Em 22 de setembro, o modelo open-weight mais forte do mundo não foi publicado pela DeepSeek, Alibaba, Moonshot ou qualquer laboratório de fronteira. Ele veio da Xiaomi — a empresa que a maior parte do mundo ainda classificaria como “celulares e carros elétricos”. O MiMo-V2.6-Pro marcou 46 no Artificial Analysis Intelligence Index (v4.3.2), ultrapassando GLM-5.3, Kimi K3 e Qwen3.8 Max para assumir a liderança entre os modelos open-weight. A geração anterior da própria Xiaomi, o MiMo-V2.5-Pro, havia marcado apenas 26 no mesmo índice. Isso é um salto de vinte pontos em poucos meses.
A reação instintiva é se maravilhar com o benchmark. A reação mais útil é olhar para a etiqueta de preço ao lado dele. Segundo a contabilidade de custos da Artificial Analysis, o custo médio ponderado por tarefa do MiMo-V2.6-Pro é de US$ 0,13. O GPT-5.6 Sol (max) custa US$ 1,99. O Claude Opus 5.5, em um nível médio de raciocínio, custa US$ 1,34 por tarefa e marca 51. Rode a mesma carga de trabalho dez mil vezes e você paga cerca de US$ 1.300 pela Xiaomi, US$ 13.400 pela Claude e US$ 19.900 pela OpenAI. Alguns veículos já cunharam um nome para o que o MiMo representa: a nova “kill line” — o piso de custo-benefício abaixo do qual um modelo não tem motivo para ser escolhido.
Esta é a tese que este artigo defende: a fronteira da competição em IA não está migrando do fechado para o aberto, mas da venda de inteligência para a venda da ausência de um problema de custo. E as empresas melhor posicionadas para vencer essa mudança não são os laboratórios de IA — são as empresas de hardware e dispositivos que nunca precisaram de um negócio de assinatura de IA para começar.
Perto o suficiente para importar, barato o suficiente para mudar decisões
Comece por quão pequena é a diferença de capacidade. No DeepSWE v1.1, um benchmark de engenharia de software em múltiplas etapas, o MiMo-V2.6-Pro marca 71,9 contra 73 do GPT-5.6 Sol e 74 do Claude Opus 5. No Toolathlon-Verified, que testa a orquestração entre ferramentas, a Xiaomi lidera em absoluto com 76,9 contra 74,9 do GPT-5.6 Sol. No OSWorld-Verified — agentes operando um computador por meio de uma interface gráfica — a Xiaomi registra 82 contra 83 e 83,4 dos dois carros-chefes americanos. Esses são números publicados pela Xiaomi, mas a Artificial Analysis confirma independentemente a classificação composta, e os pesos no Hugging Face estão abertos para que qualquer pessoa possa replicá-los.
Uma diferença de um ou dois pontos é ruído. Uma diferença de quinze vezes no custo por tarefa é uma decisão. Para qualquer carga de trabalho que não seja obcecada por benchmarks — revisão de código em massa, processamento de documentos, orquestração de ferramentas em milhares de sessões — a escolha não é mais “qual modelo é o mais inteligente”, mas sim “qual modelo atinge meu padrão de qualidade com o menor custo marginal”. Uma vez que um modelo mais barato atinge o padrão, o modelo premium compete por um resíduo que encolhe. É isso que uma kill line significa: ela não derrota você, ela tira você do mercado pelo preço.
O detentor anterior da kill line era a DeepSeek, antes dela a Qwen, antes desta a Kimi — todas empresas nativas de IA. A Xiaomi é um animal diferente, e entender por que ela conseguiu isso exige olhar como o modelo foi construído de fato.
Seis dias, US$ 3,47 milhões e um loop público de prestação de contas
A Xiaomi formou sua equipe central de LLMs em abril de 2023 e lançou seu primeiro modelo aberto em abril de 2025. Dezoito meses depois, detém a coroa dos open-weights. O motor por trás do salto é aprendizado por reforço, executado com disciplina incomum — e transparência incomum. A Xiaomi transmitiu ao vivo todo o processo de treinamento, com dashboards em tempo real mostrando passos, tokens e gastos. O CEO da Hugging Face, Clément Delangue, elogiou publicamente a transmissão aberta.
A configuração divulgada soa como uma declaração de intenções: cada atualização de RL processa 1.568 prompts de tarefas, cada um gerando 16 trajetórias de execução, abrangendo tarefas de programação, uso de ferramentas, visão e segurança cibernética. O problema difícil no RL agêntico não é o computador, mas o desenho das recompensas — se duas trajetórias “têm sucesso”, mas uma leva três passos e a outra leva quinze, uma recompensa binária não ensina nada sobre eficiência ao modelo. O sistema de avaliação da Xiaomi gera rubricas específicas para cada tarefa, compara as trajetórias candidatas entre si e atribui recompensas graduadas, enquanto avaliações adversariais e verificações cruzadas entre validadores protegem contra o reward hacking — o modelo aprendendo a enganar o avaliador em vez de fazer o trabalho.
Os resultados são mensuráveis. Em menos de seis dias de RL, o Flash e o Pro completaram 30 atualizações cada, processando cerca de 750.000 trajetórias de tarefas; as taxas de sucesso nas tarefas de treinamento subiram 25% e 12%, respectivamente. No benchmark reservado DeepSWE v1.1, o Flash subiu de 48,8 para 65,68 e o Pro de 58,4 para 72,57. A conta desses seis dias: cerca de US$ 850 mil para o Flash e US$ 2,62 milhões para o Pro — US$ 3,47 milhões no total, aproximadamente US$ 58 mil por hora, ou 200 mil yuans. Para efeito de comparação, isso é menos do que muitas startups de IA queimam em um mês de folha de pagamento. A Xiaomi também divulgou o relatório técnico, o ambiente de treinamento e o código de RL, de modo que o próprio método é agora um artefato público.
Note o que não aconteceu: o preço da API não subiu. Capacidade vinte pontos acima, preço estável. Essa combinação — não uma das metades isoladamente — é o movimento estratégico.
Por que uma empresa de hardware joga esse jogo de forma diferente
Considere os incentivos de cada lado. Um laboratório de fronteira precifica sua API acima do custo marginal porque a receita da API é o modelo de negócio; cada ponto de inteligência é um argumento para uma tabela de preços mais alta. O modelo de negócio da Xiaomi é vender celulares, carros e eletrodomésticos. Um MiMo melhor não precisa monetizar por token — ele monetiza quando torna um dispositivo Xiaomi mais digno de compra, ou quando é lançado como agente padrão em um celular com HyperOS e o silicon Xring (Xuanjie), otimizado para inferência no dispositivo. Onde um laboratório precisa perguntar “como cobrar por isso”, a Xiaomi pergunta “como isso vende mais uma geladeira”.
Essa assimetria explica o preço estável. A Xiaomi pode tratar inteligência como um centro de custo para o negócio de dispositivos, um subsídio que os laboratórios não conseguem igualar sem destruir suas próprias linhas de receita. A DeepSeek insinuou essa lógica; a Xiaomi a completa, porque, ao contrário da DeepSeek, tem um ecossistema de hardware de um trilhão de yuans no qual amortizar o custo — e, curiosamente, o recente crescimento do Muse no iOS já demonstrou que consumidores recompensam agentes que realmente executam tarefas, o que joga diretamente para onde os benchmarks do MiMo são mais fortes: uso de ferramentas e operação de computadores, em vez de conversas.
O contra-argumento óbvio: benchmarks podem ser manipulados, a Xiaomi publicou seus próprios números, e laboratórios de pesquisa corporativos de empresas de hardware têm um histórico de demos brilhantes seguidas de abandono silencioso. Tudo justo. Mas três coisas separam este caso do padrão. A classificação composta vem de uma terceira parte independente. O processo de treinamento foi transmitido publicamente, com custos auditáveis em tempo real. E os pesos, o código e o ambiente podem ser baixados — a alegação é falseável de um jeito que uma demo em keynote nunca é.
O que isso prevê
Se a tese estiver certa, três coisas se seguem. Primeira: o “índice de inteligência” deixa de ser o eixo da competição no topo; observe em vez disso o custo por tarefa e o ritmo de cortes de preço. Espere que os laboratórios respondam com preços escalonados agressivos e variantes “mini” — competindo nos termos da kill line, e não acima dela. Segunda: a liderança em open-weights se torna uma bandeira rotativa entre jogadores bem financiados que não são laboratórios — laboratórios estatais, hyperscalers, fabricantes de dispositivos — porque os movimentos necessários (RL em larga escala, desenho disciplinado de recompensas, capital paciente) se encaixam melhor em seus balanços do que nos de startups com receita de API. Terceira: agentes nativos de dispositivos se tornam a verdadeira batalha de distribuição: o modelo é uma característica do celular, do carro, da casa — um mercado em que os laboratórios não conseguem entrar de jeito nenhum.
A previsão secundária é mais sombria para o meio da indústria: modelos que não estão nem no topo da inteligência nem no rodapé dos custos não têm onde ficar. A camada espremida — capaz, mas cara — é onde a receita morre primeiro.
O que fazer com isso
- Se você é um líder de engenharia ou produto escolhendo modelos: construa seu ambiente de avaliação em torno do custo por tarefa concluída no seu próprio padrão de qualidade, não nas pontuações de leaderboards. Reavalie trimestralmente — a kill line se move rápido, e o MiMo a moveu vinte pontos em uma única geração.
- Se você comanda um laboratório de IA ou um negócio de API: sua página de preços agora é uma vulnerabilidade competitiva ou uma arma, não uma nota de rodapé. Decida qual das duas, explicitamente. Se sua estrutura de custos não consegue alcançar o território de US$ 0,13 por tarefa, diferencie-se em confiabilidade, conformidade e integração — ou em cargas de trabalho em que os últimos dois pontos de inteligência realmente importam.
- Se você é um investidor: reprecifique a categoria “startup de modelos”. Empresas cuja receita de API é o único motor e que não têm vantagem estrutural de custos agora estão espremidas entre laboratórios de fronteira acima e open-weights subsidiados por dispositivos abaixo. As posições duradouras são camadas de aplicação, ativos de dados e distribuição.
- Se você constrói agentes sobre modelos abertos: os benchmarks de uso de ferramentas (Toolathlon 76,9, OSWorld 82) dizem que o stack aberto agora é viável para cargas de trabalho agênticas reais, e não apenas conversas. Crie um protótipo da migração; meça o delta nas suas tarefas; mantenha o plano de contingência.
A Xiaomi não apenas liderou um leaderboard. Ela publicou o preço no qual o leaderboard deixa de ser o ponto. A próxima fase da competição em IA será travada menos sobre quem é o mais inteligente e mais sobre quem pode se dar ao luxo de dar inteligência de graça — e essa é uma briga para a qual as empresas de hardware vêm se preparando o tempo todo.
