Microsoft MAI-Base-2 défie DeepSeek avec une promesse d’efficacité d’entraînement 4 à 12 fois supérieure

Microsoft MAI-Base-2 a achevé son préentraînement avec 2 800 milliards de paramètres au total, tout en activant 80 milliards de paramètres pour chaque token. Microsoft affirme que sa méthode d’entraînement est 4,2 à 12,3 fois plus efficace en FLOPs que DeepSeek-V4-Pro-Base sur quatre évaluations retenues.

Cette comparaison offre à Microsoft un titre saisissant, mais elle n’établit pas que MAI-Base-2 est le meilleur assistant finalisé. Le modèle est toujours en phase de post-entraînement, ne dispose d’aucun endpoint public et ne présente aucun résultat de benchmark indépendant. Microsoft a calculé cette plage d’efficacité à l’aide de courbes de mise à l’échelle ajustées, plutôt qu’avec deux entraînements équivalents.

L’annonce marque néanmoins une évolution importante dans la stratégie IA de Microsoft. L’entreprise ne décrit plus une expérience interne ni ne se contente d’intégrer des modèles fournis par un autre laboratoire. Elle présente l’architecture, le pipeline de données et l’infrastructure à grande échelle qui sous-tendent un modèle de pointe développé en interne.

DeepSeek constitue la référence centrale, car son checkpoint de base à poids ouverts offre à Microsoft une base de comparaison externe visible. Cette comparaison révèle également la tension principale de l’histoire. Microsoft veut que le marché évalue sa méthode d’entraînement dès maintenant, avant que les développeurs puissent juger le produit qui en résulte.

Microsoft MAI-Base-2 est un entraînement achevé, pas une sortie produit

Microsoft a achevé un préentraînement d’une ampleur inhabituelle, mais n’a pas publié de modèle finalisé que les clients puissent tester.

Microsoft a dévoilé MAI-Base-2 le 15 octobre 2026, dans un rapport détaillé sur le préentraînement. L’entreprise le décrit comme un modèle mixture-of-experts, ou MoE, qui achemine chaque token vers un sous-ensemble limité de groupes de paramètres spécialisés.

Le modèle comprend 2 800 milliards de paramètres au total et en active 80 milliards pour chaque token. Cette conception clairsemée permet à Microsoft d’accroître la capacité globale sans mobiliser chaque paramètre lors de chaque passe avant.

Microsoft a entraîné le modèle sur 16 000 GPU Nvidia GB200 pendant 38 jours, en août et septembre 2026. L’entreprise a indiqué une utilisation moyenne des FLOPs du modèle de 21 % et un goodput de 89 %.

L’utilisation des FLOPs du modèle mesure la part de la capacité théorique des processeurs qui contribue au calcul d’entraînement déclaré. Le goodput mesure la part du temps écoulé pendant laquelle l’entraînement progresse effectivement. Ces chiffres décrivent des dimensions différentes de l’efficacité du système.

Microsoft a normalisé son indicateur d’utilisation par rapport à 2,5 pétaFLOPS de performances BF16 denses par GPU. L’entreprise a exclu les opérations d’optimiseur et de rematérialisation du calcul de FLOPs déclaré. Ces choix comptent lors de la comparaison des taux d’utilisation entre laboratoires.

Le matériel sous-jacent appartient à la plateforme Blackwell de Nvidia à l’échelle du rack. Les spécifications GB200 publiées montrent comment des domaines GPU étroitement interconnectés soutiennent de lourdes charges d’entraînement et d’inférence.

Microsoft indique que le post-entraînement est désormais en cours. Cette phase ultérieure façonne généralement le suivi des instructions, le comportement de raisonnement, les contrôles de sécurité et la qualité des interactions, après que le modèle de base a appris des schémas statistiques généraux.

