Le 15 octobre 2026, Microsoft AI a annoncé l'achèvement du pré-entraînement de MAI-Base-2, son nouveau modèle de fondation. Avec 2 800 milliards de paramètres totaux en architecture MoE (Mixture of Experts), MAI-Base-2 est la base sur laquelle s'appuieront les prochains modèles applicatifs de Microsoft — à commencer par un successeur à MAI-Thinking-1, dont nous avions couvert le lancement en juin.
L'annonce est significative à plusieurs titres. Elle confirme que Microsoft construit désormais ses propres modèles frontier de bout en bout, sans dépendre exclusivement d'OpenAI. Elle s'accompagne d'une revendication d'efficacité importante face à DeepSeek-V4-Pro-Base, le modèle open-weight le plus performant du moment. Et elle précise que l'accès se fera via Microsoft Foundry, le canal d'accès entreprise de Microsoft AI.
Cet article décortique ce que l'on sait avec certitude, ce qui reste à prouver, et ce que cela signifie concrètement pour les organisations qui construisent sur Azure ou évaluent les alternatives à GPT.
Architecture : MoE, 2 800 milliards de paramètres et 80 Md actifs
MAI-Base-2 est un modèle Mixture of Experts (MoE) : au lieu d'activer l'ensemble de ses paramètres à chaque inférence, il ne mobilise qu'une fraction — en l'occurrence 80 milliards de paramètres actifs sur 2 800 milliards au total.
Cette architecture explique la discordance apparente entre la taille annoncée et la charge de calcul réelle. Un modèle MoE de 2 800 milliards de paramètres ne coûte pas 35 fois plus qu'un modèle dense de 80 milliards à l'inférence : les experts sont routés dynamiquement, et seul un sous-ensemble est sollicité par token. C'est la même logique que Beam de Reflection AI (501 Md totaux, 23 Md actifs) ou que Muse Spark Open de Meta (816 Md totaux).
Ce que cela signifie pour une équipe qui envisage de déployer MAI-Base-2 via Foundry :
- Le coût d'inférence sera calé sur les 80 Md de paramètres actifs, pas sur 2 800 Md.
- La capacité de raisonnement dépend de la qualité du routage et de la spécialisation des experts, pas uniquement du nombre brut de paramètres.
- La comparaison directe avec un modèle dense comme GPT-4 ou Claude n'est pas triviale : deux architectures différentes, deux profils de performance distincts selon les tâches.
Un point à noter : Mustafa Suleyman a mentionné « 3 billions de paramètres » dans un post sur les réseaux sociaux, tandis que la documentation technique officielle donne 2 800 milliards. Ce type d'écart est courant entre la communication marketing et les specs techniques — la référence à retenir est le post officiel sur microsoft.ai.
Un pré-entraînement à grande échelle : 16 000 GB200, 38 jours, 50 Md Md de tokens
Le pré-entraînement de MAI-Base-2 a duré 38 jours, d'août à septembre 2026, mobilisant 16 000 GPU Nvidia GB200 NVL72. Le corpus d'entraînement atteint 50 billions de tokens (50 × 1012), dont environ 18 % de données liées aux images — ce qui donne au modèle une composante multimodale dès sa base.
Ces chiffres permettent de situer MAI-Base-2 dans le paysage :
- Durée courte pour la taille : 38 jours sur 16 000 GB200 est un run extrêmement rapide pour un modèle de cette envergure. À titre de comparaison, les grands runs GPT-4 auraient nécessité plusieurs mois sur des configurations moins denses. Cela reflète l'avancement des GPU GB200 (architecture Blackwell de Nvidia) et de l'infrastructure NVL72.
- Corpus dense : 50 billions de tokens est dans la fourchette haute des runs récents pour des modèles frontier. Llama 4 Scout, par exemple, a été entraîné sur ~40 billions de tokens.
- Post-entraînement en cours : Microsoft précise que MAI-Base-2 est encore en phase de post-entraînement (alignement, RLHF, instruction tuning). Aucune date de disponibilité n'est communiquée.
Pour les équipes qui planifient leurs déploiements IA à l'horizon 2027, cela signifie que les modèles applicatifs issus de MAI-Base-2 (MAI-Thinking-2, MAI-Code-2, etc.) ne seront pas disponibles avant plusieurs mois au minimum. Les décisions de stack pour des projets sur mesure peuvent donc s'appuyer sur l'offre existante de Microsoft sans attendre cette nouvelle génération.
