2026-11-04 · Fonte：SiliconANGLE
O protótipo sem enfeites, detalhado na quinta-feira pelo grupo de pesquisa em IA da Microsoft, ainda precisa virar um LLM acabado antes que suas reivindicações de eficiência enfrentem a concorrência de código aberto.
Dois trilhões de parâmetros é o número que a Microsoft quer ver notado. O grupo de pesquisa em IA da empresa detalhou um novo algoritmo na quinta-feira, e a cifra a ele associada coloca o MAI-Base-2 em território que poucas organizações alcançam. Mas a reivindicação que a Microsoft emparelha com essa contagem é a que os compradores de computação devem de fato acompanhar: a empresa diz que o modelo é significativamente mais eficiente do que as principais alternativas de código aberto.
Há uma ressalva que vale sublinhar. O MAI-Base-2 não é um LLM acabado e implantável. É um modelo-base — no próprio enquadramento da Microsoft, um protótipo sem enfeites.
Essa distinção importa para quem pesa decisões de compra ou de plataforma. Modelos-base são maquinário bruto: os desenvolvedores os transformam em modelos de linguagem de grande porte completos submetendo-os a trabalhos de treinamento subsequentes, a etapa em que um modelo adquire comportamento de seguir instruções e o polimento de nível de produto. O que a Microsoft detalhou na quinta-feira, portanto, é um artefato em estágio inicial, e não um sistema que as empresas possam colocar para trabalhar. Números reportados no estágio de modelo-base não carregam automaticamente para os LLMs acabados construídos sobre eles, o que significa que o verdadeiro teste do MAI-Base-2 chegará nos sistemas pós-treinados que dele emergirem.
A reivindicação de eficiência é a parte comercialmente carregada do anúncio. As alternativas de código aberto se tornaram o ponto de referência padrão para implantações de IA conscientes de custo, e um modelo proprietário que as supere de forma significativa em eficiência teria implicações óbvias para orçamentos de treinamento e economia de inferência. Por enquanto, a reivindicação é da própria Microsoft — o grupo de pesquisa detalhou o algoritmo, mas a reportagem não inclui verificação independente, e comparações de eficiência entre famílias de modelos nessa escala raramente são simples.
Escala sozinha não ganha mais manchetes na corrida dos modelos de fundação; eficiência por parâmetro é onde os compradores olham cada vez mais. Se um modelo-base de 2 trilhões de parâmetros consegue converter esse tamanho puro em uma vantagem de eficiência durável — e, no fim, em LLMs acabados — é a pergunta que a Microsoft agora colocou sobre a mesa.
Tags: Microsoft · MAI-Base-2 · Large Language Model · Base Models · AI Research · Model Efficiency
萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado