A MiniMax divulgou seu primeiro relatório semestral após a listagem na bolsa de Hong Kong, com receita aumentando 283,1% em relação ao mesmo período do ano anterior, atingindo 1,5 vezes a receita total de 2025, e lucro bruto aumentando 464,8%. Em agosto, o ARR ultrapassou 800 milhões de dólares, com receita B2B representando 80%, e o consumo de tokens em julho chegou a 20 vezes o volume de janeiro. O fundador Yan Junjie propôs uma rota técnica de "minimizar o custo de inferência e maximizar a inteligência", utilizando sua arquitetura MSA própria para reduzir o custo de cálculo por token em textos longos de um milhão de caracteres para cerca de 1/20 em comparação com os mecanismos tradicionais de atenção total, alcançando um equilíbrio entre inteligência e custo em recursos computacionais limitados, oferecendo um novo caminho para modelos de linguagem chineses competirem globalmente.

Autor e fonte do artigo: Zhi Dong Xi

Em 26 de agosto, a líder chinesa em modelos de IA, MiniMax (Xiyu Technology), divulgou seu primeiro relatório semestral desde sua listagem na bolsa de Hong Kong.

Os demonstrativos financeiros mostram que a receita da MiniMax aumentou 283,1% em relação ao mesmo período do ano anterior, com sua receita semestral já atingindo 1,5 vezes a receita total de 2025; o lucro bruto aumentou 464,8% em relação ao ano anterior.

Na reunião de resultados financeiros, Yan Junjie, fundador, presidente do conselho, CEO e CTO da MiniMax, revelou que, em agosto, o ARR da MiniMax ultrapassou 800 milhões de dólares, com a receita B2B atingindo 80%, e o consumo de tokens em julho foi 20 vezes maior do que em janeiro.

Além dos dados, uma frase dita por Yan Junjie na reunião de resultados de ontem chamou minha atenção. Ele disse: “Só ao minimizar o custo inteligente por unidade é possível maximizar o nível de inteligência.”

Sabe-se que, nos últimos dois anos, os grandes modelos seguiram basicamente dois caminhos: ou empilhar parâmetros conforme a lei de escala para aumentar a inteligência, com o custo elevado; ou reduzir a eficiência para torná-los acessíveis, mas a inteligência sempre ficava um pouco aquém.

O setor parece assumir que isso é como tentar ter o peixe e o urso ao mesmo tempo, impossível de conciliar.

Por que a MiniMax escolheu um caminho contrário à intuição do setor? Será que esse caminho realmente pode ser percorrido?

Inteligência e custo: por que é difícil conciliar os dois?

A Lei de Escala impulsionou a narrativa da IA nos últimos anos: quanto maiores os parâmetros, maior a inteligência.

Seguindo a Lei de Escalamento, os parâmetros do modelo já atingiram o nível de 2 a 3T, e a inteligência do modelo também aumentou proporcionalmente, levando todos a exclamarem que a AGI está prestes a chegar.

Por trás do boom, essa regra também escondeu uma bomba-relógio: quando os modelos atingem a escala de trilhões de parâmetros, os custos de inferência começam a se tornar significativos.

O CEO da NVIDIA, Jensen Huang, afirmou na conferência GTC de 2026: "A era em que os gastos com treinamento eram o principal fator de custo acabou. A inferência é agora a carga de trabalho, e ela está se expandindo rapidamente."

A inflação dos custos de inferência, somada ao aumento da carga de trabalho dos Agentes, está levando a IA a evoluir de respostas individuais para execução autônoma em múltiplos passos. Por trás de um único pedido do usuário podem haver dezenas de chamadas ao modelo, fazendo com que a conta de computação da indústria aumente exponencialmente.

Como resultado, o setor acabou se dividindo em dois campos:

De um lado, modelos pequenos com velocidade rápida e baixo custo, mas desempenho inteligente mediano.

O Google é o exemplo típico desse caminho. De julho a agosto de 2026, o Google lançou de uma só vez três modelos leves: Gemini 3.7 Flash, Gemini 3.6 Flash, Gemini 3.5 Flash-Lite e Gemini 3.5 Flash Cyber.