Cette distinction évite une interprétation erronée fréquente de l’annonce. Microsoft n’a pas lancé de chatbot, de checkpoint téléchargeable ni d’API généraliste basée sur MAI-Base-2. L’entreprise a publié des éléments sur la fondation qui sous-tendrait ces produits potentiels.

Cette fondation inclut également un entraînement visuel natif. Microsoft a utilisé une architecture vision-langage sans encodeur, ce qui signifie que les informations d’image entrent dans le modèle sans qu’un encodeur d’images préentraîné distinct serve d’interface principale.

L’entreprise indique disposer d’un corpus vision-langage contenant 4 500 milliards de tokens uniques. En incluant les données répétées, les contenus visuels représentaient 18 % du mélange d’entraînement de 50 000 milliards de tokens du modèle.

Microsoft affirme que le corpus plus large a augmenté d’environ 36 % en tokens uniques par rapport à MAI-Base-1. Ses données web ont une date de coupure des connaissances fixée à mars 2026.

Ces détails font de MAI-Base-2 davantage qu’une annonce de nombre de paramètres. Microsoft documente un système d’entraînement complet couvrant la sélection des données, les entrées multimodales, le routage du modèle, l’optimisation et l’utilisation des GPU.

Toutefois, les éléments disponibles s’arrêtent à la frontière du préentraînement. Les développeurs ne peuvent toujours pas mesurer la qualité des réponses, la latence, la fiabilité ou les exigences de déploiement. Les acheteurs d’entreprise ne peuvent pas encore comparer le comportement opérationnel avec les modèles Foundry disponibles.

L’événement immédiat est donc précis. Microsoft a achevé le préentraînement et révélé le fonctionnement de cette exécution. Le lancement commercial et destiné aux utilisateurs reste à venir.

Pourquoi l’affirmation d’efficacité de Microsoft MAI-Base-2 est importante

Cette affirmation d’efficacité compte parce que Microsoft soutient que de meilleures méthodes d’entraînement, et pas seulement le nombre de paramètres, justifient l’expansion de son programme de modèles internes.

Microsoft affirme que sa méthode requiert entre 4,2 et 12,3 fois moins de FLOPs d’entraînement pour atteindre la perte de DeepSeek-V4-Pro-Base sur quatre évaluations sélectionnées. Les FLOPs mesurent les opérations en virgule flottante, une approximation courante du travail de calcul.

Cette affirmation est plus limitée que de dire que Microsoft a dépensé un douzième du montant pour MAI-Base-2. L’entreprise reconnaît que son modèle final a utilisé considérablement plus de calcul d’entraînement que le checkpoint DeepSeek.

Microsoft pose plutôt une question hypothétique. Quelle quantité de calcul un modèle utilisant la méthode de Microsoft devrait-il mobiliser pour égaler le score en bits par octet de DeepSeek ?

Les bits par octet, ou BPB, mesurent l’efficacité avec laquelle un modèle prédit des données retenues sans dépendre de son tokenizer. Un BPB plus faible indique une meilleure compression prédictive sur les données testées.

Microsoft a ajusté des courbes de mise à l’échelle distinctes pour les données de code, de science, de mathématiques et de questions-réponses. L’entreprise a ensuite identifié le niveau de calcul auquel chaque courbe égalait DeepSeek-V4-Pro-Base.

Les ratios obtenus forment la plage de 4,2 à 12,3. Microsoft affirme que ces points d’équivalence se situent dans son échelle de mise à l’échelle observée, ce qui réduit les risques associés à une extrapolation très au-delà des expériences mesurées.

Cette méthode apporte plus d’informations que la comparaison des pertes finales sans tenir compte du calcul. Elle cherche à isoler la contribution de la méthode d’entraînement de l’effet consistant simplement à construire un modèle plus grand.

Elle demeure toutefois une estimation fondée sur un modèle, construite à partir du cadre d’évaluation de Microsoft. Il ne s’agit pas d’une reproduction directe de l’entraînement de DeepSeek avec un matériel, des données, des logiciels et des règles comptables identiques.

Les évaluations mesurent également la qualité prédictive du modèle de base. Elles ne mesurent pas directement le suivi des instructions, l’utilisation d’outils, la fiabilité factuelle, la sécurité ou l’expérience d’exécution d’une application d’entreprise.

Cette distinction est essentielle pour les acheteurs. Une méthode peut produire une meilleure perte par unité de calcul d’entraînement tout en donnant un produit à la latence gênante ou aux performances incohérentes sur les tâches.

Microsoft indique également une amélioration d’efficacité en FLOPs de 6,3 à 12,7 fois par rapport à MAI-Base-1. Cette comparaison interne fournit une seconde référence, bien qu’elle repose toujours sur les méthodes de Microsoft et des évaluations sélectionnées.

L’entreprise affirme avoir réinvesti ces gains d’efficacité dans un entraînement plus vaste. Ce choix révèle l’objectif stratégique. Microsoft utilise l’efficacité pour accroître les capacités dans une enveloppe de calcul, et non simplement pour réduire la consommation totale de ressources.

Cette approche explique également pourquoi l’annonce se concentre sur l’ingénierie du préentraînement. Microsoft doit montrer qu’elle peut transformer de façon répétée les évolutions de l’infrastructure et de la recherche en un meilleur comportement de mise à l’échelle.

La taille du modèle renforce ce message. Seuls 80 milliards de ses 2 800 milliards de paramètres s’activent pour chaque token ; la capacité totale et le calcul par token suivent donc des trajectoires différentes.

Toutefois, le nombre de paramètres actifs ne se traduit pas directement en coût d’inférence. Les mouvements de mémoire, la communication entre experts, le batching, la longueur du contexte, la précision et les logiciels de serving influencent tous les performances réelles en déploiement.

Le chiffre de 4,2 à 12,3 est donc significatif mais encadré. Il étaye l’affirmation de Microsoft selon laquelle sa méthode s’est améliorée. Il ne permet pas de déterminer quel modèle est moins coûteux, plus rapide ou plus utile en production.

La véritable compétition oppose la méthode d’entraînement de Microsoft à la référence ouverte de DeepSeek

Microsoft a choisi DeepSeek comme adversaire parce qu’un checkpoint de base accessible offre une référence plus claire que l’assistant de production fermé d’une autre entreprise.

DeepSeek-V4-Pro-Base contient 1 600 milliards de paramètres au total et en active 49 milliards, selon ses documents de modèle publics. Sa disponibilité rend l’examen architectural et évaluatif plus réalisable que les comparaisons avec des modèles de base inaccessibles.

Microsoft qualifie DeepSeek-V4-Pro-Base de modèle de base à poids ouverts disponible le plus performant. L’entreprise affirme également qu’il s’agissait du seul checkpoint de base publié dépassant 1 000 milliards de paramètres lorsque Microsoft a élaboré sa comparaison.

Cela ne rend pas la comparaison parfaitement symétrique. MAI-Base-2 possède davantage de paramètres totaux et actifs, a consommé plus de calcul et a utilisé le corpus d’entraînement privé de Microsoft.

Les modèles reflètent également des positions stratégiques différentes. DeepSeek met à disposition des poids que les chercheurs et opérateurs peuvent inspecter ou déployer selon ses conditions. Microsoft n’a pas offert d’accès public équivalent à MAI-Base-2.

Microsoft affirme prévoir à terme de concéder des licences de poids à des partenaires de confiance via Foundry. Cette voie placerait l’accès dans le cadre d’une relation commerciale gérée, plutôt que dans une publication à poids ouverts sans restriction.

Le catalogue Foundry actuel présente déjà des modèles de Microsoft, OpenAI, Anthropic, DeepSeek, Meta, Mistral et d’autres fournisseurs. Un modèle de pointe interne donnerait à Microsoft un levier supplémentaire au sein de ce catalogue diversifié.

La comparaison avec DeepSeek sert donc deux objectifs. Elle donne à Microsoft une référence technique exigeante et soutient une affirmation plus large sur le contrôle de son propre pipeline de modèles.

Microsoft peut déjà distribuer des modèles tiers via sa plateforme cloud. Ce qui lui manque sans programme interne de modèles de pointe, c’est le contrôle complet des données d’entraînement, des décisions architecturales, du calendrier de sortie et de l’optimisation propre au modèle.

MAI-Base-2 traite cette dépendance au niveau fondamental. Microsoft affirme avoir traité chaque token d’entraînement en interne et évité la distillation à partir d’autres modèles.

Cette affirmation importe, car la distillation de modèles peut transférer le comportement d’un enseignant plus puissant vers un système plus petit ou plus récent. Microsoft veut que ses progrès soient attribués à son propre pipeline de données et d’optimisation.

L’entreprise affirme également avoir filtré les sources au regard de ses politiques d’IA responsable et exclu les sites figurant sur la liste des marchés notoires du représentant américain au commerce. Ces contrôles soutiennent son argument relatif à la provenance des données auprès des clients d’entreprise.

Cependant, la provenance demeure difficile à auditer pour les observateurs externes sans divulgation plus complète du corpus. Microsoft fournit des principes, des descriptions de traitement et des chiffres agrégés plutôt qu’un inventaire complet des sources d’entraînement.

DeepSeek est confronté à ses propres limites de vérification. Les poids publics permettent une évaluation plus large, mais ils ne révèlent pas chaque décision prise lors de la construction du jeu de données ou de la comptabilisation de l’infrastructure.

La compétition n’est donc pas une course de laboratoire parfaitement propre. Elle compare deux organisations utilisant des configurations matérielles, des jeux de données, des architectures, des pratiques de divulgation et des stratégies de distribution différentes.

L’avantage de Microsoft réside dans son infrastructure intégrée et sa portée auprès des clients. Le checkpoint ouvert de DeepSeek offre aux développeurs indépendants un modèle qu’ils peuvent inspecter et tester dès maintenant.

MAI-Base-2 ne peut pas encore revendiquer cet avantage pratique. Tant que l’accès ne s’élargit pas, les éléments les plus solides de Microsoft concernent le processus d’entraînement plutôt que l’utilité réelle du modèle.

Comment Microsoft a rendu l’entraînement MoE à chaque couche plus pratique

Microsoft affirme que les gains les plus importants proviennent du traitement de l’architecture du modèle et de l’infrastructure comme un seul problème d’optimisation.

MAI-Base-1 utilisait des couches MoE moins fréquemment, car l’implémentation antérieure de Microsoft entraînait une surcharge trop importante en temps réel. Les calculs clairsemés semblaient efficaces en théorie, mais ne se traduisaient pas toujours par un entraînement plus rapide.

Pour MAI-Base-2, Microsoft a intégré le calcul MoE dans chaque couche de transformeur. L’entreprise indique que l’utilisation de ses couches MoE est passée de 24 % à 35 % après avoir corrigé les inefficacités de routage et de mémoire.

Le routage dynamique des experts crée des charges de travail inégales, car différents tokens sélectionnent différents experts. Des pics rares peuvent surcharger un expert tout en laissant des capacités inutilisées ailleurs.

Une solution simple consiste à imposer une limite fixe de tokens à chaque expert et à écarter les affectations excédentaires. Microsoft indique que ses expériences ont montré que l’abandon de ces tokens dégradait la qualité du modèle.

Allouer suffisamment de mémoire pour le pire déséquilibre possible évite d’abandonner des tokens, mais gaspille de la mémoire lors des étapes typiques. Ce gaspillage peut accroître les recalculs ou limiter les tailles de lot utiles.

Microsoft a plutôt développé un système sans abandon de tokens, avec une allocation mémoire prévisible. L’implémentation vise à absorber le déséquilibre de routage sans réserver de mémoire pour chaque cas extrême.

L’entreprise a également réduit la surcharge liée à la présence de nombreux petits experts. Des groupes d’experts plus réduits peuvent améliorer la granularité du routage, mais ils entraînent davantage de coûts de communication et de lancement de noyaux.

Ces changements sont directement liés à la thèse de l’efficacité. Une architecture clairsemée offre peu d’avantages pratiques si la communication, la fragmentation de la mémoire ou le matériel inactif absorbent les économies théoriques.

Microsoft a évalué les changements à l’aide de deux métriques liées. L’efficacité en FLOPs mesure le travail de calcul nécessaire pour atteindre une perte cible. L’efficacité temporelle mesure le temps nécessaire pour obtenir la même amélioration sur le système réel.

Une technique peut améliorer la première métrique tout en dégradant la seconde. Microsoft indique que de tels écarts révèlent où un travail d’infrastructure est nécessaire avant qu’un gain architectural ne devienne utile à grande échelle.

L’équipe d’entraînement a également effectué des balayages conjoints du taux d’apprentissage et de la décroissance des poids. Ces hyperparamètres interagissent ; les optimiser indépendamment peut donc sélectionner une combinaison peu performante lors d’une exécution à grande échelle.

Les échelles de mise à l’échelle ont apporté un niveau de contrôle supplémentaire. Microsoft a mené des expériences plus petites à différentes échelles de modèle, de données et de sources avant de prévoir le comportement du grand modèle.

La mise à l’échelle des sources était particulièrement importante. Une recette d’entraînement qui paraît robuste sur un mélange de données restreint peut devenir sous-régularisée lorsque le nombre et la diversité des sources augmentent.

Microsoft affirme que la prise en compte de cette variation a aidé ses expériences plus petites à prédire les performances finales de MAI-Base-2. Le résultat final a été inclus dans les ajustements de courbes publiés utilisés pour la comparaison avec DeepSeek.

Le modèle utilise également Muon, un optimiseur qui applique des mises à jour orientées matrices à des paramètres sélectionnés. Les optimiseurs déterminent comment l’entraînement ajuste les poids en réponse aux erreurs calculées.

Muon a suscité de l’intérêt dans les projets de grands modèles, car il peut améliorer la convergence des paramètres de forme matricielle. Microsoft indique avoir associé le travail d’implémentation de Muon à l’écrêtage du gradient des activations afin de stabiliser l’entraînement.

L’écrêtage du gradient des activations limite les signaux de gradient inhabituellement élevés qui apparaissent autour des activations intermédiaires. Microsoft présente cette technique comme faisant partie du système qui a maintenu la stabilité de cette très grande exécution d’entraînement.

Aucun de ces composants ne constitue une astuce unique et décisive. L’amélioration rapportée provient de changements cumulés dans les données, le routage, la mémoire, l’optimisation et la prévision expérimentale.

Cela rend le résultat plus difficile à reproduire pour les concurrents à partir d’une brève description technique. Cela complique aussi l’attribution indépendante, car les observateurs externes ne peuvent pas reproduire la pile complète de Microsoft.

L’interprétation la plus crédible est donc systémique. Microsoft a construit un pipeline d’entraînement plus efficace en réduisant les écarts entre le bénéfice théorique d’un algorithme et son comportement sur des milliers de GPU.

Ce que les chiffres de MAI-Base-2 ne montrent toujours pas

Microsoft a publié des éléments d’ingénierie substantiels, mais les principales affirmations de performance restent rapportées par l’entreprise elle-même et incomplètes.

La première limite concerne la maîtrise des évaluations. Microsoft a mandaté des fournisseurs externes pour certains ensembles retenus de sciences, de mathématiques et de questions-réponses, tout en utilisant son propre code pour l’évaluation du code.

L’entreprise affirme avoir décontaminé tous les ensembles d’évaluation par rapport à ses données d’entraînement. Il s’agit d’une protection importante, car le chevauchement peut donner l’impression qu’un modèle est plus performant sans mesurer une véritable généralisation.

