Microsoft conclui pré-treinamento do MAI-Base-2, modelo próprio de 2,8 trilhões de parâmetros

A Microsoft anunciou em 15 de outubro a conclusão do pré-treinamento do MAI-Base-2, seu modelo de fundação próprio, com 2,8 trilhões de parâmetros totais e 80 bilhões ativos. Segundo a Microsoft AI, o treinamento levou 38 dias em 16 mil GPUs Nvidia GB200, entre agosto e setembro de 2026, com uma mistura de 50 trilhões de tokens. O modelo ainda passa pela etapa de post-training e não tem data de lançamento.

O anúncio importa porque a Microsoft é hoje a maior vitrine comercial dos modelos da OpenAI: é a tecnologia da parceira que roda no Copilot, no Office e em boa parte dos serviços de IA do Azure. Com o MAI-Base-2, a empresa sinaliza que está construindo tecnologia de fronteira própria, e não apenas revendendo a de terceiros.

O que a Microsoft diz sobre o MAI-Base-2

O MAI-Base-2 é um modelo mixture-of-experts, arquitetura em que só uma fração dos parâmetros é acionada a cada consulta. É o que explica a distância entre os 2,8 trilhões totais e os 80 bilhões ativos: na prática, o custo de inferência fica mais próximo do segundo número do que do primeiro.

A empresa afirma que o modelo foi pré-treinado nativamente com visão, em uma arquitetura sem encoder separado. Segundo a divulgação, o corpus de visão e linguagem tem 4,5 trilhões de tokens únicos e, com repetição, respondeu por 18% da mistura de treinamento — o equivalente a cerca de 9 trilhões de tokens dos 50 trilhões totais. O corte de conhecimento dos dados da web vai até março de 2026. A Microsoft também diz que o pré-treinamento usou dados orgânicos, sem destilação de outros modelos.

Nas comparações divulgadas pela própria empresa, a Microsoft afirma que o MAI-Base-2 teve desempenho melhor que todos os demais modelos que testou em avaliações held-out, isto é, conjuntos separados do treinamento. A métrica é bits-por-byte, em que valores menores indicam melhor desempenho, e a empresa relata vantagem em texto, código, STEM, matemática e perguntas e respostas.

A Microsoft também afirma ter sido de 4,2 a 12,3 vezes mais eficiente em FLOPs de pré-treinamento que o DeepSeek-V4-Pro-Base, que ela descreve como o modelo base de pesos abertos mais capaz, em quatro avaliações. A comparação incluiu ainda Kimi K3, Qwen3.8-2.4T-A95B e MiMo-V2.6-Pro-RL.

Há uma ressalva, e ela vem da própria divulgação: para os modelos concorrentes só havia checkpoints já pós-treinados disponíveis, o que, segundo a empresa, pode ter afetado os resultados. São números autorreportados, sem auditoria independente.

Eficiência de infraestrutura

Dois indicadores interessam a quem acompanha custo de treinamento. A Microsoft reporta utilização média de FLOPs do modelo (MFU) de 21%, medida de quanto da capacidade bruta das GPUs virou trabalho útil, e goodput de 89%, a fração do tempo em que o treinamento efetivamente avançou sem falhas ou reinícios.

Entre as mudanças técnicas citadas, a empresa menciona a adoção do otimizador Muon no lugar do AdamW: depois das otimizações, ele passou a responder por 2,1% do tempo médio de cada iteração de treinamento, ou 165 milissegundos. A Microsoft relata ainda ganho de eficiência nas camadas MoE, de 24% para 35% de MFU, o que permitiu usar MoE em todas as camadas.

O que muda para quem usa Azure e Copilot no Brasil

Nada muda agora. O MAI-Base-2 está em post-training, a etapa em que o modelo ganha comportamento de assistente, e não há data de lançamento anunciada.

O plano declarado é licenciar os pesos a parceiros de confiança pelo Foundry, a plataforma de modelos da empresa. A Microsoft diz ter "forte rastreabilidade de origem" sobre os tokens que entram no treinamento. Nenhum parceiro foi divulgado.

Para empresas brasileiras que já rodam Copilot e Azure, a leitura é de médio prazo: um modelo próprio dá à Microsoft mais margem para definir preço e capacidade sem depender de um único fornecedor externo. Isso tende a ampliar a oferta de modelos dentro do mesmo contrato, o que reduz o esforço de migração, mas também concentra mais da pilha de IA em um só fornecedor. Em gestão de risco de fornecedor, é o tipo de mudança que costuma levar as áreas de tecnologia a reler as cláusulas de modelo de seus contratos.

A possibilidade de licenciar pesos é o ponto a acompanhar. Se confirmada, abriria caminho para rodar o modelo em ambientes mais controlados, cenário que interessa a bancos, saúde e setor público, onde a exigência de manter dados em infraestrutura própria costuma travar projetos.

O que acompanhar a partir daqui

O próximo marco é o fim do post-training e a definição de como o modelo chega ao mercado: dentro dos produtos da Microsoft, na API do Foundry ou licenciado a parceiros. Até que haja verificação de terceiros, os números de desempenho seguem sendo o que a empresa diz sobre o próprio produto.