2026-10-17 · Fuente：SiliconANGLE
El prototipo sin adornos, detallado el jueves por el grupo de investigación de IA de Microsoft, aún debe convertirse en un LLM terminado antes de que sus afirmaciones de eficiencia puedan medirse con la competencia de código abierto.
Dos billones de parámetros es la cifra que Microsoft quiere que se note. El grupo de investigación de IA de la compañía detalló el jueves un nuevo algoritmo, y la cifra que lo acompaña coloca a MAI-Base-2 en un territorio al que pocas organizaciones llegan. Pero la afirmación que Microsoft empareja con ese conteo es la que los compradores de cómputo deberían seguir de verdad: la compañía dice que el modelo es significativamente más eficiente que las principales alternativas de código abierto.
Hay una trampa que vale la pena subrayar. MAI-Base-2 no es un LLM terminado y desplegable. Es un modelo base: en el propio lenguaje de Microsoft, un prototipo sin adornos.
Esa distinción importa para cualquiera que pese decisiones de compra o de plataforma. Los modelos base son maquinaria en bruto: los desarrolladores los convierten en modelos de lenguaje de pleno derecho sometiéndolos a trabajos de entrenamiento posteriores, la etapa en la que un modelo adquiere el comportamiento de seguimiento de instrucciones y el pulido de grado producto. Lo que Microsoft detalló el jueves es, entonces, un artefacto en fase temprana y no un sistema que las empresas puedan poner a trabajar. Las cifras reportadas en la etapa de modelo base no se trasladan automáticamente a los LLM terminados construidos sobre ellos, lo que significa que la verdadera prueba de MAI-Base-2 llegará en los sistemas post-entrenados que surjan de él.
La afirmación de eficiencia es la parte comercialmente cargada del anuncio. Las alternativas de código abierto se han convertido en el punto de referencia por defecto para los despliegues de IA conscientes del coste, y un modelo propietario que las supere de forma significativa en eficiencia tendría implicaciones obvias para los presupuestos de entrenamiento y la economía de la inferencia. Por ahora, la afirmación es de la propia Microsoft: el grupo de investigación detalló el algoritmo, pero el reportaje no incluye verificación independiente, y las comparaciones de eficiencia entre familias de modelos a esta escala rara vez son sencillas.
La escala por sí sola ya no gana titulares en la carrera de los modelos fundacionales; la eficiencia por parámetro es donde miran cada vez más los compradores. Si un modelo base de 2 billones de parámetros puede convertir ese tamaño puro en una ventaja de eficiencia duradera —y en última instancia en LLM terminados— es la pregunta que Microsoft acaba de poner sobre la mesa.
Etiquetas: Microsoft · MAI-Base-2 · Large Language Model · Base Models · AI Research · Model Efficiency
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado