Microsoft MAI-Base-2 desafia a DeepSeek com alegação de eficiência de treinamento 4 a 12 vezes maior

O Microsoft MAI-Base-2 concluiu o pré-treinamento com 2,8 trilhões de parâmetros totais, ativando 80 bilhões de parâmetros para cada token. A Microsoft afirma que sua receita de treinamento é de 4,2 a 12,3 vezes mais eficiente em FLOPs do que a DeepSeek-V4-Pro-Base em quatro avaliações reservadas.

Essa comparação dá à Microsoft uma manchete impactante, mas não estabelece que o MAI-Base-2 seja o melhor assistente finalizado. O modelo continua em pós-treinamento, não possui endpoint público e carece de resultados de benchmarks independentes. A Microsoft calculou a faixa de eficiência com curvas de escalonamento ajustadas, e não com duas execuções de treinamento equivalentes.

Ainda assim, o anúncio marca uma mudança importante na estratégia de IA da Microsoft. A empresa não está mais descrevendo um experimento interno ou apenas encapsulando modelos fornecidos por outro laboratório. Ela está apresentando a arquitetura, o pipeline de dados e a infraestrutura em larga escala por trás de um modelo de fronteira desenvolvido internamente.

A DeepSeek é a principal referência porque seu checkpoint base de pesos abertos oferece à Microsoft uma referência externa visível. A comparação também expõe a principal tensão da história. A Microsoft quer que o mercado avalie sua receita de treinamento agora, antes que os desenvolvedores possam avaliar o produto resultante.

Microsoft MAI-Base-2 é uma execução de treinamento concluída, não um lançamento de produto

A Microsoft concluiu uma execução de pré-treinamento excepcionalmente grande, mas não lançou um modelo finalizado que os clientes possam testar.

A Microsoft divulgou o MAI-Base-2 em 15 de outubro de 2026, por meio de um detalhado relatório de pré-treinamento. A empresa o descreve como um modelo de mistura de especialistas, ou MoE, que direciona cada token por um subconjunto limitado de grupos especializados de parâmetros.

O modelo contém 2,8 trilhões de parâmetros totais e ativa 80 bilhões para cada token. Esse design esparso permite à Microsoft aumentar a capacidade geral sem utilizar todos os parâmetros durante cada passagem direta.

A Microsoft treinou o modelo em 16.000 GPUs Nvidia GB200 durante 38 dias, entre agosto e setembro de 2026. Ela informou uma utilização média de FLOPs do modelo de 21% e um goodput de 89%.

A utilização de FLOPs do modelo mede quanto da capacidade teórica do processador contribui para a computação de treinamento reportada. O goodput mede a parcela do tempo decorrido em que o treinamento realmente avança. Esses números descrevem partes diferentes da eficiência do sistema.

A Microsoft normalizou seu número de utilização em relação a 2,5 petaflops de desempenho denso BF16 por GPU. Ela excluiu operações de otimizador e rematerialização do cálculo de FLOPs reportado. Essas escolhas importam ao comparar números de utilização entre laboratórios.

O hardware subjacente pertence à plataforma Blackwell em escala de rack da Nvidia. As especificações publicadas da GB200 mostram como domínios de GPU fortemente interconectados dão suporte a grandes cargas de trabalho de treinamento e inferência.

A Microsoft afirma que o pós-treinamento está agora em andamento. Essa etapa posterior normalmente molda o seguimento de instruções, o comportamento de raciocínio, os controles de segurança e a qualidade da interação depois que o modelo base aprende padrões estatísticos gerais.

A distinção evita uma interpretação equivocada comum do anúncio. A Microsoft não lançou um chatbot, checkpoint para download ou API de uso geral baseado no MAI-Base-2. Ela publicou evidências sobre a base por trás desses possíveis produtos.

Essa base também inclui treinamento visual nativo. A Microsoft utilizou uma arquitetura visão-linguagem sem codificador, o que significa que as informações de imagem entram no modelo sem um codificador de imagem pré-treinado separado atuando como interface principal.

A empresa informa um corpus de visão-linguagem contendo 4,5 trilhões de tokens únicos. Com dados repetidos incluídos, o material visual representou 18% da mistura de treinamento de 50 trilhões de tokens do modelo.