La revendication 4 à 12× face à DeepSeek : que sait-on vraiment ?
C'est la donnée la plus reprise dans la presse spécialisée : Microsoft revendique une efficacité de calcul 4,2 à 12,3 fois supérieure à celle de DeepSeek-V4-Pro-Base lors du pré-entraînement — et 6,3 à 12,7 fois supérieure à MAI-Base-1.
Ce que cela mesure réellement
Cette métrique concerne l'efficacité de pré-entraînement : à budget de calcul équivalent (FLOPs), quelle est la qualité du modèle produit ? Microsoft estime avoir obtenu un modèle de meilleure qualité que DeepSeek-V4-Pro-Base en dépensant 4 à 12 fois moins de FLOPs pour atteindre les mêmes performances sur les benchmarks retenus.
Les limites importantes à retenir
- Estimations internes non vérifiées indépendamment : aucune publication peer-reviewed, aucune reproduction externe n'a confirmé ces chiffres à la date de rédaction.
- Benchmarks choisis par l'éditeur : les 4 à 12× s'appliquent sur des benchmarks que Microsoft a retenus — des benchmarks différents pourraient donner des résultats différents.
- Comparaison modèle non disponible : MAI-Base-2 est encore en post-entraînement. Les communautés d'évaluation (Artificial Analysis, LMSys) n'ont pas encore pu le tester.
Ce qu'on peut en retenir sans extrapoler
Si ces chiffres se confirment, ils signalent que Microsoft a développé des techniques de recipe d'entraînement significativement plus efficaces que DeepSeek en termes de FLOPs. C'est notable dans un contexte où DeepSeek était précisément vantée pour son efficacité d'entraînement (DeepSeek-V3 avait été entraîné pour ~6 millions de dollars, un record à l'époque). Une telle progression, si elle est validée, indiquerait que la course au pré-entraînement efficace va s'intensifier et que les coûts de construction de modèles frontier vont continuer à baisser — ce que Epoch AI documentait déjà dans son rapport publié cette semaine.
Accès via Foundry : ce que cela signifie concrètement
Microsoft précise que MAI-Base-2 sera disponible via Microsoft Foundry — son service d'accès aux modèles de fondation pour les partenaires et entreprises de confiance (trusted partners). Aucun tarif, aucune date précise, aucune liste de partenaires éligibles n'a été communiquée.
Foundry vs. Azure AI Studio : quelle différence ?
Foundry est un canal d'accès plus sélectif qu'Azure AI Studio. Là où AI Studio propose les modèles déjà affinés (MAI-Thinking-1, MAI-Code-1-Flash…) à l'ensemble des clients Azure, Foundry donne accès aux poids bruts ou à des versions semi-affinées pour des cas d'usage spécifiques (fine-tuning poussé, déploiement on-premises, intégration dans des environnements réglementés). C'est typiquement l'offre qui intéresse les grandes entreprises, les acteurs des secteurs réglementés (banque, santé, défense) et les éditeurs de logiciels qui veulent intégrer un LLM directement dans leur produit.
Ce que cela change — ou pas — pour une PME/ETI
Pour une organisation qui utilise aujourd'hui Azure OpenAI ou les modèles MAI via AI Studio, rien ne change à court terme. MAI-Base-2 alimentera des modèles applicatifs futurs (type MAI-Thinking-2) qui seront proposés dans les interfaces habituelles. L'accès direct à la base via Foundry restera probablement réservé aux partenaires Microsoft de premier plan ou aux projets d'envergure. Pour des projets de automatisation métier ou d'outils internes sur mesure, les modèles déjà disponibles aujourd'hui (MAI-Thinking-1, GPT-4o, Claude Sonnet) restent la voie d'accès naturelle.
Dans la stratégie Microsoft : vers l'indépendance vis-à-vis d'OpenAI
MAI-Base-2 s'inscrit dans un mouvement de fond : Microsoft construit sa propre chaîne complète de modèles IA, de la base à l'application, sans dépendre exclusivement d'OpenAI. Ce virage s'est accéléré depuis le rachat de l'équipe Inflection par Mustafa Suleyman en 2024 et la création de Microsoft AI comme division distincte.
La chronologie est parlante :
- Juin 2026 : lancement de MAI-Thinking-1 et MAI-Code-1-Flash (basés sur MAI-Base-1) dans GitHub Copilot Enterprise.
- Septembre 2026 : annonce de Maia 300, la puce IA interne de Microsoft fabriquée par TSMC.
