Microsoft revela MAI-Base-2, MoE 2,8T supera rivais

Introdução

MAI-Base-2 chega como um modelo MoE com 2,8 trilhões de parâmetros totais e 80 bilhões ativos por token, superando todos os rivais de peso aberto nas avaliações internas da Microsoft. Lançado em 15 de outubro de 2026, ele representa o novo patamar dos modelos base abertos e será disponibilizado para parceiros via Foundry. (microsoft.ai)

O anúncio não é apenas sobre tamanho. A equipe relata ganhos de 4 a 12 vezes em eficiência de FLOPs na receita de pré-treinamento, quando comparada ao DeepSeek-V4-Pro-Base, o principal checkpoint base aberto acima de 1 trilhão de parâmetros. Esse salto foi alcançado com ciência de escala, coengenharia entre modelo e infraestrutura e um pipeline de dados ampliado, incluindo visão. (microsoft.ai)

O que este artigo vai abordar, na prática, é o que muda com o MAI-Base-2, como a arquitetura MoE foi refinada, quais decisões de engenharia importam para custo e desempenho, as implicações para empresas que pretendem licenciar e implantar via Microsoft Foundry e como isso reposiciona o cenário frente a concorrentes de código aberto como DeepSeek. (microsoft.ai)

O que é o MAI-Base-2 e por que importa

O MAI-Base-2 é um modelo base do tipo Mixture-of-Experts. A versão atual tem 2,8 trilhões de parâmetros totais, mas apenas 80 bilhões são ativados por token durante a inferência, característica típica de MoE que viabiliza escalar a capacidade sem multiplicar custo por consulta na mesma proporção. Segundo a Microsoft, o modelo superou todos os checkpoints de pesos abertos avaliados em bits-per-byte em conjuntos de teste de texto, código, STEM, matemática e Q&A de terceiros e decontaminados. (microsoft.ai)

Há três pilares por trás do avanço. Primeiro, ciência de escala com “ladders” que mantêm receita fixa enquanto variam camadas, permitindo extrapolar com segurança o desempenho em escalas maiores. Segundo, co-design modelo, infraestrutura e runtime, com novos implementos de MoE e técnicas como clipping de gradiente de ativações. Terceiro, um pipeline de dados ampliado com integração de visão e governança de proveniência. Esses elementos, combinados, explicam por que a equipe reporta de 4,2 a 12,3 vezes mais eficiência de FLOPs do que a receita de referência e por que MAI-Base-2 melhora substancialmente em relação ao MAI-Base-1, lançado em junho de 2026. (microsoft.ai)

Do ponto de vista de produto, a Microsoft antecipa licenciar pesos para parceiros confiáveis via Foundry. Para empresas, isso significa acesso a um modelo de ponta com trilhões de parâmetros, mas dentro de um pacote operacional, com SDKs, telemetria e guardrails de nível corporativo na plataforma Foundry. (microsoft.ai)

Como a Microsoft chegou ao desempenho, o papel das “scaling ladders”

As scaling ladders organizam famílias de modelos que compartilham uma mesma receita de treino. Em vez de otimizar hiperparâmetros ad hoc por tamanho, a equipe fixa tokens por parâmetro ativo e usa uma técnica chamada source scaling para controlar repetições de dados nos estágios menores. Com isso, resultados em pequena escala transferem melhor para a escala total, reduzindo o risco de overfitting de escolhas que não sustentam no topo. O artigo descreve fórmulas resultantes, como a relação entre o produto learning rate vezes weight decay e o número de passos, além de um escalonamento de dropout em função de parâmetros ativos. (microsoft.ai)

Na prática, essa abordagem dá previsibilidade. Em vez de apostar em um único pré-treinamento massivo, a equipe sobe a “escada” com checkpoints intermediários, modela leis de escala por avaliação e estima quanto compute seria necessário para igualar um baseline externo forte, no caso o DeepSeek-V4-Pro-Base. A comparação resultou nos ganhos de FLOPs-eficiência citados acima. Para quem constrói modelos internos, a lição é direta, padronizar receita, medir em rungs e modelar as curvas antes de queimar meses de GPU. (microsoft.ai)

Coengenharia com infraestrutura, Blackwell e NVLink, por que isso reduz custo efetivo

O artigo enfatiza medir eficiência por tempo de parede e por FLOPs, usando uma métrica de ganho de eficiência que orienta decisões entre protótipos e a infraestrutura real. MAI-Base-2 foi treinado em 16 mil GPUs GB200, durante 38 dias entre agosto e setembro de 2026, com MFU médio de 21 por cento e goodput de 89 por cento. A normalização de MFU considera 2,5 petaFLOPS BF16 teóricos por GPU. (microsoft.ai)

O ecossistema GB200 NVL72 da NVIDIA conecta até 72 GPUs Blackwell por domínio NVLink, entregando banda agregada de comunicação GPU a GPU em escala de data center. A própria NVIDIA detalha a arquitetura Blackwell com 5 petaFLOPS densos por GPU em FP16 ou BF16, além de interconexão NVLink de geração recente, projetada para reduzir gargalos de treinamento de modelos gigantes. Para quem opera clusters, essa combinação de hardware e runtime é o que permite transformar ganhos de FLOPs-eficiência em ganhos reais de custo por token treinado. (nvidia.com)

O que muda no MoE, da roteirização ao “dropless MoE” com memória fixa

Uma das maiores dores do MoE em escala é desbalanceamento de carga entre experts, que provoca fragmentação de memória e, em casos extremos, OOM. A Microsoft relata dois gargalos específicos no MAI-Base-1, roteamento dinâmico que fragmentava memória e overhead per-expert em granularidade fina. No MAI-Base-2, a implementação de MoE foi reprojetada, com um esquema de múltiplas rodadas e capacidade fixa por expert, eliminando quedas de tokens e mantendo uso estável de memória mesmo em cenários de desequilíbrio. O resultado prático foi elevar MFU das camadas MoE de 24 para 35 por cento e habilitar MoE em todas as camadas do modelo. (microsoft.ai)

Essa abordagem de dropless MoE, com grupos de experts e recomputação de gradientes no backward por grupo, permite configurar capacidade em função do perfil de tráfego de tokens. Em regimes estáveis, a maior parte dos batches roda em uma única rodada, preservando throughput. Para times de plataforma, a conclusão é simples, implementar MoE sem queda de tokens e com uso previsível de memória vale mais para custo do que sofisticar demais a política de roteamento. (microsoft.ai)

Dados e avaliações, decontaminação e métricas agnósticas de tokenizador

Comparar modelos base exige métrica que não dependa do tokenizador. Por isso, a equipe usa bits-per-byte como métrica principal para texto, além de avaliações específicas para código, STEM, matemática e Q&A com fornecedores externos e conjuntos de teste decontaminados. A nota metodológica cita explicitamente que só foram comparados checkpoints de pré-treinamento disponíveis até outubro de 2026, destacando DeepSeek-V4-Pro-Base como o mais forte entre pesos abertos, além de Kimi K3, Qwen3.8-2.4T-A95B e MiMo-V2.6-Pro-RL, embora apenas com checkpoints pós-treinados no caso destes. (microsoft.ai)

Sobre DeepSeek, há documentação pública que descreve a série V4 como MoE, com cerca de 1,6 trilhão de parâmetros totais e aproximadamente 49 bilhões ativos por token no modo Pro. Isso reforça a relevância da comparação da Microsoft, já que o baseline aberto é de fato massivo. (huggingface.co)

No pipeline de dados, o texto ressalta maior cobertura de conteúdo da web, integração multimodal e corte de conhecimento em março de 2026. Para clientes, isso indica um modelo mais atualizado do que a média dos abertos, porém com janela temporal explicitada. Em ambientes regulados, transparência sobre cutoff, proveniência e decontaminação facilita due diligence de risco e uso responsável. (microsoft.ai)

Do laboratório à produção, Foundry como plano de entrega e governança

A Microsoft indica que controla o pipeline de ponta a ponta, do dado ao runtime, e que vai licenciar pesos do MAI-Base-2 a parceiros confiáveis por meio do Foundry. Na prática, Foundry unifica agentes, modelos e ferramentas com recursos de observabilidade, avaliações, segurança e SDKs em Python, C Sharp, JavaScript e Java. Documentação pública descreve Foundry como a camada que consolida serviços anteriores do Azure AI em uma plataforma única e preparada para o enterprise. (microsoft.ai)

Do ponto de vista de licenciamento e operação, termos de produto e FAQs de licenciamento da Microsoft detalham como o tipo de implantação impacta processamento de dados e como acordos cobrem recursos como grounding com Bing em Foundry. Para equipes jurídicas e de compliance, esses documentos são a referência sobre onde rodam dados sensíveis e quais obrigações contratuais se aplicam ao usar modelos do catálogo Foundry. (microsoft.com)

Aplicações práticas e caminhos de adoção

Ao avaliar o MAI-Base-2 para uso corporativo, faz sentido dividir o roadmap em três etapas.

• Validação técnica. Prove o valor em tarefas que se beneficiam de modelos base fortes, geração estruturada, síntese de documentos, agentes com ferramentas e cenários de raciocínio programático. Use comparações lado a lado com modelos abertos fortes, inclusive DeepSeek V4 Pro, para medir ganhos práticos de custo e qualidade. Contextualize as métricas de pré-treinamento, BPB e eficiência de FLOPs com KPIs de produto, precisão, latência, custo por ação e taxa de intervenção humana. (huggingface.co)
• Governança e risco. Atraente para setores regulados é a ênfase da Microsoft em proveniência de dados de treino e decontaminação de avaliações. Para auditorias, documente o cutoff de março de 2026 e os aspectos de licenciamento, incluindo a via Foundry e os termos relevantes. (microsoft.ai)
• Operação e otimização. Explore coengenharia de prompts, ferramentas, cache e memória de contexto com a infraestrutura disponível. Se sua organização usa clusters NVIDIA com Blackwell e NVLink, alinhe tuning e orquestração pensando em throughput e goodput, não apenas em FLOPs teóricos. O guia oficial da NVIDIA sobre NVL72 e o resumo técnico do Blackwell ajudam a dimensionar limites físicos, topologias e custos. (nvidia.com)

Reflexões e insights estratégicos

• Eficiência domina. O marketing costuma exibir contagens de parâmetros, mas o diferencial relatado aqui é FLOPs-eficiência em receita de pré-treinamento. Em um mercado onde o gasto de GPU é o principal item de P e L dos times de IA, escalar com menos FLOPs por ponto de perda é a métrica que efetivamente compra mais capacidade com o mesmo orçamento. (microsoft.ai)
• MoE sem quedas. O dropless MoE com uso de memória estável reduz variância operacional. Em produção, menos picos de uso significam menos desperdício ou crashes, logo menor TCO. É um insight replicável por equipes que desenvolvem MoEs internos, independentemente do tamanho alvo. (microsoft.ai)
• Plataforma importa. Ao casar modelo, runtime e plataforma de entrega, a Microsoft cria um funil de adoção mais previsível. Para empresas, Foundry significa menos acoplamento a integrações caseiras e mais controle sobre observabilidade, segurança e upgrades, um fator crítico quando o ritmo de versões acelera. (learn.microsoft.com)

Conclusão

MAI-Base-2 não é apenas um aumento de parâmetros, é um pacote de engenharia de ponta a ponta, desde as scaling ladders e leis de escala de hiperparâmetros até a implementação prática de MoE e a orquestração sobre hardware Blackwell. O resultado, pelos dados divulgados, é um modelo base que supera concorrentes abertos nos testes internos, com ganhos de eficiência que fazem diferença no CAPEX e no OPEX de quem treina e serve modelos em produção. (microsoft.ai)

Para equipes técnicas e de negócio, o movimento sinaliza que o jogo competitivo entre modelos de código aberto, proprietários e “open weights” não será decidido apenas por tamanho bruto. A disputa de 2026 entrou na fase da eficiência, do co-design com infraestrutura e da entrega com governança. MAI-Base-2 eleva o sarrafo e, se os resultados de pós-treinamento confirmarem a tendência, deve se tornar referência para workloads corporativos via Foundry. (microsoft.ai)