Análisis en profundidad · Unos 5 min de lectura
MAI-Base-2: eficiencia de entrenamiento y acceso al modelo son cuestiones distintas
Microsoft explica su base de 2,8 billones de parámetros, la repetición de datos y los cambios de infraestructura; las cifras no anuncian un asistente disponible.
- Fecha de la fuente
- Publicado aquí
- Fuente revisada
Microsoft AI publicó el 15 de octubre su explicación del preentrenamiento de MAI-Base-2. Declara 2,8 billones de parámetros totales y 80.000 millones activos en una arquitectura de expertos. La novedad útil es el método y su evidencia: el modelo seguía en postentrenamiento, sin que este anuncio establezca un asistente o una suscripción de disponibilidad general.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- Microsoft declara 38 días de entrenamiento con 16.000 GPU GB200, utilización media de FLOPs del modelo del 21% y goodput del 89%; estos indicadores miden aspectos distintos.
- La eficiencia estimada es de 4,2–12,3 veces la de DeepSeek-V4-Pro-Base al igualar bits por byte en textos reservados. Es una comparación ajustada mediante curvas, no una reducción medida de la factura final.
1. Una base y un asistente tienen entregas diferentes
El preentrenamiento aprende estructura predictiva; el postentrenamiento moldea el seguimiento de instrucciones y la conducta en aplicaciones. Microsoft sitúa MAI-Base-2 entre ambas etapas. Los parámetros activos indican la computación elegida para un token, pero el total mucho mayor sigue importando para almacenar y desplegar el modelo. Ninguna cifra por sí sola determina memoria necesaria o velocidad interactiva. La publicación permite estudiar la base, sin demostrar una actualización de Copilot lista para usar.
2. Los experimentos pequeños también deben repetir datos
La escalera de tamaños mantiene constantes los tokens de entrenamiento por parámetro activo. Además, Microsoft limita los ejemplos únicos de los ensayos menores para reproducir la repetición de cada fuente. Si un conjunto se repite ocho veces en un entrenamiento de 50T tokens, el ensayo de 5T usa una décima parte y también lo repite ocho veces. Así evita elegir ajustes que solo funcionan con datos siempre nuevos. Tasa de aprendizaje y decaimiento de pesos se buscan conjuntamente, pues sus efectos están acoplados.
3. Qué demuestra la comparación de eficiencia
Bits por byte normaliza la pérdida predictiva por bytes originales, reduciendo el sesgo entre tokenizadores. Microsoft ajusta curvas de cómputo y pérdida separadas para código, preguntas y respuestas, STEM y matemáticas, incluyendo el checkpoint final. Estima cuánto cómputo haría falta para igualar la pérdida del modelo de referencia. El entrenamiento final de MAI-Base-2 consumió más FLOPs que esa referencia. Algunos otros checkpoints comparados ya estaban postentrenados. Por ello, el resultado no equivale a ahorro en dólares ni a una clasificación universal de asistentes.
4. La dispersión no elimina memoria ni comunicación
Microsoft agrupa expertos con una capacidad fija de tokens. Un experto saturado puede aprovechar capacidad libre del grupo; el exceso restante pasa a rondas adicionales en vez de descartarse. Esas rondas intercambian tiempo por memoria acotada, mientras envío, cálculo y recogida se solapan. El equipo también redistribuye el momento del optimizador para que Muon trabaje con matrices completas pese al almacenamiento repartido. Declara 165 milisegundos para el paso optimizado de Muon, el 2,1% de la iteración media: un resultado de esa implementación, no una garantía para otro clúster.
5. La calidad de los datos forma parte del resultado
Microsoft afirma que los tokens únicos crecieron alrededor del 36%, con corte de conocimiento en marzo de 2026 y procesamiento interno, sin destilación de otros modelos. El corpus de visión y lenguaje sin codificador separado contiene 4,5T tokens únicos; con repeticiones aporta el 18% de la mezcla de 50T. Tamaño único y exposición acumulada son medidas distintas. El recorte de gradientes de activación también permitió rastrear un ejemplo de código mal formado hasta un fallo de preprocesamiento. La estabilidad puede guiar reparaciones de datos, no solo aumentar su volumen.
6. Leerlo como hipótesis de ingeniería comprobables
La explicación conecta decisiones de modelado con tiempo real: una arquitectura puede ahorrar operaciones teóricas y aun tardar más por comunicación o memoria. Nuestro análisis es que sirve para diseñar experimentos, pero no basta para elegir producción por titulares. Hay que examinar cargas reproducibles, derechos sobre datos, comportamiento tras postentrenamiento y restricciones de despliegue. Mientras eso no se concrete, la futura licencia a socios debe distinguirse del acceso presente, los precios y las comparaciones de suscripciones personales.
Por qué importa
Análisis de AISubHub: la enseñanza transferible es evaluar juntos reutilización de datos, arquitectura y comunicación. Para comprar un modelo empresarial todavía hay que comprobar acceso al checkpoint postentrenado, condiciones de despliegue y evaluaciones reproducibles; la explicación del entrenamiento no resuelve esas preguntas.
Límites y disponibilidad
Las cifras pertenecen a Microsoft, no a pruebas de AISubHub. Hemos revisado el texto íntegro del blog público, no el PDF separado ni el código de sus gráficos. La intención de licenciar pesos mediante Foundry a socios de confianza no aporta un precio público de API ni derechos de suscripción personal para MAI-Base-2.
Fuentes y pruebas
Fecha de la fuente: 15 oct 2026 · Fuente revisada: 20 oct 2026
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.