Microsoft MAI reduz custo de GPU em até 89% e lidera benchmark

A Microsoft anunciou que seus modelos de inteligência artificial da família MAI conseguiram reduzir os custos de GPU em até 89% em comparação com modelos generalistas de fronteira. O destaque é o MAI-Cyber-1-Flash, otimizado para o harness MDASH, que alcançou o primeiro lugar no benchmark CyberGym, superando o concorrente Mythos por 12 pontos percentuais — e tudo isso com metade do custo. O modelo opera em hardware H100, demonstrando eficiência mesmo em infraestrutura já estabelecida. A estratégia da Microsoft é clara: em vez de usar modelos generalistas para todas as tarefas, a empresa desenvolve modelos especializados para produtos específicos. O MAI-Cyber-1-Flash foi projetado para lidar com até 90% das tarefas de forma eficiente, reservando modelos maiores e mais caros — como o GPT-5.4 — apenas para os 10% de problemas excepcionalmente complexos. Essa abordagem, segundo a empresa, permite manter ou até superar o desempenho de fronteira enquanto reduz drasticamente o consumo de tokens e, consequentemente, os custos de GPU. Além da economia, a Microsoft destaca a resiliência como benefício central. A empresa argumenta que qualquer negócio hoje precisa considerar que um modelo do qual depende pode desaparecer devido a incidentes de segurança, mudanças de política ou eventos geopolíticos. Por isso, a arquitetura dos modelos MAI foi construída para ser substituível, com harness, contexto, memória e espaço de ação independentes de uma única família de modelos. Essa abordagem de "hill-climbing" — otimização contínua em uma curva de custo-benefício — é vista como o início de uma nova curva de desempenho, focada em qualidade, custo e escolha. A Microsoft já implementou mais de uma dúzia de novos modelos desde o último trimestre, abrangendo áreas como imagem, voz, transcrição, codificação e segurança. Esses modelos já estão sendo usados em produtos amplamente adotados, mantendo ou melhorando a qualidade enquanto usam significativamente menos tokens. A empresa também reporta ganhos de 40% em desempenho por watt ao rodar modelos MAI em seus próprios chips Maia 200, indicando que a otimização não se limita ao software, mas também ao hardware co-projetado. Apesar dos resultados promissores, a Microsoft reconhece que ainda está no início dessa jornada e promete continuar compartilhando aprendizados.