A Microsoft afirma que o corpus mais amplo cresceu aproximadamente 36% em tokens únicos em comparação com o MAI-Base-1. Seus dados da web têm um corte de conhecimento de março de 2026.

Esses detalhes fazem do MAI-Base-2 mais do que um anúncio de contagem de parâmetros. A Microsoft está documentando um sistema de treinamento completo que abrange seleção de dados, entradas multimodais, roteamento do modelo, otimização e utilização de GPU.

No entanto, as evidências disponíveis param na fronteira do pré-treinamento. Os desenvolvedores ainda não podem medir qualidade das respostas, latência, confiabilidade ou requisitos de implantação. Os compradores empresariais ainda não podem comparar o comportamento operacional com os modelos Foundry disponíveis.

Portanto, o evento imediato é preciso. A Microsoft concluiu o pré-treinamento e revelou como a execução funcionou. O lançamento comercial e voltado ao usuário ainda está por vir.

Por que a alegação de eficiência do Microsoft MAI-Base-2 importa

A alegação de eficiência importa porque a Microsoft argumenta que melhores métodos de treinamento, e não apenas a contagem de parâmetros, justificam seu programa em expansão de modelos desenvolvidos internamente.

A Microsoft afirma que sua receita exige entre 4,2 e 12,3 vezes menos FLOPs de treinamento para alcançar a perda da DeepSeek-V4-Pro-Base em quatro avaliações selecionadas. FLOPs medem operações de ponto flutuante, uma aproximação comum para o trabalho computacional.

Essa afirmação é mais restrita do que dizer que a Microsoft gastou um doze avos do valor no MAI-Base-2. A empresa reconhece que seu modelo final utilizou substancialmente mais computação de treinamento do que o checkpoint da DeepSeek.

Em vez disso, a Microsoft propõe uma pergunta hipotética. Quanta computação um modelo que usasse a receita da Microsoft precisaria para igualar a pontuação de bits por byte da DeepSeek?

Bits por byte, ou BPB, mede quão eficientemente um modelo prevê dados reservados sem depender de seu tokenizador. Um BPB menor indica melhor compressão preditiva no material testado.

A Microsoft ajustou curvas de escalonamento separadas para dados de código, ciência, matemática e perguntas e respostas. Em seguida, localizou o ponto de computação em que cada curva igualava a DeepSeek-V4-Pro-Base.

As proporções resultantes formam a faixa de 4,2 a 12,3. A Microsoft afirma que esses pontos de equivalência ficam dentro de sua escala de escalonamento observada, reduzindo os riscos associados a projetar muito além dos experimentos medidos.

Esse método oferece mais informações do que comparar perdas finais sem considerar a computação. Ele tenta separar a contribuição da receita de treinamento do efeito de simplesmente construir um modelo maior.

No entanto, continua sendo uma estimativa baseada em modelo, construída a partir da estrutura de avaliação da Microsoft. Não é uma reprodução direta da execução da DeepSeek usando hardware, dados, software e regras de contabilização idênticos.

As avaliações também medem a qualidade de previsão do modelo base. Elas não medem diretamente o seguimento de instruções, o uso de ferramentas, a confiabilidade factual, a segurança ou a experiência de operar uma aplicação empresarial.

Essa distinção é crucial para compradores. Uma receita pode produzir melhor perda por unidade de computação de treinamento e ainda assim resultar em um produto com latência inconveniente ou desempenho inconsistente em tarefas.

A Microsoft também informa uma melhoria de eficiência em FLOPs de 6,3 a 12,7 vezes em relação ao MAI-Base-1. Essa comparação interna fornece uma segunda referência, embora ainda dependa dos métodos e das avaliações selecionadas pela Microsoft.

A empresa afirma que reinvestiu esses ganhos de eficiência em uma execução de treinamento maior. Essa escolha revela o objetivo estratégico. A Microsoft está usando eficiência para expandir capacidade dentro de um orçamento computacional, não apenas para reduzir o consumo total de recursos.

Essa abordagem também explica por que o anúncio se concentra na engenharia de pré-treinamento. A Microsoft precisa mostrar que consegue transformar repetidamente mudanças de infraestrutura e pesquisa em melhor comportamento de escalonamento.