- Octobre 2026 : achèvement du pré-entraînement de MAI-Base-2, première base frontier développée intégralement par Microsoft AI.
Ce que cela signifie pour les entreprises qui font confiance à l'écosystème Microsoft : la dépendance vis-à-vis d'OpenAI dans les produits Microsoft va progressivement diminuer. Ce n'est pas une rupture immédiate — les modèles OpenAI restent disponibles dans Azure — mais la direction est claire. À moyen terme, cela peut simplifier les questions de gouvernance des modèles pour les entreprises qui trouvent la relation tripartite Microsoft / OpenAI / client complexe à gérer.
Implications pour les projets IA en cours
La multiplication des modèles frontier propriétaires — Microsoft, Meta, Google, Mistral, Anthropic — renforce une tendance déjà documentée : les coûts d'inférence continuent de baisser, et la qualité des modèles de milieu de gamme (type MAI-Code-1, Claude Haiku, Gemini Flash) rattrape progressivement les modèles flagship de l'année précédente. Pour une organisation qui construit des outils internes ou des agents automatisés, cela plaide pour une architecture agnostique au modèle : ne pas se lier à un fournisseur unique, mais concevoir des pipelines capables de router vers le modèle le plus adapté à chaque tâche. C'est l'approche que nous recommandons pour nos projets de développement d'outils internes sur mesure.
Pour aller plus loin sur l'évaluation des modèles disponibles sur Azure et les alternatives souveraines, n'hésitez pas à nous contacter directement.
FAQ — Microsoft clôt le pré-entraînement de MAI-Base-2 : 2 800 milliards de paramètres MoE sur 16 000 GPU GB200 — efficacité 4 à 12× face à DeepSeek revendiquée, accès Foundry prévu
Quelle est la différence entre MAI-Base-2 et MAI-Thinking-1 ?
MAI-Base-1 est le modèle de fondation (pré-entraîné mais non affiné) sur lequel MAI-Thinking-1 et MAI-Code-1-Flash ont été construits. MAI-Base-2 est la génération suivante de cette base, avec 2 800 milliards de paramètres MoE contre des paramètres nettement inférieurs pour MAI-Base-1. Les futurs modèles applicatifs de Microsoft (MAI-Thinking-2, etc.) s'appuieront sur MAI-Base-2 une fois le post-entraînement terminé.
MAI-Base-2 sera-t-il accessible aux entreprises via Azure AI Studio ?
Pas directement. Microsoft prévoit un accès via Foundry, son canal pour les partenaires de confiance — probablement les grandes entreprises et éditeurs. Pour une PME ou ETI, l'accès se fera indirectement via les futurs modèles applicatifs (MAI-Thinking-2, etc.) qui seront proposés dans Azure AI Studio et GitHub Copilot, comme pour les générations précédentes. Aucun calendrier ni tarif n'est confirmé à ce stade.
Comment interpréter la revendication d'efficacité 4 à 12× face à DeepSeek ?
Cette revendication porte sur l'efficacité de pré-entraînement : Microsoft affirme avoir produit un modèle de qualité équivalente ou supérieure à DeepSeek-V4-Pro-Base en utilisant 4,2 à 12,3 fois moins de FLOPs de calcul. Ce sont des estimations internes non vérifiées indépendamment. Elles doivent être prises comme un signal de direction — Microsoft progresse nettement sur l'efficacité d'entraînement — mais pas comme une certitude de performance applicative supérieure sur tous les cas d'usage.
Quand MAI-Base-2 sera-t-il disponible pour les entreprises ?
Aucune date n'est communiquée. Microsoft indique que MAI-Base-2 est encore en post-entraînement (alignement, RLHF). Le cycle habituel entre la fin du pré-entraînement et une disponibilité large est de six mois à un an pour des modèles de cette envergure. Les premières applications basées sur MAI-Base-2 ne sont pas attendues avant courant 2027.
Faut-il revoir sa stratégie Azure en attendant MAI-Base-2 ?
Non. MAI-Base-2 est encore en développement et son accès sera d'abord limité aux partenaires Foundry. Pour des projets IA en cours ou à lancer en 2026-2027, les modèles disponibles aujourd'hui sur Azure AI Studio (MAI-Thinking-1, GPT-4o, Claude via Azure) restent la référence opérationnelle. MAI-Base-2 améliorera les offres à moyen terme — sans nécessiter de révision de l'architecture de vos projets actuels.