Microsoft termina el preentrenamiento de MAI-Base-2 y mantiene el modelo en preparación
La compañía describe una arquitectura con 2,8 billones de parámetros totales y 80.000 millones activos; sus comparaciones de eficiencia son resultados propios, no una prueba pública de uso.
Por qué confiar en Pulso Diario
Ilustración editorial original
Un modelo base aprende patrones antes de recibir el ajuste que lo convierte en asistente. Por eso el cierre del preentrenamiento es un hito técnico distinto de abrir un producto a usuarios o publicar una tarifa por consulta.
Qué se ha entrenado
Microsoft comunicó el 15 de octubre que MAI-Base-2 usa una mezcla de expertos: dispone de 2,8 billones de parámetros, pero activa 80.000 millones en su procesamiento. El entrenamiento se realizó durante 38 días de agosto y septiembre con 16.000 GPU GB200, según la empresa. El número total describe la arquitectura y no equivale al cálculo realizado en cada respuesta.
Fuentes: [1] Microsoft AI · Frontier Pre-training at Microsoft AI, informe técnico completo
Qué mide la mejora anunciada
La comparación utiliza bits por byte sobre datos reservados para evaluar predicción de texto y código. Microsoft estima una ventaja de entre 4,2 y 12,3 veces en eficiencia de operaciones de preentrenamiento respecto a DeepSeek-V4-Pro-Base, mediante curvas de escalado. No es una medición de velocidad de un chat, ni acredita una reducción equivalente de precio, consumo eléctrico o coste final para el cliente.
Fuentes: [1] Microsoft AI · Frontier Pre-training at Microsoft AI, informe técnico completo
Cuándo podría utilizarse
El modelo sigue en posentrenamiento. Microsoft plantea licenciar pesos a socios de confianza mediante Foundry y utilizar primero sus modelos en productos propios. El anuncio no abre acceso general a MAI-Base-2 ni fija fecha o precio público para contratarlo. La procedencia de datos sin destilación y las mejoras de evaluación son afirmaciones del desarrollador, pendientes de contraste externo.
Fuentes: [1] Microsoft AI · Frontier Pre-training at Microsoft AI, informe técnico completo
Ilustración editorial original
La eficiencia de MAI-Base-2 debe probarse en la tarea que va a pagar el cliente
Una receta de entrenamiento mejor puede reforzar la competencia, pero el comprador necesita medir calidad, latencia y coste de sus tareas. El informe ofrece detalles para discutir la ingeniería; no permite trasladar una ventaja en bits por byte directamente a cualquier proceso de negocio.
Opinión de Pulso Diario · elaborada a partir de los hechos y fuentes citadosFuentes y límites de verificación
La especificación y los resultados proceden de Microsoft y no se presentan como evaluación independiente. No se asignan disponibilidad, API, licencia abierta o precio que la comunicación no confirma.
Fuentes: [1] Microsoft AI · Frontier Pre-training at Microsoft AI, informe técnico completo
Comentarios · ¿qué duda te queda?
¿Qué dato te ayudaría a entender mejor esta noticia? Comparte tu pregunta o señala un posible error con su fuente. Usaremos las dudas para orientar nuevas explicaciones, sin prometer una respuesta individual.
Los comentarios se revisan antes de publicarse. Respeta a los demás, aporta argumentos y evita publicidad o datos personales. Puedes eliminar tus propios comentarios.
Google se cargará al pulsar. Privacidad.
Has accedido con Google.
Más en Inteligencia artificial
Claude amplía su marca de agua textual a tres modelos: qué permite detectar y qué no
Claude abre hilos temporales para agilizar conversaciones largas sin reducir los tokens facturados
La historia viral de Claude Code y 17.342 fotos: qué revisar en tu iPhone
OpenAI presenta LifeVal para evaluar la ayuda de la IA en tareas cotidianas
IA cuántica: la carrera por calcular lo que hoy se nos resiste
Gemini tiene diez consejos para la próxima década: el primero empieza por tu cuerpo
Karpathy se hartó de YouTube: así creó HackerTube con IA en unas dos horas
Los nuevos proyectos de pago de Gemini API guardan solicitudes por defecto: cómo controlar el registro
Sheets añade las fuentes web de las respuestas generadas con Gemini a cada celda
«Brain fry»: cuando supervisar la IA se convierte en otra carga de trabajo
AlphaFold y las curas con IA: qué está demostrado y qué falta
