MAI-Base-2 di Microsoft: 2,8 trilioni di parametri e un pre-training da 38 giorni

Microsoft AI ha comunicato di aver completato il pre-training di MAI-Base-2, un modello di base di tipo mixture of experts con 2,8 trilioni di parametri totali e 80 miliardi attivi per token. Non è ancora un prodotto che puoi usare: il modello è ora in fase di post-training. Ma il post tecnico pubblicato il 15 ottobre 2026 dal laboratorio guidato da Mustafa Suleyman dice molto su come Microsoft voglia costruire i propri modelli frontier senza dipendere da nessun altro.

Ti spiego cosa è stato dichiarato, quali numeri contano davvero e perché la notizia va letta con il giusto spirito critico.

Cos’è MAI-Base-2 e cosa ha dichiarato Microsoft

Un modello di base è la materia prima di ogni assistente AI: è il sistema addestrato sul testo e sulle immagini grezze, prima che venga rifinito per conversare, ragionare o usare strumenti. MAI-Base-2 è il successore di MAI-Base-1, che è alla base di MAI-Thinking-1, il modello annunciato da Microsoft AI a giugno 2026. Dal nome si capisce la strategia: prima il motore, poi le versioni specializzate costruite sopra.

Secondo il post ufficiale di Microsoft AI, il modello è un mixture of experts in cui, per ogni token, si attiva solo una piccola parte dei parametri: 80 miliardi su 2,8 trilioni. È la stessa logica adottata da molti modelli recenti, perché permette di avere una grande capacità senza pagare il costo di calcolo di un modello denso della stessa taglia.

Il punto più citato è l’efficienza. Microsoft sostiene che MAI-Base-2 superi tutti i modelli open weight che ha messo alla prova sui propri test interni, e stima un’efficienza di calcolo in pre-training da circa 4,2 a 12,3 volte superiore rispetto a DeepSeek-V4-Pro-Base, indicato come il miglior modello di base open weight disponibile. Rispetto a MAI-Base-1, il miglioramento dichiarato va da 6,3 a 12,7 volte.

I numeri dell’addestramento

Il lavoro è stato fatto su 16.000 GPU NVIDIA GB200 per 38 giorni, tra agosto e settembre 2026. Microsoft riporta un utilizzo medio dei FLOPs del modello (MFU) del 21% e un goodput dell’89%, cioè la quota di tempo in cui il cluster ha davvero fatto progredire l’addestramento invece di fermarsi per guasti o riavvii.

La miscela di dati conta 50 trilioni di token, con circa il 36% di token unici in più rispetto a MAI-Base-1. L’azienda precisa che tutti i token sono stati elaborati internamente e che l’addestramento non si basa sulla distillazione da altri modelli. Il crawler è proprietario e rispetta il file robots.txt, mentre vengono escluse le fonti che violano le policy di AI responsabile di Microsoft o che compaiono nella lista dei mercati notori dell’USTR.

Una novità importante è la visione. MAI-Base-2 è addestrato in modo nativo anche sulle immagini, con un’architettura senza encoder dedicato. Il corpus visivo vale 4,5 trilioni di token unici, circa il 18% della miscela se si contano le ripetizioni.

Le scelte tecniche che spiegano il salto di efficienza

La parte più interessante per chi segue l’ingegneria dei modelli è il modo in cui Microsoft descrive le scelte di addestramento. Non sono segreti industriali, ma indicano dove il laboratorio pensa di aver guadagnato terreno.

Per prima cosa, i livelli mixture of experts sono presenti in ogni strato della rete, mentre in MAI-Base-1 si alternavano a strati densi. Secondo il post, l’utilizzo dei FLOPs nei soli strati MoE sarebbe salito dal 24% al 35%, anche grazie a uno schema di instradamento a più round che non scarta token e usa una quantità fissa di memoria.

In secondo luogo, Microsoft ha adottato l’ottimizzatore Muon al posto di AdamW, dichiarando un costo di appena il 2,1% del tempo medio di ogni iterazione. In terzo luogo, ha applicato un taglio dei gradienti di attivazione in punti selezionati della rete: questo ha mantenuto le norme dei gradienti in un intervallo più stretto e, a quanto riporta l’azienda, è servito anche a scoprire un errore nella preparazione dei dati.