Toutefois, Microsoft n’a pas publié l’intégralité des données d’évaluation, des modèles ajustés ni du package de reproduction. Les chercheurs indépendants ne peuvent donc pas recréer entièrement la plage d’efficacité de 4,2 à 12,3.

Le résultat final de MAI-Base-2 participe également aux ajustements de mise à l’échelle. Microsoft indique que les points d’équivalence estimés restent dans la plage ajustée, ce qui vaut mieux qu’une extrapolation lointaine.

Malgré cela, la méthode estime l’efficacité de la recette plutôt que de mesurer directement une confrontation identique. Des différences dans la sélection des tokens, la précision, le calcul des FLOPs et la construction des checkpoints peuvent influer sur le ratio.

La deuxième limite concerne la portée des benchmarks. Le BPB sur du texte retenu mesure la qualité prédictive avant le post-entraînement. Il ne permet pas de savoir si un modèle finalisé suit des instructions complexes ou utilise des outils de manière fiable.

Un modèle de base avec une perte plus faible peut fournir un point de départ plus solide. Les décisions de post-entraînement peuvent néanmoins remodeler ses forces visibles, ses faiblesses et son comportement en matière de sécurité.

Le précédent modèle de raisonnement de Microsoft, MAI-Thinking-1, a été post-entraîné à partir de MAI-Base-1. MAI-Base-2 nécessitera ses propres éléments en aval avant que les lecteurs puissent relier les gains de préentraînement aux performances de raisonnement.

La troisième limite est la disponibilité du produit. Aucune API publique, aucun checkpoint téléchargeable, aucun profil de latence ni guide de déploiement ne permet aux développeurs de valider l’annonce.

Microsoft n’a pas non plus précisé quand le modèle post-entraîné sera accessible aux clients. Son projet de concéder des licences de poids à des partenaires Foundry de confiance manque de détails publics sur les critères d’éligibilité.

Cet écart laisse la valeur pour les entreprises non mesurée. Les clients doivent savoir comment un modèle se comporte avec des systèmes de récupération, des agents, des données privées, des contrôles de gouvernance et un trafic de production soutenu.

La quatrième limite concerne l’inférence. L’efficacité des FLOPs d’entraînement n’équivaut pas à l’efficacité de serving, car les modèles MoE doivent stocker et coordonner un ensemble de paramètres bien plus vaste que celui qu’ils activent.

Le routage de 80 milliards de paramètres actifs peut tout de même exiger une capacité mémoire et une bande passante d’interconnexion considérables. Le coût réel dépend de la quantification, du traitement par lots, de la longueur de contexte, du matériel et du logiciel de serving de Microsoft.

La cinquième limite est l’absence de comparaison large par des tiers. Microsoft rapporte un BPB inférieur à celui de chaque modèle à poids ouverts qu’il a testé, mais ces résultats proviennent de son propre environnement d’évaluation.

Des benchmarks indépendants pourraient confirmer ce classement, le resserrer ou révéler des domaines où un autre modèle est plus performant. Chaque résultat modifierait la manière dont les lecteurs interprètent le titre sur l’efficacité.

La conclusion prudente n’est pas que les chiffres n’ont aucune valeur. Microsoft a communiqué suffisamment de méthodologie pour rendre l’affirmation analysable plutôt que purement promotionnelle.

Les chiffres montrent que Microsoft estime que sa recette passe efficacement à l’échelle sur certaines tâches de préentraînement sélectionnées. Ils ne prouvent pas que MAI-Base-2 est le meilleur modèle pour les développeurs, les entreprises ou les utilisateurs finaux.

Trois signaux détermineront si MAI-Base-2 change le marché

La prochaine étape dépend de résultats indépendants, de conditions d’accès concrètes et de preuves que l’efficacité du préentraînement résiste aux charges de travail de production.

