens únicos frente a MAI-Base-1. Sus datos web tienen un corte de conocimiento de marzo de 2026.

Estos detalles hacen que MAI-Base-2 sea más que un anuncio de recuento de parámetros. Microsoft está documentando un sistema de entrenamiento completo que abarca selección de datos, entradas multimodales, enrutamiento del modelo, optimización y utilización de GPU.

Sin embargo, la evidencia disponible se detiene en la frontera del preentrenamiento. Los desarrolladores todavía no pueden medir la calidad de las respuestas, la latencia, la fiabilidad ni los requisitos de despliegue. Los compradores empresariales aún no pueden comparar el comportamiento operativo con los modelos Foundry disponibles.

Por tanto, el acontecimiento inmediato es preciso. Microsoft completó el preentrenamiento y reveló cómo funcionó la ejecución. El lanzamiento comercial y orientado al usuario sigue pendiente.

Por qué importa la afirmación de eficiencia de Microsoft MAI-Base-2

La afirmación de eficiencia importa porque Microsoft sostiene que unos mejores métodos de entrenamiento, y no solo el recuento de parámetros, justifican la expansión de su programa interno de modelos.

Microsoft afirma que su receta requiere entre 4,2 y 12,3 veces menos FLOPs de entrenamiento para alcanzar la pérdida de DeepSeek-V4-Pro-Base en cuatro evaluaciones seleccionadas. Los FLOPs miden operaciones de coma flotante, una aproximación común al trabajo computacional.

Esa afirmación es más limitada que decir que Microsoft gastó una doceava parte en MAI-Base-2. La compañía reconoce que su modelo final utilizó sustancialmente más cómputo de entrenamiento que el checkpoint de DeepSeek.

Microsoft plantea, en cambio, una pregunta hipotética. ¿Cuánto cómputo necesitaría un modelo que utilizara la receta de Microsoft para igualar la puntuación de bits por byte de DeepSeek?

Los bits por byte, o BPB, miden con qué eficiencia un modelo predice datos reservados sin depender de su tokenizador. Un BPB más bajo indica una mejor compresión predictiva del material evaluado.

Microsoft ajustó curvas de escalado separadas para datos de código, ciencia, matemáticas y preguntas y respuestas. Después ubicó el punto de cómputo en el que cada curva igualaba a DeepSeek-V4-Pro-Base.

Las proporciones resultantes forman el rango de 4,2 a 12,3. Microsoft afirma que esos puntos de coincidencia se encuentran dentro de su escala de observación, lo que reduce los riesgos asociados a proyectar mucho más allá de los experimentos medidos.

Este método ofrece más información que comparar pérdidas finales sin considerar el cómputo. Intenta separar la contribución de la receta de entrenamiento del efecto de construir simplemente un modelo más grande.

Sin embargo, sigue siendo una estimación basada en un modelo y construida a partir del marco de evaluación de Microsoft. No es una repetición directa de la ejecución de DeepSeek con hardware, datos, software y reglas contables idénticos.

Las evaluaciones también miden la calidad predictiva del modelo base. No miden directamente el seguimiento de instrucciones, el uso de herramientas, la fiabilidad factual, la seguridad ni la experiencia de ejecutar una aplicación empresarial.

Esta distinción es crucial para los compradores. Una receta puede producir una mejor pérdida por unidad de cómputo de entrenamiento y aun así generar un producto con una latencia poco conveniente o un rendimiento inconsistente en tareas.

Microsoft también informa de una mejora de eficiencia de FLOPs de entre 6,3 y 12,7 veces respecto a MAI-Base-1. Esta comparación interna ofrece una segunda referencia, aunque sigue dependiendo de los métodos y las evaluaciones seleccionadas por Microsoft.

La compañía afirma que reinvirtió esas ganancias de eficiencia en una ejecución de entrenamiento más grande. Esa decisión revela el objetivo estratégico. Microsoft utiliza la eficiencia para ampliar las capacidades dentro de un presupuesto de cómputo, no solo para reducir el consumo total de recursos.

Este enfoque también explica por qué el anuncio se centra en la ingeniería de preentrenamiento. Microsoft necesita demostrar que puede convertir repetidamente los cambios en infraestructura e investigación en un mejor comportamiento de escalado.

