MAI-Base-2: guía esencial del modelo top de 2,8 billones

El 15 de octubre de 2026, Microsoft AI publicó discretamente un artículo técnico que revelaba más sobre sus ambiciones a largo plazo en IA que cualquier anuncio de producto de los últimos años. El tema era la finalización del preentrenamiento de un modelo llamado MAI-Base-2, y sus cifras son difíciles de ignorar si usas cualquier producto de Microsoft que funcione con IA.

Este artículo explica qué es realmente el modelo MAI-Base-2 de Microsoft, cómo funciona en términos sencillos, qué significa para los usuarios y qué sigue sin conocerse.

Índice

Qué ha creado Microsoft y por qué importan las cifras

Microsoft ha completado el preentrenamiento de MAI-Base-2, que describe como un modelo fundacional MoE con 80.000 millones de parámetros activos y 2,8 billones de parámetros totales. Para ponerlo en perspectiva: MAI-Base-2 tiene 2,8 billones de parámetros totales y 80.000 millones activos por token, mientras que su predecesor, MAI-Base-1, tenía 1 billón en total y 35.000 millones activos. Los tokens de entrenamiento también pasaron de 30 a 50 billones, y las capas, de 78 a 102.

Su arquitectura es una mezcla de expertos (Mixture of Experts, MoE). En un modelo MoE, la red se divide en cientos de «expertos» y solo se consultan unos pocos por cada token. En MAI-Base-2, solo está activo en cada momento alrededor del 2,9 % de la red. Esto importa porque mantiene los costes de inferencia bajo control incluso con una escala total enorme.

MAI-Base-2 es un modelo más grande y más disperso que MAI-Base-1, entrenado con más datos. Microsoft lo entrenó con 16.000 GPU GB200 durante 38 días entre agosto y septiembre de 2026.

La promesa de eficiencia: qué significa de verdad «entre 4 y 12 veces»

El titular del propio artículo técnico de Microsoft no habla del tamaño, sino de la eficiencia. Microsoft afirma que MAI-Base-2 supera a todos los modelos de pesos abiertos que ha probado en sus evaluaciones reservadas, y que es entre 4 y 12 veces más eficiente en FLOPs de preentrenamiento que el modelo base abierto más potente, DeepSeek-V4-Pro-Base.

Las cifras más precisas de las estimaciones de leyes de escalado de Microsoft son concretas: entre 4,2 y 12,3 veces frente a DeepSeek-V4-Pro-Base, y entre 6,3 y 12,7 veces frente a MAI-Base-1. Dicho de forma sencilla, Microsoft asegura que puede alcanzar la misma calidad de resultados gastando bastante menos capacidad de cálculo que sus competidores. Según se ha publicado, redujo la complejidad computacional del preentrenamiento a una doceava parte y aun así logró una puntuación comparable a la de DeepSeek-V4-Pro-Base.

Un matiz importante: estas afirmaciones de calidad proceden únicamente de las evaluaciones internas de Microsoft, y las cifras de eficiencia se estiman a partir de leyes de escalado ajustadas. Todavía no hay resultados de benchmarks independientes, porque el modelo MAI-Base-2 no es accesible públicamente.

Tres cosas que diferencian a MAI-Base-2

Visión nativa desde el principio

A diferencia de su predecesor, MAI-Base-2 se preentrena de forma nativa con visión mediante una arquitectura sin codificador. Su corpus de visión y lenguaje contiene 4,5 billones de tokens únicos, el 18 % de la mezcla total de entrenamiento. Abarca tareas como describir imágenes, entender gráficos, razonamiento espacial y comprensión médica. MAI-Base-1 era solo de texto, así que es un avance importante en su arquitectura.

Datos orgánicos, sin destilación

Microsoft tiene un control sólido sobre el origen de los tokens usados para entrenar el modelo. Su preentrenamiento se basa en datos orgánicos, sin destilación de otros modelos. Esto le permitirá licenciar los pesos del modelo a socios de confianza a través de Foundry. Este último punto es tanto un argumento comercial como técnico: los datos destilados pueden arrastrar las condiciones del modelo del que proceden, así que evitar la destilación despeja el camino para licenciarlo.

Control de toda la cadena

Microsoft subraya que MAI-Base-2, igual que MAI-Base-1, no se ha creado destilando otros modelos. Otra gran ventaja es que Microsoft controla toda la cadena: desde los datos de entrenamiento hasta el propio modelo y la infraestructura que lo ejecuta. Eso le permite ajustar modelos e infraestructura a la vez para lograr el mejor rendimiento al menor coste, primero en sus propios productos y después para los clientes de Foundry.

Qué significa para quienes usan la IA de Microsoft hoy

MAI-Base-2 es un modelo base, no un producto. Nadie puede usarlo todavía: Microsoft dice que sigue en fase de posentrenamiento, no da fecha de lanzamiento y no publica precio de API. Entonces, ¿por qué importa a quienes usan Copilot, Microsoft 365 o los servicios de Azure?

Usuarios de Copilot

El patrón seguido con MAI-Base-1 da pistas. MAI-Base-2 llega después de MAI-Base-1, que Microsoft anunció en junio de 2026 y sobre el que construyó MAI-Thinking-1, un modelo de razonamiento de uso general. Lo más probable es que se repita la misma secuencia: modelo base, modelo de razonamiento posentrenado e integración en productos.

Eso podría traducirse en respuestas más rápidas de Copilot en tareas habituales, generación de audio e imágenes más barata, un servicio más estable y experiencias de IA más específicas en Windows, Edge, Microsoft 365 y las herramientas para desarrolladores. Microsoft también puede ajustar modelos más pequeños o especializados para tareas predecibles sin cargar a los usuarios con el coste y la latencia de un modelo gigante de uso general.

Clientes empresariales y de Foundry

Foundry es el centro estratégico de todo esto. Microsoft quiere que elegir IA empresarial se parezca menos a escoger un modelo y más a escoger una capa operativa con gobierno de datos. Para las empresas que ya usan Azure, que el origen de los datos sea limpio importa de verdad: los modelos abiertos con los que se compara Microsoft suelen entrenarse en parte con resultados de modelos de otros laboratorios, lo que complica las licencias para las empresas más prudentes. Microsoft presenta un modelo que controla de principio a fin, junto a los modelos de OpenAI y Anthropic que ya vende a través de Foundry.

Si ejecutas flujos o agentes a través de Microsoft Foundry, cuando llegue una versión posentrenada derivada de MAI-Base-2 probablemente se añadirá al catálogo junto a las opciones actuales. Y como sus datos de entrenamiento son orgánicos y están totalmente controlados, las empresas con requisitos estrictos de gobierno de datos podrían usarla sin la ambigüedad de licencias que afecta a algunas alternativas de pesos abiertos.

Si quieres ver cómo encajan los servicios de IA de Microsoft en el día a día de una pequeña empresa, consulta nuestra guía de Microsoft 365 Copilot para pequeñas empresas (en inglés).

Desarrolladores y creadores de IA

MAI-Thinking-1, el modelo de razonamiento de Microsoft AI construido sobre MAI-Base-1, ya está en vista previa pública en Foundry. Eso adelanta el camino: cuando termine el posentrenamiento de MAI-Base-2, es probable que llegue por el mismo canal un MAI-Thinking-2 o un modelo de razonamiento equivalente. Si trabajas sobre Azure, lo sensato es vigilar los modelos MAI posentrenados en Foundry, no el modelo base.

Cómo encaja MAI-Base-2 en la carrera de la IA

El modelo que Microsoft eligió como referencia de eficiencia, DeepSeek-V4-Pro-Base, no es casual. El artículo técnico también cita Kimi K3, Qwen3.8-2.4T-A95B y MiMo-V2.6-Pro-RL como modelos de pesos abiertos de la comparativa. Todos son modelos abiertos punteros, y Microsoft no solo dice ser más grande que ellos: asegura ser más eficiente para alcanzar la misma calidad.

También forma parte de un claro movimiento estratégico para depender menos de proveedores externos. La relación entre Microsoft y OpenAI se ha tensado, ya que Microsoft busca reducir su dependencia de OpenAI, entre otras cosas desarrollando sus propios modelos. La consecuencia práctica para los departamentos de TI no es que OpenAI quede apartada, sino que Microsoft puede elegir cada vez más el modelo, el precio, el alojamiento y el origen de los datos adecuados para cada carga de trabajo en lugar de depender de un único proveedor.

Si quieres ver cómo se comparan otros grandes modelos de razonamiento de la competencia, nuestro análisis de Reflection AI Beam repasa en detalle otro modelo abierto de más de 500.000 millones de parámetros.

Lo que todavía no sabemos

Hay mucho que Microsoft no ha contado. El artículo técnico no da fecha de lanzamiento para un modelo posentrenado basado en MAI-Base-2, ni precio o condiciones de licencia en Foundry, ni el coste económico del entrenamiento. Faltan los resultados del posentrenamiento y los benchmarks que importan a los desarrolladores (programación, agentes, matemáticas, uso del ordenador), además de la fecha de llegada a Foundry, el precio y cualquier forma de probar el modelo.

Las cifras de rendimiento también proceden exclusivamente de las evaluaciones de Microsoft. Ningún organismo independiente ha verificado la eficiencia de entre 4 y 12 veces ni la afirmación de que MAI-Base-2 supera a todos los modelos de pesos abiertos. Hasta que termine el posentrenamiento y se publique un modelo accesible, son datos autodeclarados.

En cuanto al hardware, conviene recordar que Microsoft anunció el 12 de octubre que GitHub Copilot y Foundry seguirán a Microsoft Copilot en su acelerador propio Maia 200 «antes de final de año», y que el siguiente chip, Maia 300, empezará a desplegarse en producción en 2027. MAI-Base-2 y la hoja de ruta de chips Maia van convergiendo, lo que significa que la inferencia de los futuros clientes de Copilot y Foundry funcionará cada vez más sobre chips de Microsoft, no solo de NVIDIA.

Qué hacer ahora

Si usas Copilot o Microsoft 365, hoy no cambia nada. MAI-Base-2 está en posentrenamiento y sin fecha de lanzamiento. Es la base de la próxima generación de modelos, de la que Microsoft dice que compartirá más detalles pronto. Mientras MAI-Base-2 pasa por el posentrenamiento, ya se prepara MAI-Base-3. El ritmo de iteración se está acelerando.

Si eres una empresa que evalúa proveedores de IA, el argumento del origen de los datos es real y conviene tenerlo en cuenta en las compras. Un modelo entrenado con datos orgánicos y sin destilación tiene una cadena de licencias más limpia que muchas alternativas de pesos abiertos, y Microsoft lo está incorporando de forma explícita a su estrategia de licencias en Foundry.

Si desarrollas sobre Azure o Foundry, sigue el catálogo de modelos MAI más que los anuncios de modelos base. Las versiones de producto (el equivalente a lo que MAI-Thinking-1 fue para MAI-Base-1) son las que podrás usar de verdad. Para entender cómo evolucionan los estándares de IA con agentes, en Azure y fuera de él, consulta nuestro análisis de Personal Agent Protocol frente a MCP.

El modelo MAI-Base-2 de Microsoft no es un producto que puedas abrir hoy en una pestaña del navegador. Pero es la señal más clara hasta ahora de que Microsoft está construyendo una pila de IA propia que quiere controlar desde los datos de entrenamiento hasta el chip de inferencia, y de que todas las herramientas de su ecosistema, de Copilot a Foundry, acabarán funcionando sobre ella.

Microsoft crea el mayor modelo de IA del mundo: qué suponen los 2,8 billones de parámetros de MAI-Base-2 (2026)