O tamanho do modelo reforça essa mensagem. Apenas 80 bilhões de seus 2,8 trilhões de parâmetros são ativados para cada token, de modo que a capacidade total e a computação por token seguem trajetórias diferentes.

Ainda assim, a contagem de parâmetros ativos não se traduz diretamente em custo de inferência. Movimentação de memória, comunicação entre especialistas, processamento em lote, comprimento de contexto, precisão e software de serviço influenciam o desempenho real de implantação.

A cifra de 4,2 a 12,3 é, portanto, significativa, mas limitada. Ela sustenta a alegação da Microsoft de que sua receita melhorou. Não resolve qual modelo é mais barato, rápido ou útil em produção.

A verdadeira disputa é a receita de treinamento da Microsoft contra a referência aberta da DeepSeek

A Microsoft escolheu a DeepSeek como adversária porque um checkpoint base acessível oferece uma referência mais clara do que o assistente de produção fechado de outra empresa.

A DeepSeek-V4-Pro-Base contém 1,6 trilhão de parâmetros totais e ativa 49 bilhões, de acordo com seus materiais públicos do modelo. Sua disponibilidade torna o escrutínio arquitetural e de avaliação mais prático do que comparações com modelos base inacessíveis.

A Microsoft chama a DeepSeek-V4-Pro-Base de o mais forte modelo base de pesos abertos disponível. Ela também afirma que esse era o único checkpoint base lançado com mais de um trilhão de parâmetros quando a Microsoft elaborou sua comparação.

Isso não torna a comparação perfeitamente simétrica. O MAI-Base-2 tem mais parâmetros totais e ativos, consumiu mais computação e utilizou o corpus privado de treinamento da Microsoft.

Os modelos também refletem posições estratégicas diferentes. A DeepSeek disponibiliza pesos que pesquisadores e operadores podem inspecionar ou implantar sob seus termos. A Microsoft não ofereceu acesso público equivalente ao MAI-Base-2.

A Microsoft afirma que, eventualmente, planeja licenciar pesos para parceiros confiáveis por meio do Foundry. Esse caminho colocaria o acesso dentro de uma relação comercial gerenciada, em vez de um lançamento irrestrito de pesos abertos.

O atual catálogo do Foundry já apresenta modelos da Microsoft, OpenAI, Anthropic, DeepSeek, Meta, Mistral e outros provedores. Um modelo de fronteira interno daria à Microsoft outra alavanca dentro desse catálogo diversificado.

A comparação com a DeepSeek, portanto, serve a dois propósitos. Ela dá à Microsoft uma referência técnica exigente e sustenta uma alegação mais ampla sobre controlar seu próprio pipeline de modelos.

A Microsoft já pode distribuir modelos de terceiros por meio de sua plataforma de nuvem. O que lhe falta sem um programa interno de modelos de fronteira é controle total sobre dados de treinamento, decisões arquiteturais, cronograma de lançamento e otimização específica do modelo.

O MAI-Base-2 aborda essa dependência no nível fundamental. A Microsoft afirma que processou internamente todos os tokens de treinamento e evitou destilação de outros modelos.

Essa alegação importa porque a destilação de modelos pode transferir comportamento de um professor mais forte para um sistema menor ou mais novo. A Microsoft quer que seu progresso seja atribuído ao próprio pipeline de dados e otimização.

A empresa também afirma que examinou as fontes de acordo com suas políticas de IA responsável e excluiu sites que aparecem na lista de mercados notórios do Representante Comercial dos Estados Unidos. Esses controles reforçam sua proposta de procedência de dados para clientes empresariais.

Ainda assim, a procedência continua difícil de ser auditada por observadores externos sem uma divulgação mais completa do corpus. A Microsoft fornece princípios, descrições de processamento e números agregados, em vez de um inventário completo das fontes de treinamento.

A DeepSeek enfrenta suas próprias limitações de verificação. Os pesos públicos permitem uma avaliação mais ampla, mas não expõem todas as decisões por trás da construção do conjunto de dados ou da contabilização de infraestrutura.

Consequentemente, a disputa não é uma corrida limpa de laboratório. Ela compara duas organizações que utilizam diferentes configurações de hardware, conjuntos de dados, arquiteturas, práticas de divulgação e estratégias de distribuição.