Le premier signal est le package d’évaluation du modèle post-entraîné. Microsoft doit publier des résultats sur le raisonnement, le code, la compréhension multimodale, le suivi d’instructions, l’utilisation d’outils, la factualité et la sécurité.

Ces tests devraient inclure des benchmarks publics comparables et des paramètres d’évaluation détaillés. Un accès indépendant renforcerait davantage les preuves en permettant aux chercheurs de reproduire les résultats avec différents harnais d’évaluation.

De solides scores de post-entraînement soutiendraient l’argument de Microsoft selon lequel une perte prédictive plus faible a créé une meilleure fondation. Des résultats faibles ou inégaux montreraient que l’efficacité du préentraînement n’a pas automatiquement produit un assistant de premier plan.

Le deuxième signal est la disponibilité réelle dans Foundry. Microsoft a indiqué prévoir de concéder des licences de poids à des partenaires de confiance, mais les développeurs ont encore besoin de dates, de règles d’accès, de formats de déploiement et d’exigences opérationnelles.

Un aperçu restreint avec une poignée de partenaires ne validerait qu’une utilisabilité limitée. Un accès plus large, une documentation claire et des endpoints stables transformeraient l’annonce de recherche en option commerciale.

L’accès aux poids sera particulièrement révélateur. Il déterminera si les partenaires peuvent personnaliser profondément leurs déploiements ou s’ils doivent s’appuyer sur des services contrôlés par Microsoft.

La comparaison avec DeepSeek devient plus significative à ce stade. Les poids de base de DeepSeek donnent déjà aux équipes externes un objet direct à tester, modifier et déployer selon les conditions applicables.

Si Microsoft fournit un accès pratique aux poids, il réduit cet écart tout en ajoutant les avantages de gouvernance et d’intégration de sa plateforme cloud. Si l’accès reste limité, DeepSeek conserve un avantage substantiel en matière d’ouverture.

Le troisième signal est l’efficacité en production. Microsoft doit montrer si MAI-Base-2 peut offrir une latence, un débit, une fiabilité et une utilisation du matériel compétitifs après le post-entraînement.

L’efficacité d’entraînement ne résout pas à elle seule ces questions. Un modèle MoE peut réduire le volume d’opérations arithmétiques par token tout en introduisant des contraintes de communication, de stockage et de routage durant l’inférence.

Les charges de travail des clients testeront également le modèle au-delà des benchmarks contrôlés. Les documents longs, les entrées mixtes d’images et de texte, les appels répétés à des outils et une forte concurrence peuvent révéler des goulots d’étranglement que le BPB ne peut pas prédire.

Les équipes qui évaluent le modèle devraient conserver les notes de version, les définitions de benchmarks, les tests internes et les observations de déploiement dans une base de connaissances technique consultable. Cet historique aide à éviter que les comparaisons fondées sur les titres ne remplacent les preuves spécifiques aux charges de travail.

Le calendrier de MAI-Base-3 fournira un indice secondaire. Microsoft indique que le travail sur la prochaine génération a déjà commencé, ce qui suggère que MAI-Base-2 constitue également une plateforme pour un autre cycle de mise à l’échelle.

Une itération rapide renforcerait l’importance stratégique du programme interne de Microsoft. Elle montrerait que l’entreprise a construit un pipeline reproductible plutôt que d’avoir réalisé une seule exécution exceptionnelle.

Pour l’instant, Microsoft MAI-Base-2 se comprend mieux comme une étape crédible d’ingénierie dont le verdict produit reste indéterminé. L’entreprise a documenté une exécution d’entraînement massive et une méthodologie d’efficacité spécifique.

Elle n’a pas encore fourni l’accès ou les preuves indépendantes nécessaires à une victoire sur le marché. La prochaine question est simple : Microsoft permettra-t-il aux développeurs externes de tester les mêmes avantages que prédisent ses courbes de mise à l’échelle ?