Vale infine la pena citare il metodo di dimensionamento. Il laboratorio ha usato quelle che chiama scaling ladder: serie di modelli piccoli addestrati con un rapporto costante tra token e parametri attivi, da cui ricavare leggi di scala per learning rate, weight decay e dropout. È un approccio che riduce il rischio di sbagliare su una corsa da migliaia di GPU, dove un errore costa settimane.

In breve: più che un’unica idea geniale, il post descrive una catena di ottimizzazioni ingegneristiche.

Cosa significa per la strategia di Microsoft

La frase che racchiude il senso dell’operazione è questa: possedere la pipeline dei modelli da un capo all’altro permette a Microsoft di offrire ai clienti qualcosa di distintivo. Per anni l’azienda ha costruito la propria offerta AI appoggiandosi in larga parte a modelli di partner esterni. Un modello di base proprietario da 2,8 trilioni di parametri è il tassello che rende credibile un’alternativa interna.

Microsoft prevede inoltre di concedere in licenza i pesi del modello a partner fidati tramite Foundry, la propria piattaforma per le imprese. Questo non lo rende open source: è un accesso controllato, pensato per clienti che vogliono lavorare sui pesi senza passare solo da un’API. Se segui il tema dell’hardware dietro questi addestramenti, ti può servire anche il nostro approfondimento su Microsoft Maia 300, il nuovo chip per l’inferenza su Azure.

Il confronto con l’open weight è un altro filo da seguire. Il metro scelto da Microsoft è DeepSeek-V4-Pro-Base, e tra i modelli citati compaiono anche Kimi K3, Qwen3.8 e MiMo-V2.6-Pro. Su questo fronte si muovono anche altri laboratori occidentali, come racconta la storia di Reflection AI e del suo primo modello a pesi aperti.

Perché serve cautela nel leggere i risultati

Tutti i confronti sono dichiarati da Microsoft stessa. Le stime di efficienza derivano da leggi di scala adattate ai dati e confrontate con un solo modello di riferimento, e il post non include verifiche indipendenti. La metrica usata è il bits per byte su testi tenuti da parte, indipendente dal tokenizer, mentre per il codice si usa la base di codice interna di Microsoft: sono scelte ragionevoli, ma non riproducibili da chi sta fuori.

C’è poi un’avvertenza tecnica che lo stesso post riconosce. Per alcuni modelli rivali erano disponibili solo i checkpoint già sottoposti a post-training, e questo può influenzare il confronto. Inoltre MAI-Base-2 è un modello di base: finché non vedremo i risultati dopo il post-training, non sapremo come si comporta come assistente, come agente o nei compiti di ragionamento.

Secondo quanto riportato da Business Insider, Suleyman avrebbe affermato che il modello ha battuto un modello di base OpenAI comparabile usando circa un quarto del calcolo, ma si tratta di test privati e non è un dato verificabile.

Come leggere questi annunci

Quando un laboratorio pubblica numeri di efficienza, conviene sempre chiedersi quale sia il termine di paragone, chi ha eseguito i test e se i dati siano accessibili. Se vuoi un metodo per farlo, la nostra guida su come leggere i benchmark dei modelli linguistici ti aiuta a distinguere un risultato solido da un annuncio promozionale.

Cosa aspettarsi adesso

Il calendario che emerge dal post è chiaro. MAI-Base-2 è in post-training, e Microsoft dichiara di aver già avviato la preparazione di MAI-Base-3. Il ritmo è quello di un laboratorio che vuole accorciare il ciclo tra una generazione e l’altra, con un nuovo modello di base ogni pochi mesi.

Per le aziende la domanda concreta sarà un’altra: quando e a che prezzo i pesi saranno disponibili tramite Foundry, e con quali garanzie su sicurezza e licenza. Su questi punti Microsoft non ha ancora fornito dettagli.

Il messaggio, per ora, è che la corsa ai modelli frontier non è più un duello a due. Microsoft vuole sedersi al tavolo con un modello costruito in casa, con dati propri e una pipeline controllata.

Conclusioni

MAI-Base-2 è un annuncio tecnico importante ma ancora incompleto: i numeri su parametri, dati e cluster sono molto concreti, mentre le prestazioni reali dopo il post-training restano da dimostrare. Se lavori con l’AI in azienda, tieni d’occhio gli aggiornamenti su Foundry e la futura disponibilità dei pesi. Seguici per i prossimi sviluppi e, nel frattempo, leggi il post originale di Microsoft AI per verificare tu stesso i dettagli.