A vantagem da Microsoft está na infraestrutura integrada e no alcance junto aos clientes. O checkpoint aberto da DeepSeek oferece aos desenvolvedores independentes um modelo que eles já podem inspecionar e testar.

O MAI-Base-2 ainda não pode reivindicar essa vantagem prática. Até que o acesso seja ampliado, as evidências mais sólidas da Microsoft dizem respeito ao processo de treinamento, e não à utilidade real do modelo.

Como a Microsoft Tornou o Treinamento MoE em Todas as Camadas Mais Prático

A Microsoft afirma que os maiores ganhos vieram de tratar a arquitetura do modelo e a infraestrutura como um único problema de otimização.

O MAI-Base-1 usava camadas MoE com menos frequência porque a implementação anterior da Microsoft gerava uma sobrecarga excessiva de tempo de execução. A computação esparsa parecia eficiente em teoria, mas nem sempre se traduzia em treinamento mais rápido.

No MAI-Base-2, a Microsoft colocou a computação MoE em todas as camadas do transformer. A empresa afirma que a utilização de suas camadas MoE aumentou de 24% para 35% após resolver ineficiências de roteamento e memória.

O roteamento dinâmico de especialistas cria cargas de trabalho desiguais porque tokens diferentes selecionam especialistas diferentes. Picos raros podem sobrecarregar um especialista enquanto deixam capacidade ociosa em outras partes.

Uma solução simples atribui a cada especialista um limite fixo de tokens e descarta as atribuições excedentes. A Microsoft afirma que seus experimentos mostraram que descartar esses tokens degradava a qualidade do modelo.

Alocar memória suficiente para o pior desequilíbrio possível evita o descarte de tokens, mas desperdiça memória nas etapas típicas. Esse desperdício pode aumentar a recomputação ou limitar tamanhos de lote úteis.

Em vez disso, a Microsoft desenvolveu um sistema sem descarte de tokens, com alocação previsível de memória. A implementação busca acomodar o desequilíbrio de roteamento sem reservar memória para todos os casos extremos.

A empresa também reduziu a sobrecarga associada a muitos especialistas pequenos. Grupos menores de especialistas podem melhorar a granularidade do roteamento, mas criam mais custos de comunicação e lançamento de kernels.

Essas mudanças se conectam diretamente à tese de eficiência. Uma arquitetura esparsa oferece pouco benefício prático se comunicação, fragmentação de memória ou hardware ocioso consumirem as economias teóricas.

A Microsoft avaliou as mudanças com duas métricas relacionadas. A eficiência de FLOPs mede o trabalho computacional necessário para atingir uma perda-alvo. A eficiência de tempo mede quanto a mesma melhoria leva no sistema real.

Uma técnica pode melhorar a primeira métrica e piorar a segunda. A Microsoft afirma que essas divergências identificam onde o trabalho de infraestrutura é necessário antes que um ganho arquitetural se torne útil em escala.

A equipe de treinamento também usou varreduras conjuntas de taxa de aprendizado e weight decay. Esses hiperparâmetros interagem, portanto otimizá-los de forma independente pode selecionar uma combinação que apresenta desempenho ruim em uma execução de grande porte.

Escadas de escalonamento forneceram outra camada de controle. A Microsoft executou experimentos menores em diferentes escalas de modelo, dados e fontes antes de prever o comportamento do modelo maior.

O escalonamento de fontes foi particularmente importante. Uma receita de treinamento que parece forte em uma combinação restrita de dados pode se tornar sub-regularizada à medida que aumentam o número e a diversidade das fontes.

A Microsoft afirma que incorporar essa variação ajudou seus experimentos menores a prever o desempenho final do MAI-Base-2. O resultado final foi incluído nos ajustes de curva publicados usados para a comparação com a DeepSeek.

O modelo também usa Muon, um otimizador que aplica atualizações orientadas a matrizes em parâmetros selecionados. Otimizadores determinam como o treinamento ajusta os pesos em resposta aos erros calculados.

O Muon atraiu interesse em projetos de modelos grandes porque pode melhorar a convergência de parâmetros com formato matricial. A Microsoft afirma que combinou o trabalho de implementação do Muon com clipping de gradiente de ativação para estabilizar o treinamento.

O clipping de gradiente de ativação limita sinais de gradiente excepcionalmente grandes que surgem em torno de ativações intermediárias. A Microsoft apresenta a técnica como parte do sistema que manteve estável a execução de treinamento muito grande.

Nenhum desses componentes representa um único truque decisivo. A melhoria relatada vem de mudanças acumuladas em dados, roteamento, memória, otimização e previsão experimental.

Isso torna o resultado mais difícil de os concorrentes copiarem a partir de uma descrição técnica curta. Também dificulta a atribuição independente porque agentes externos não podem reproduzir toda a stack da Microsoft.

A interpretação mais confiável é, portanto, sistêmica. A Microsoft construiu um pipeline de treinamento mais eficiente ao reduzir as perdas entre o benefício teórico de um algoritmo e seu comportamento em milhares de GPUs.

O Que os Números do MAI-Base-2 Ainda Não Mostram

A Microsoft publicou evidências substanciais de engenharia, mas as principais alegações de desempenho continuam sendo relatadas pela própria empresa e permanecem incompletas.

A primeira limitação diz respeito à responsabilidade pela avaliação. A Microsoft contratou fornecedores externos para alguns conjuntos reservados de ciência, matemática e perguntas e respostas, enquanto usou sua própria base de código para a avaliação de código.

A empresa afirma ter descontaminado todos os conjuntos de avaliação em relação aos seus dados de treinamento. Essa é uma salvaguarda importante porque a sobreposição pode fazer um modelo parecer mais forte sem medir uma generalização genuína.

No entanto, a Microsoft não divulgou os dados completos de avaliação, os modelos ajustados nem o pacote de reprodução. Portanto, pesquisadores independentes não podem recriar integralmente o intervalo de eficiência de 4,2 a 12,3.

O resultado final do MAI-Base-2 também participa dos ajustes de escalonamento. A Microsoft afirma que os pontos de equivalência estimados permanecem dentro do intervalo ajustado, o que é melhor do que uma extrapolação distante.

Ainda assim, o método estima a eficiência da receita em vez de medir diretamente uma competição idêntica. Diferenças na seleção de tokens, precisão, contabilização de FLOPs e construção de checkpoints podem afetar a proporção.

A segunda limitação é o escopo dos benchmarks. BPB em texto reservado mede a qualidade preditiva antes do pós-treinamento. Ele não responde se um modelo concluído segue instruções complexas ou usa ferramentas de forma confiável.

Um modelo-base com perda menor pode fornecer um ponto de partida mais forte. As decisões de pós-treinamento ainda podem remodelar seus pontos fortes, fraquezas e comportamento de segurança visíveis.

O anterior modelo de raciocínio da Microsoft, MAI-Thinking-1, foi pós-treinado a partir do MAI-Base-1. O MAI-Base-2 exigirá suas próprias evidências posteriores antes que os leitores possam conectar ganhos de pré-treinamento ao desempenho de raciocínio.

A terceira limitação é a disponibilidade do produto. Nenhuma API pública, checkpoint para download, perfil de latência ou guia de implantação permite que desenvolvedores validem o anúncio.

A Microsoft também não especificou quando o modelo pós-treinado chegará aos clientes. Seu plano de licenciar pesos para parceiros confiáveis do Foundry não traz detalhes públicos de elegibilidade.

Essa lacuna deixa o valor empresarial sem medição. Os clientes precisam saber como um modelo se comporta com sistemas de recuperação, agentes, dados privados, controles de governança e tráfego contínuo de produção.

A quarta limitação diz respeito à inferência. A eficiência de FLOPs de treinamento não equivale à eficiência de serving, pois os modelos MoE precisam armazenar e coordenar um conjunto de parâmetros muito maior do que aquele que ativam.

O roteamento de 80 bilhões de parâmetros ativos ainda pode exigir capacidade substancial de memória e largura de banda de interconexão. O custo real depende de quantização, batching, comprimento de contexto, hardware e do software de serving da Microsoft.

A quinta limitação é a ausência de comparação ampla por terceiros. A Microsoft relata BPB menor do que o de todos os modelos de pesos abertos que testou, mas esses resultados vêm do próprio ambiente de avaliação da Microsoft.

Benchmarks independentes podem confirmar a classificação, reduzi-la ou revelar áreas em que outro modelo tem melhor desempenho. Cada resultado mudaria como os leitores interpretam a manchete sobre eficiência.

A conclusão cautelosa não é que os números não tenham valor. A Microsoft divulgou metodologia suficiente para tornar a alegação analisável, e não puramente promocional.

Os números mostram que a Microsoft acredita que sua receita escala eficientemente em tarefas selecionadas de pré-treinamento. Eles não provam que o MAI-Base-2 seja o melhor modelo para desenvolvedores, empresas ou usuários finais.

Três Sinais Determinarão se o MAI-Base-2 Muda o Mercado

A próxima etapa depende de resultados independentes, termos concretos de acesso e evidências de que a eficiência do pré-treinamento resiste ao contato com cargas de trabalho de produção.

O primeiro sinal é o pacote de avaliação do modelo pós-treinado. A Microsoft precisa publicar resultados para raciocínio, programação, compreensão multimodal, seguimento de instruções, uso de ferramentas, factualidade e segurança.

Esses testes devem incluir benchmarks públicos comparáveis e configurações detalhadas de avaliação. O acesso independente fortaleceria ainda mais as evidências ao permitir que pesquisadores reproduzam resultados em diferentes frameworks de teste.

Pontuações fortes de pós-treinamento sustentariam o argumento da Microsoft de que uma perda preditiva menor criou uma base melhor. Resultados fracos ou irregulares mostrariam que a eficiência de pré-treinamento não gerou automaticamente um assistente líder.

O segundo sinal é a disponibilidade real no Foundry. A Microsoft afirmou que planeja licenciar pesos para parceiros confiáveis, mas os desenvolvedores ainda precisam de datas, regras de acesso, formatos de implantação e requisitos operacionais.

Uma prévia restrita com um pequeno grupo de parceiros validaria apenas uma usabilidade limitada. Acesso mais amplo, documentação clara e endpoints estáveis transformariam o anúncio de pesquisa em uma opção comercial.

O acesso aos pesos será especialmente revelador. Ele determina se os parceiros podem personalizar profundamente as implantações ou se devem depender de serviços controlados pela Microsoft.

A comparação com a DeepSeek se torna mais significativa nesse ponto. Os pesos-base da DeepSeek já fornecem às equipes externas um objeto direto para testar, modificar e implantar nos termos aplicáveis.

Se a Microsoft fornecer acesso prático aos pesos, reduzirá essa lacuna enquanto adiciona as vantagens de governança e integração de sua plataforma de nuvem. Se o acesso continuar restrito, a DeepSeek manterá uma vantagem substancial de abertura.

O terceiro sinal é a eficiência em produção. A Microsoft precisa mostrar se o MAI-Base-2 pode oferecer latência, throughput, confiabilidade e utilização de hardware competitivos após o pós-treinamento.

A eficiência de treinamento, por si só, não resolve essas questões. Um modelo MoE pode reduzir a aritmética por token enquanto introduz restrições de comunicação, armazenamento e roteamento durante a inferência.

As cargas de trabalho dos clientes também testarão o modelo além de benchmarks controlados. Documentos longos, entradas mistas de imagem e texto, chamadas repetidas de ferramentas e alta concorrência podem revelar gargalos que o BPB não consegue prever.

As equipes que avaliam o modelo devem preservar notas de versão, definições de benchmarks, testes internos e observações de implantação em uma base de conhecimento técnico pesquisável. Esse registro ajuda a evitar que comparações de manchete substituam evidências específicas da carga de trabalho.

O cronograma do MAI-Base-3 fornecerá uma pista secundária. A Microsoft afirma que o trabalho na próxima geração já começou, sugerindo que o MAI-Base-2 também é uma plataforma para outro ciclo de escalonamento.

Uma iteração rápida reforçaria a importância estratégica do programa interno da Microsoft. Isso mostraria que a empresa construiu um pipeline repetível, em vez de concluir uma única execução excepcional.

Por enquanto, o Microsoft MAI-Base-2 é mais bem compreendido como um marco de engenharia crível com um veredito de produto ainda em aberto. A empresa documentou uma execução massiva de treinamento e uma metodologia específica de eficiência.

Ela ainda não forneceu o acesso ou as evidências independentes necessários para uma vitória no mercado. A próxima pergunta é simples: a Microsoft permitirá que desenvolvedores externos testem as mesmas vantagens que suas curvas de escalonamento preveem?