3.5 Flash-Lite é o modelo mais rápido e de menor custo da série 3.5, projetado para cargas de trabalho de alta taxa de transferência e tarefas menores em sistemas de agentes de IA grandes. O uso de tokens de saída do Gemini 3.6 Flash reduziu 17% em relação à geração anterior.

Mas o custo é evidente. O Google ainda não lançou o modelo principal Gemini 3.5 Pro, um produto originalmente programado para ser lançado na conferência I/O de maio e que ainda não foi visto.

Por outro lado, estão os grandes modelos com inteligência em alta, mas com custos de implantação elevados e custos crescentes.

As empresas chinesas de modelos grandes estão correndo nesse caminho. Em julho de 2026, Moonshot AI lançou o Kimi K3, com um tamanho de parâmetros de aproximadamente 2,8 trilhões, tornando-se o maior modelo aberto do mundo até o momento.

Ali logo em seguida lançou o Qwen3.8 Max, com aproximadamente 2,4 trilhões de parâmetros; o Baidu Wenxin 5.0 também atingiu 2,4 trilhões de parâmetros; o DeepSeek V4-Pro possui 1,6 trilhões de parâmetros.

O aumento na escala de parâmetros traz melhorias de inteligência visíveis a olho nu. O Kimi K3 superou o Claude Fable 5 e o GPT-5.6 Sol em várias listas de Agentes. O Qwen3.8 Max é descrito como "um dos modelos abertos com a maior escala de parâmetros e desempenho mais forte".

Mas o custo também subiu.

O preço da API do Kimi K3 aumentou de RMB 6,5 por milhão de tokens para RMB 20 para entradas não em cache, e de RMB 27 para RMB 100 para saídas, representando aumentos de 208% e 270%, respectivamente. A recomendação oficial é implantar super nós usando 64 ou mais cartões de aceleração.

Dois dias após o lançamento, Moonshot anunciou a suspensão da inscrição de novos usuários finais e redirecionou toda a capacidade de processamento para garantir os usuários existentes.

Quanto mais avançada a inteligência, maiores os parâmetros do modelo, mais caro o uso, mais elevada a barreira de implantação e mais escassa a capacidade de processamento... Isso parece se tornar um nó difícil de desfazer.

MiniMax, não faz escolhas

Para o dilema de escolha entre custo e inteligência, a escolha da MiniMax é: eu quero os dois.

Yan Junjie explicou basicamente toda a lógica da MiniMax na reunião de resultados:

A capacidade de processamento é limitada para cada empresa. Buscamos alcançar “Inteligência para Todos” por meio de “Minimizar o Custo de Inferência, Maximizar a Inteligência”. Essa é a nossa linha tecnológica contínua e também nossa motivação inicial como empreendedores.

“Minimize the Inference Cost, Maximize the Intelligence” significa “Minimizar o custo de inferência, maximizar a inteligência”. A MiniMax coloca a redução de custos e o aumento da inteligência dentro do mesmo quadro narrativo.

Por que essas duas coisas podem ser mencionadas juntas? Porque a MiniMax tem uma compreensão diferente de "raciocínio":

Primeiro, o raciocínio é o meio de produção da próxima geração de inteligência.

Anteriormente, considerava-se que a inferência era “usar o modelo” e o treinamento era “criar o modelo”. Mas agora, os principais componentes, como dados sintéticos, Rollout de aprendizado por reforço, avaliação e validação de modelos, e interação entre agentes e ambientes, essencialmente executam cargas de inferência.

A fase de pós-treinamento está representando uma proporção cada vez maior no total de capacidade de treinamento. A inferência já não é uma carga de trabalho que surge apenas após o término do treinamento, mas sim um consumo contínuo ao longo de todo o processo de treinamento.

Portanto, a eficiência de inferência não apenas determina o espaço de precificação da API, mas também define até que ponto o próximo modelo poderá ser treinado.

Em segundo lugar, a otimização do custo de inferência é uma condição necessária para a iteração inteligente.

