Microsoft a terminé le préentraînement de MAI-Base-2, annonce le laboratoire le 15 octobre 2026. Cette nouvelle étape pose une question industrielle autant que scientifique : comment construire une IA plus capable sans laisser exploser les ressources nécessaires à son apprentissage ?
L’intérêt de cette annonce dépasse le nombre de paramètres. Pour comprendre sa portée, il faut regarder ce que le modèle mobilise à chaque étape, la manière dont ses performances sont mesurées et le chemin qui sépare encore une base préentraînée d’un produit utilisable.
Un grand modèle qui n’active qu’une partie de ses paramètres
Microsoft décrit MAI-Base-2 comme un modèle Mixture of Experts, ou MoE, de 2 800 milliards de paramètres, dont 80 milliards actifs par token. Il intègre aussi la vision.
Les paramètres sont les valeurs ajustées pendant l’apprentissage. Dans une architecture MoE, certaines parties du réseau, appelées experts, sont sollicitées de façon sélective. Le modèle dispose ainsi d’une grande capacité totale tout en ne mobilisant qu’une fraction de ses composants pour traiter chaque élément d’entrée.
Cette idée est bien établie : les travaux sur les Switch Transformers, publiés dans le Journal of Machine Learning Research en 2022, expliquent comment la sélection d’experts permet d’augmenter la capacité sans activer systématiquement l’ensemble du réseau.
La distinction entre paramètres totaux et actifs est donc essentielle. Le premier chiffre décrit l’ampleur du modèle ; le second éclaire une partie du travail effectué lors du traitement. Aucun ne résume, à lui seul, la mémoire nécessaire, la vitesse de réponse ou la qualité obtenue.
Du modèle de base à l’assistant
MAI-Base-2 est en cours de post-entraînement, précise l’annonce. Cette étape vient après l’apprentissage général et vise notamment à adapter le comportement du modèle aux usages attendus.
Microsoft avait déjà présenté cette articulation avec MAI-Thinking-1, son modèle de raisonnement issu de MAI-Base-1. La page, actualisée en août 2026, décrit le travail sur les environnements de code, les récompenses et les préférences humaines.
Ces étapes répondent à des questions différentes. Apprendre à représenter des régularités dans les données constitue une fondation. Répondre à une consigne, choisir un outil, vérifier un résultat ou reconnaître une limite demande ensuite un comportement adapté. C’est cette seconde dimension que les utilisateurs jugeront au quotidien.
Comment lire le gain d’efficacité annoncé
Microsoft estime sa recette 4,2 à 12,3 fois plus efficace en FLOPs pour atteindre le niveau de DeepSeek-V4-Pro-Base sur quatre évaluations internes. Le laboratoire rapporte les meilleurs BPB du panel. Ce calcul s’appuie sur des lois d’échelle ajustées, avec le résultat final de MAI-Base-2 inclus. Les comparaisons portent sur des versions disponibles avant octobre 2026, certaines déjà post-entraînées. La note technique précise ce périmètre.
Les FLOPs comptent des opérations de calcul. Un gain mesuré dans cette unité renseigne sur une efficacité algorithmique ; sa traduction en durée ou en facture dépend du matériel, des communications entre machines et des conditions d’exploitation.
Une recette plus efficace peut d’ailleurs servir à viser un modèle plus ambitieux avec davantage de calcul. Il faut donc distinguer deux décisions : réduire les moyens pour atteindre un niveau donné, ou employer les moyens disponibles pour aller plus loin.
Les bits par octet évaluent une aptitude précise
La comparaison utilise les bits par octet, ou BPB. Cette mesure exprime l’erreur de prédiction du texte sur une base commune, même lorsque les modèles découpent les chaînes de caractères en tokens différents. Plus la valeur est faible, meilleure est la prédiction sur le corpus évalué.
Le travail SpaceByte emploie ce principe pour comparer des modèles opérant sur des octets ou des sous-mots. C’est un outil utile pour étudier la modélisation du langage.
Pour apprécier un assistant, il faudra aussi examiner d’autres résultats : la résolution d’une tâche complète, la fidélité aux documents fournis, l’usage correct d’outils ou la stabilité des réponses. Un indicateur de préentraînement peut soutenir une hypothèse de progrès ; la validation du produit demande des essais correspondant à son usage.
L’efficacité se joue aussi entre les machines
L’entraînement a mobilisé 16 000 GPU GB200 pendant 38 jours, en août et septembre 2026, selon Microsoft.
À cette échelle, une architecture doit aussi fonctionner comme un système distribué. Les recherches sur les Switch Transformers identifiaient déjà les communications et l’instabilité de l’entraînement parmi les difficultés des MoE. Répartir le travail entre experts impose de faire circuler les données et de gérer les déséquilibres de charge.
Microsoft emploie aussi l’optimiseur Muon. L’optimiseur est l’algorithme qui guide la mise à jour des paramètres. Les travaux de 2025 sur Muon illustrent comment cette brique peut influencer l’efficacité d’apprentissage et pourquoi sa mise en œuvre distribuée mérite une attention propre.
L’enjeu industriel consiste à faire progresser ces éléments ensemble. Un meilleur calcul théorique perd de son intérêt si les accélérateurs attendent leurs données. Inversement, une organisation plus fluide du travail peut rendre exploitable une architecture jusque-là trop coûteuse à faire tourner.
La provenance des données devient un argument commercial
Microsoft revendique un préentraînement sans distillation d’autres modèles et prévoit de licencier ses poids à des partenaires de confiance via Foundry.
La distillation consiste à apprendre à partir des productions d’un autre modèle. S’en passer dans une recette d’entraînement renseigne sur le choix de développement. Cela ne constitue pas, à lui seul, un inventaire public du corpus ni une vérification indépendante de chaque donnée.
Pour un client, la valeur de la provenance dépendra des éléments consultables : origine des ensembles, règles de traitement, documentation et engagements contractuels. De même, une licence accordée à certains partenaires doit être examinée selon ses droits précis d’utilisation, de modification et de déploiement.
Les entreprises attendront la preuve par les usages
La documentation actuelle de MAI-Thinking-1 dans Foundry décrit un modèle en préversion, avec ses conditions d’accès. Elle donne un exemple concret de la différence entre une présentation scientifique et une offre exploitable. Ces conditions concernent ce modèle existant ; elles ne définissent pas celles de MAI-Base-2.
Pour juger la prochaine génération, les critères utiles seront très concrets : quels résultats sur des tâches françaises représentatives, quelle latence, quel coût par travail accompli, et quel contrôle sur les données et les déploiements ?
MAI-Base-2 donne de la substance à la capacité de Microsoft à construire ses propres fondations. La prochaine démonstration attendue portera sur leur transformation en services dont les gains se vérifient dans les usages. C’est à cet endroit que l’efficacité d’entraînement pourra devenir un avantage pour les clients.
Références
- Microsoft AI, « Frontier Pre-training at Microsoft AI », 15 octobre 2026.
- Microsoft AI, présentation de MAI-Thinking-1, page actualisée le 12 août 2026, contexte historique.
- Fedus, Zoph et Shazeer, « Switch Transformers », JMLR, 2022, architecture MoE.
- Slagle, « SpaceByte », 2024, comparaison en bits par octet.
- Liu et al., « Muon is Scalable for LLM Training », 2025, optimisation de l’entraînement.
- Microsoft Learn, MAI-Thinking-1 dans Foundry, documentation consultée le 15 octobre 2026.