El tamaño del modelo refuerza ese mensaje. Solo se activan 80.000 millones de sus 2,8 billones de parámetros por cada token, por lo que la capacidad total y el cómputo por token siguen trayectorias diferentes.

Aun así, el número de parámetros activos no se traduce directamente en el coste de inferencia. El movimiento de memoria, la comunicación entre expertos, el procesamiento por lotes, la longitud del contexto, la precisión y el software de serving influyen en el rendimiento real del despliegue.

Por tanto, la cifra de 4,2 a 12,3 es significativa, pero limitada. Respalda la afirmación de Microsoft de que su receta mejoró. No determina qué modelo es más barato, rápido o útil en producción.

La verdadera competencia enfrenta la receta de entrenamiento de Microsoft con la línea base abierta de DeepSeek

Microsoft ha elegido a DeepSeek como rival porque un checkpoint base accesible ofrece una referencia más clara que el asistente de producción cerrado de otra compañía.

DeepSeek-V4-Pro-Base contiene 1,6 billones de parámetros totales y activa 49.000 millones, según sus materiales públicos del modelo. Su disponibilidad hace que el escrutinio arquitectónico y de evaluación sea más práctico que las comparaciones con modelos base inaccesibles.

Microsoft describe DeepSeek-V4-Pro-Base como el modelo base de pesos abiertos disponible más potente. También afirma que era el único checkpoint base publicado con más de un billón de parámetros cuando Microsoft elaboró su comparación.

Eso no convierte la comparación en perfectamente simétrica. MAI-Base-2 tiene más parámetros totales y activos, consumió más cómputo y utilizó el corpus de entrenamiento privado de Microsoft.

Los modelos también reflejan posiciones estratégicas diferentes. DeepSeek expone pesos que investigadores y operadores pueden inspeccionar o desplegar según sus condiciones. Microsoft no ha ofrecido un acceso público equivalente a MAI-Base-2.

Microsoft afirma que finalmente planea licenciar los pesos a socios de confianza a través de Foundry. Esa vía situaría el acceso dentro de una relación comercial gestionada, en vez de un lanzamiento de pesos abiertos sin restricciones.

El catálogo actual de Foundry ya presenta modelos de Microsoft, OpenAI, Anthropic, DeepSeek, Meta, Mistral y otros proveedores. Un modelo fronterizo interno daría a Microsoft otra palanca dentro de ese catálogo diversificado.

La comparación con DeepSeek cumple, por tanto, dos propósitos. Proporciona a Microsoft una referencia técnica exigente y respalda una afirmación más amplia sobre el control de su propia canalización de modelos.

Microsoft ya puede distribuir modelos de terceros a través de su plataforma cloud. Lo que le falta sin un programa interno de modelos fronterizos es el control total sobre los datos de entrenamiento, las decisiones arquitectónicas, el calendario de lanzamiento y la optimización específica del modelo.

MAI-Base-2 aborda esa dependencia en el nivel fundacional. Microsoft afirma que procesó internamente cada token de entrenamiento y evitó la destilación de otros modelos.

Esta afirmación importa porque la destilación de modelos puede transferir comportamiento de un profesor más potente a un sistema más pequeño o más nuevo. Microsoft quiere que su avance se atribuya a su propia canalización de datos y optimización.

La compañía también afirma que examinó las fuentes conforme a sus políticas de IA responsable y excluyó sitios que aparecen en la lista de mercados notorios del Representante Comercial de Estados Unidos. Estos controles respaldan su propuesta de trazabilidad de datos para clientes empresariales.

Sin embargo, la procedencia sigue siendo difícil de auditar para terceros sin una divulgación más completa del corpus. Microsoft proporciona principios, descripciones del procesamiento y cifras agregadas, en lugar de un inventario completo de las fuentes de entrenamiento.

DeepSeek afronta sus propios límites de verificación. Los pesos públicos permiten una evaluación más amplia, pero no exponen cada decisión detrás de la construcción del conjunto de datos o la contabilidad de infraestructura.

En consecuencia, la competencia no es una carrera de laboratorio limpia. Compara a dos organizaciones que utilizan configuraciones de hardware, conjuntos de datos, arquitecturas, prácticas de divulgación y estrategias de distribución diferentes.

La ventaja de Microsoft reside en su infraestructura integrada y alcance entre clientes. El checkpoint abierto de DeepSeek ofrece a los desarrolladores independientes un modelo que ya pueden inspeccionar y probar.

MAI-Base-2 aún no puede afirmar esa ventaja práctica. Hasta que se amplíe el acceso, la evidencia más sólida de Microsoft se refiere al proceso de entrenamiento, no a la utilidad del modelo en el mundo real.

Cómo Microsoft hizo más práctico el entrenamiento MoE en todas las capas

Microsoft afirma que las mayores mejoras provinieron de tratar la arquitectura del modelo y la infraestructura como un único problema de optimización.

MAI-Base-1 utilizaba capas MoE con menor frecuencia porque la implementación anterior de Microsoft generaba demasiado sobrecoste de tiempo de ejecución. La computación dispersa parecía eficiente en teoría, pero no siempre se traducía en un entrenamiento más rápido.

Para MAI-Base-2, Microsoft incorporó computación MoE en cada capa del transformer. La empresa afirma que la utilización de sus capas MoE aumentó del 24 % al 35 % tras resolver ineficiencias de enrutamiento y memoria.

El enrutamiento dinámico de expertos crea cargas de trabajo desiguales porque distintos tokens seleccionan distintos expertos. Los picos poco frecuentes pueden sobrecargar a un experto y dejar capacidad infrautilizada en otras partes.

Una solución sencilla asigna a cada experto un límite fijo de tokens y descarta las asignaciones excedentes. Microsoft afirma que sus experimentos determinaron que descartar esos tokens degradaba la calidad del modelo.

Asignar suficiente memoria para el peor desequilibrio posible evita descartar tokens, pero desperdicia memoria durante los pasos habituales. Ese desperdicio puede aumentar la recomputación o limitar los tamaños de lote útiles.

En su lugar, Microsoft desarrolló un sistema sin descarte de tokens y con asignación de memoria predecible. La implementación busca acomodar el desequilibrio de enrutamiento sin reservar memoria para todos los casos extremos.

La empresa también redujo la sobrecarga asociada a numerosos expertos pequeños. Los grupos de expertos más pequeños pueden mejorar la granularidad del enrutamiento, pero generan más costes de comunicación y lanzamiento de kernels.

Estos cambios se conectan directamente con la tesis de eficiencia. Una arquitectura dispersa aporta poco beneficio práctico si la comunicación, la fragmentación de memoria o el hardware inactivo consumen los ahorros teóricos.

Microsoft evaluó los cambios mediante dos métricas relacionadas. La eficiencia de FLOPs mide el trabajo computacional necesario para alcanzar una pérdida objetivo. La eficiencia temporal mide cuánto tarda la misma mejora en el sistema real.

Una técnica puede mejorar la primera métrica mientras empeora la segunda. Microsoft afirma que estas discrepancias identifican dónde se necesita trabajo de infraestructura antes de que una mejora arquitectónica resulte útil a escala.

El equipo de entrenamiento también utilizó exploraciones conjuntas de la tasa de aprendizaje y la regularización L2. Estos hiperparámetros interactúan, por lo que optimizarlos de forma independiente puede seleccionar una combinación que funcione mal en una ejecución grande.

Las escalas de crecimiento proporcionaron otra capa de control. Microsoft realizó experimentos más pequeños con distintas escalas de modelo, datos y fuentes antes de pronosticar el comportamiento del modelo grande.

La escala de las fuentes fue especialmente importante. Una receta de entrenamiento que parece sólida con una mezcla de datos restringida puede quedar insuficientemente regularizada cuando aumenta el número y la diversidad de las fuentes.

Microsoft afirma que incorporar esa variación ayudó a que sus experimentos más pequeños predijeran el rendimiento final de MAI-Base-2. El resultado final se incluyó en los ajustes de curvas publicados utilizados para la comparación con DeepSeek.

El modelo también utiliza Muon, un optimizador que aplica actualizaciones orientadas a matrices a parámetros seleccionados. Los optimizadores determinan cómo el entrenamiento ajusta los pesos en respuesta a los errores calculados.

Muon ha despertado interés en proyectos de modelos grandes porque puede mejorar la convergencia de parámetros con forma de matriz. Microsoft afirma que combinó el trabajo de implementación de Muon con recorte de gradientes de activación para estabilizar el entrenamiento.

El recorte de gradientes de activación limita señales de gradiente inusualmente grandes que surgen en torno a activaciones intermedias. Microsoft presenta la técnica como parte del sistema que mantuvo estable la ejecución de entrenamiento a muy gran escala.

Ninguno de estos componentes representa un único truco decisivo. La mejora reportada proviene de cambios acumulados en datos, enrutamiento, memoria, optimización y previsión experimental.

Esto hace que el resultado sea más difícil de copiar para los competidores a partir de una breve descripción técnica. También dificulta la atribución independiente porque los observadores externos no pueden reproducir la pila completa de Microsoft.

Por tanto, la interpretación más creíble es sistémica. Microsoft construyó una canalización de entrenamiento más eficiente al reducir las pérdidas entre el beneficio teórico de un algoritmo y su comportamiento en miles de GPU.

Lo que las cifras de MAI-Base-2 aún no muestran

Microsoft ha publicado evidencia de ingeniería sustancial, pero las afirmaciones centrales sobre rendimiento siguen siendo incompletas y reportadas por la propia empresa.

La primera limitación se refiere a la propiedad de las evaluaciones. Microsoft encargó a proveedores externos algunos conjuntos reservados de ciencia, matemáticas y preguntas y respuestas, mientras utilizaba su propia base de código para la evaluación de código.

La empresa afirma que descontaminó todos los conjuntos de evaluación frente a sus datos de entrenamiento. Esta es una salvaguarda importante, ya que la superposición puede hacer que un modelo parezca más sólido sin medir una generalización genuina.

Sin embargo, Microsoft no ha publicado los datos completos de evaluación, los modelos ajustados ni un paquete de reproducción. Por tanto, los investigadores independientes no pueden recrear plenamente el rango de eficiencia de 4,2 a 12,3.

El resultado final de MAI-Base-2 también participa en los ajustes de escalado. Microsoft afirma que los puntos de coincidencia estimados permanecen dentro del rango ajustado, lo que es mejor que una extrapolación distante.

Aun así, el método estima la eficiencia de la receta en lugar de medir directamente una competencia idéntica. Las diferencias en selección de tokens, precisión, contabilización de FLOPs y construcción de checkpoints pueden afectar a la proporción.

La segunda limitación es el alcance de los benchmarks. BPB sobre texto reservado mide la calidad predictiva antes del postentrenamiento. No responde si un modelo terminado sigue instrucciones complejas o utiliza herramientas de forma fiable.

Un modelo base con menor pérdida puede proporcionar un punto de partida más sólido. Las decisiones de postentrenamiento aún pueden reformular sus fortalezas, debilidades y comportamiento de seguridad visibles.

El anterior modelo de razonamiento de Microsoft, MAI-Thinking-1, fue postentrenado a partir de MAI-Base-1. MAI-Base-2 necesitará su propia evidencia posterior antes de que los lectores puedan conectar las mejoras de preentrenamiento con el rendimiento de razonamiento.

La tercera limitación es la disponibilidad del producto. Ninguna API pública, checkpoint descargable, perfil de latencia o guía de despliegue permite a los desarrolladores validar el anuncio.

Microsoft tampoco ha especificado cuándo llegará a los clientes el modelo postentrenado. Su plan de licenciar pesos a socios de Foundry de confianza carece de detalles públicos de elegibilidad.

Esa brecha deja sin medir el valor empresarial. Los clientes necesitan saber cómo se comporta un modelo con sistemas de recuperación, agentes, datos privados, controles de gobernanza y tráfico de producción sostenido.

La cuarta limitación se refiere a la inferencia. La eficiencia de FLOPs durante el entrenamiento no equivale a la eficiencia de servicio, porque los modelos MoE deben almacenar y coordinar un conjunto de parámetros mucho mayor del que activan.

Enrutar 80.000 millones de parámetros activos aún puede requerir una capacidad de memoria y un ancho de banda de interconexión considerables. El coste real depende de la cuantización, el procesamiento por lotes, la longitud de contexto, el hardware y el software de servicio de Microsoft.

La quinta limitación es la ausencia de una comparación amplia de terceros. Microsoft informa de un BPB menor que el de todos los modelos de pesos abiertos que probó, pero esos resultados proceden del propio entorno de evaluación de Microsoft.

Los benchmarks independientes podrían confirmar la clasificación, acortarla o revelar áreas donde otro modelo funciona mejor. Cada resultado cambiaría la forma en que los lectores interpretan el titular sobre eficiencia.