A capacidade de processamento tem um limite físico, mas o tamanho dos modelos continua a crescer. Se os custos de inferência não forem reduzidos, quanto mais avançarmos, mais esses custos acabarão sufocando o avanço da inteligência.

Dentro de um orçamento limitado de capacidade de processamento, a capacidade de transformar cada dólar em produção inteligente eficaz determina o quão longe a iteração do modelo pode chegar.

Terceiro, buscar o mais alto nível de inteligência com o menor custo unitário inteligente — essas duas coisas são dois lados do mesmo objetivo.

O setor costumava considerar "inteligência优先" e "custo优先" como duas abordagens distintas. Mas, se o custo de inferência não puder ser reduzido, nenhuma inteligência, por mais alta que seja, poderá ser implementada.

Simplificando, a abordagem da MiniMax é tratar a otimização de custos e o aprimoramento inteligente como a mesma coisa. Desde o primeiro dia do design do modelo, a eficiência de inferência é considerada um indicador central, integrando todo o ciclo de desenvolvimento.

Segundo Yan Junjie: "MiniMax não busca fazer um compromisso entre inteligência e custo. Buscar níveis superiores de inteligência é o objetivo; alcançar maior custo-benefício por meio da otimização contínua do custo e da eficiência de inferência é o meio."

MiniMax sempre seguiu essa missão original para construir uma base tecnológica.

O mais fundamental é sua arquitetura MSA (Attention Esparsa) desenvolvida internamente. Em termos simples, ela reduziu o custo de cálculo por token em textos de até um milhão de palavras para cerca de 1/20 do custo dos mecanismos de atenção completa tradicionais, ou seja, o M3 possui apenas 1/20 da quantidade de cálculo por token em contexto de 1M em comparação com a geração anterior.

A chave para essa ruptura é: o número total de parâmetros determina o limite de capacidade de conhecimento do modelo, mas o número de parâmetros ativados determina o custo de inferência por token. Esses dois fatores podem ser desacoplados: o aumento da escala de parâmetros não necessariamente leva a um aumento proporcional no custo de inferência.

Portanto, o M3 pode elevar o nível inteligente sem alterar o preço, enquanto o M3 Pro consegue alcançar aproximadamente 3 trilhões de parâmetros, avançando ao mesmo tempo no treinamento por reforço e em tarefas de longo prazo.

No nível de infraestrutura, a MiniMax consegue uma ETTR (proporção de tempo de treinamento efetivo) de 97%, sendo uma das primeiras empresas independentes de grandes modelos no país a estabelecer um sistema de capacidade de cálculo escalável e estável a longo prazo.

A rede de fornecimento de poder de computação foi construída por meio da combinação de clusters autônomos, provedores de nuvem e TokenFactory. A capacidade de computação atual e planejada já é suficiente para sustentar a iteração contínua de modelos de texto e vídeo de até 3T.

Conclusão: Sem vantagem em poder de processamento, o que os modelos nacionais usam para alcançar?

Sempre que se fala sobre a diferença entre os grandes modelos da China e dos EUA, o hardware é um tema inevitável.

Anteriormente, era assumido que quem tivesse processamento de chip mais avançado e maior poder de computação poderia criar modelos melhores. Segundo essa lógica, a IA chinesa parecia estar sempre a uma distância de alguns meses a meio ano da IA americana.

Será que só pode ser assim?

MiniMax apresenta um novo caminho: Minimize o Custo de Inferência, Maximize a Inteligência.

Reduzir o custo por unidade de inteligência também eleva o limite superior da inteligência. Porque o pós-treinamento, os dados sintéticos e o aprendizado por reforço de hoje, em essência, executam cargas de inferência. Quanto mais eficiente for a inferência, mais experimentos podem ser realizados com a mesma capacidade de processamento, e mais alto será o teto da inteligência.

Quem conseguir produzir inteligência mais alta com menor custo poderá expandir os limites dentro de capacidade de processamento limitada, permitindo que inteligências mais elevadas entrem em uma vida mais ampla.

Esta pode ser a rota mais promissora para os grandes modelos nacionais participarem da competição global. E a MiniMax já começou a validar isso.