La conclusión prudente no es que las cifras carezcan de valor. Microsoft ha revelado suficiente metodología para que la afirmación sea analizable y no puramente promocional.

Las cifras muestran que Microsoft cree que su receta escala eficientemente en tareas de preentrenamiento seleccionadas. No demuestran que MAI-Base-2 sea el mejor modelo para desarrolladores, empresas o usuarios finales.

Tres señales determinarán si MAI-Base-2 cambia el mercado

La siguiente etapa depende de resultados independientes, condiciones concretas de acceso y evidencia de que la eficiencia del preentrenamiento resiste el contacto con cargas de trabajo de producción.

La primera señal es el paquete de evaluación del modelo postentrenado. Microsoft necesita publicar resultados de razonamiento, programación, comprensión multimodal, seguimiento de instrucciones, uso de herramientas, factualidad y seguridad.

Esas pruebas deberían incluir benchmarks públicos comparables y configuraciones de evaluación detalladas. El acceso independiente reforzaría aún más la evidencia al permitir a los investigadores reproducir los resultados con distintos entornos de evaluación.

Unos buenos resultados de postentrenamiento respaldarían el argumento de Microsoft de que una menor pérdida predictiva creó una base mejor. Resultados débiles o desiguales mostrarían que la eficiencia del preentrenamiento no produjo automáticamente un asistente líder.

La segunda señal es la disponibilidad efectiva en Foundry. Microsoft ha dicho que planea licenciar pesos a socios de confianza, pero los desarrolladores aún necesitan fechas, reglas de acceso, formatos de despliegue y requisitos operativos.

Una vista previa restringida con un puñado de socios validaría solo una usabilidad limitada. Un acceso más amplio, documentación clara y endpoints estables convertirían el anuncio de investigación en una opción comercial.

El acceso a los pesos será especialmente revelador. Determina si los socios pueden personalizar profundamente sus despliegues o deben depender de servicios controlados por Microsoft.

La comparación con DeepSeek cobra más sentido en ese punto. Los pesos base de DeepSeek ya ofrecen a equipos externos un objeto directo que pueden probar, modificar y desplegar conforme a las condiciones aplicables.

Si Microsoft proporciona acceso práctico a los pesos, reducirá esa brecha al tiempo que añade las ventajas de gobernanza e integración de su plataforma en la nube. Si el acceso sigue siendo limitado, DeepSeek conservará una ventaja sustancial en apertura.

La tercera señal es la eficiencia en producción. Microsoft debe demostrar si MAI-Base-2 puede ofrecer latencia, rendimiento, fiabilidad y utilización de hardware competitivos tras el postentrenamiento.

La eficiencia de entrenamiento por sí sola no resuelve estas cuestiones. Un modelo MoE puede reducir la aritmética por token mientras introduce limitaciones de comunicación, almacenamiento y enrutamiento durante la inferencia.

Las cargas de trabajo de los clientes también pondrán a prueba el modelo más allá de los benchmarks controlados. Documentos largos, entradas mixtas de imagen y texto, llamadas repetidas a herramientas y alta concurrencia pueden revelar cuellos de botella que BPB no puede predecir.

Los equipos que evalúen el modelo deberían conservar notas de versión, definiciones de benchmarks, pruebas internas y observaciones de despliegue en una base de conocimientos técnicos con capacidad de búsqueda. Ese registro ayuda a evitar que las comparaciones de titulares sustituyan la evidencia específica de cada carga de trabajo.

El calendario de MAI-Base-3 proporcionará una pista secundaria. Microsoft afirma que el trabajo en la siguiente generación ya ha comenzado, lo que sugiere que MAI-Base-2 también es una plataforma para otro ciclo de escalado.

Una iteración rápida reforzaría la importancia estratégica del programa interno de Microsoft. Mostraría que la empresa ha construido una canalización repetible en lugar de completar una única ejecución excepcional.

Por ahora, Microsoft MAI-Base-2 se entiende mejor como un hito de ingeniería creíble con un veredicto de producto aún sin resolver. La empresa ha documentado una ejecución de entrenamiento masiva y una metodología de eficiencia específica.

Todavía no ha proporcionado el acceso ni la evidencia independiente necesarios para una victoria en el mercado. La siguiente pregunta es sencilla: ¿permitirá Microsoft que desarrolladores externos prueben las mismas ventajas que predicen sus curvas de escalado?