A Zhipu, startup de IA mais valiosa da China, perdeu 66% do seu valor de mercado em dois meses — cerca de HK$ 800 bilhões apagados desde o pico de junho. O mais impressionante não é o número, mas a admissão por trás dele: o próprio cientista-chefe da empresa agora chama publicamente a corrida dos trilhões de parâmetros de “um desvio”. O sinal para todo o setor é que o fosso competitivo deixou a tabela de parâmetros — agora ele vive na eficiência do pós-treino, no custo de inferência e na capacidade de transformar um modelo em receita.
O que aconteceu com a Zhipu
Em 21 de agosto, as ações da Zhipu fecharam a HK$ 1.014, com queda de 0,88%, para um valor de mercado de cerca de HK$ 472 bilhões. Isso representa um colapso de 66% em relação à máxima intradiária de HK$ 2.980 em 22 de junho. No auge, a “primeira ação de modelos grandes do mundo” valia mais de HK$ 1,3 trilhão; hoje está abaixo de HK$ 500 bilhões.
A sequência de gatilhos importa. Em julho veio o primeiro desbloqueio de ações restritas. Então, em 16 de julho, a Moonshot AI abriu o código do Kimi K3, um modelo de 2,8 trilhões de parâmetros que liderou o ranking da Code Arena — furando a narrativa da Zhipu de “líder em tecnologia”. No dia seguinte, a Zhipu despencou 28,49%, perdendo mais de HK$ 200 bilhões em uma única sessão. Em 20 de julho, caiu outros 19,56%. Dois dias de pregão apagaram mais de HK$ 300 bilhões.
O cientista-chefe admite o desvio
Em 19 de agosto, Tang Jie, cofundador e cientista-chefe da Zhipu, publicou um longo post revisitando as leis de escalonamento. Sua frase direta: “Olhando para trás, a rodada dos trilhões de parâmetros foi um desvio que todo o campo percorreu junto — e depois voltou juntos”.
Ele não está sendo filosófico; está descrevendo uma história documentada. Em 2020, Kaplan e colegas argumentaram que os parâmetros deveriam crescer cerca de 2,7 vezes mais rápido que os dados, levando GPT-3, Gopher e MT-NLG a correr atrás de um trilhão de parâmetros. Em 2022, o Chinchilla da DeepMind, construído com cerca de 400 execuções de modelo, chegou a uma conclusão quase oposta: a alocação otimizada de computação fica próxima de 20 tokens por parâmetro, e o Chinchilla de 70 bilhões de parâmetros superou o Gopher de 280 bilhões em vários benchmarks.
O argumento de Tang é que os maiores modelos daquela época foram os que mais desperdiçaram computação. Pior: o Chinchilla otimizou para o cenário antigo de “treinar uma vez, avaliar uma vez”. Hoje os modelos são chamados bilhões de vezes por dia e a inferência domina o custo do ciclo de vida, então o ótimo se desloca para “modelos menores, treinados por mais tempo”. Ele compara o escalonamento a girar vários botões e acrescenta: “Isso não significa que os outros botões chegaram ao limite”.
Ficando mais forte sem adicionar parâmetros
A teoria tem uma prova concreta: o GLM-5.3, lançado no início de 19 de agosto. Ele compartilha a mesma base e os mesmos 744B de parâmetros totais / 40B ativos do GLM-5.2, sendo a única variável cerca de um mês adicional de trabalho com ambientes de longo horizonte e pós-treino com aprendizado por reforço. A Zhipu relata que o GLM-5.3 melhorou cerca de 50% em relação ao GLM-5.2 no seu benchmark interno Z.ai Code Bench. Nenhum parâmetro novo, e, ainda assim, capacidade significativamente maior. O GLM-5.3 também trouxe um salto notável em segurança — veja nossa análise de como os modelos open-source se tornaram os defensores.
Por que o mercado continua desconfiado
O JPMorgan elevou seu preço-alvo de HK$ 1.600 para HK$ 1.800 em 16 de agosto, mantendo a classificação de sobreponderação, citando os ganhos de pós-treino do GLM-5.3 e os aumentos de preços da API da DeepSeek desde 17 de agosto como motivos para redesenhar a fronteira “capacidade–custo” do setor. O banco também elevou suas estimativas de receita para 2026–2030 em 6–10%.
O mercado não seguiu os analistas. A Zhipu caiu 2,97%, para HK$ 1.012, em 19 de agosto, e subiu meros 1,09% no dia seguinte. A avaliação já não acompanha um único lançamento de modelo; ela precifica a questão mais difícil: se a empresa consegue converter capacidade em receita. Enquanto isso, a Zhipu segue com seu duplo listamento A+H: protocolou o pedido de listagem no STAR Market de Xangai em 1º de junho, buscando 15 bilhões de yuans (12 bilhões para seu projeto de modelo base de uso geral), e concluiu em julho uma colocação de HK$ 31,4 bilhões para financiar P&D de modelos base, infraestrutura de computação e comercialização.
O fosso competitivo deixou a tabela de parâmetros
A reflexão de Tang, independente do seu efeito sobre a ação, é um sinal estrutural para todo o setor. Quando “quanto maior, melhor” perde sua autoridade, três coisas são reprecificadas: eficiência de pós-treino (o que você consegue extrair de uma base existente), custo de inferência (quanto custa servir um modelo com bilhões de chamadas por dia) e o motor de receita (quem realmente consegue vender a capacidade). É a mesma lógica por trás das movimentações de preços da DeepSeek, da ampliação do abismo entre receita e gasto com IA nas grandes empresas, e do mesmo padrão por trás do primeiro trimestre lucrativo da Anthropic.
Para as empresas de modelos, a diferenciação não é mais “temos um modelo maior”. É “conseguimos tornar o mesmo modelo mais barato e mais inteligente ao longo do tempo, e conseguimos encontrar compradores para ele”.
O que as equipes devem fazer
- Reavaliar a “capacidade por dólar” em vez da posição nos rankings — a mesma base com um melhor pós-treino pode superar um modelo maior a um custo menor.
- Incorporar o custo de inferência em cada decisão de arquitetura; com bilhões de chamadas diárias, a inferência domina o ciclo de vida.
- Acompanhar de perto os lançamentos de pós-treino — o GLM-5.3 prova que o ganho agora está no ciclo de treino, não na tabela de parâmetros.
Perguntas frequentes
Por que as ações da Zhipu despencaram tão rápido? As ações caíram 66% em dois meses (de HK$ 2.980 para cerca de HK$ 1.014), apagando mais de HK$ 800 bilhões em valor de mercado, após o primeiro desbloqueio de ações restritas e o lançamento open-source do Kimi K3 ter rompido sua narrativa de líder em tecnologia.
O GLM-5.3 realmente melhorou sem mais parâmetros? Sim. O GLM-5.3 compartilha com o GLM-5.2 a base de 744B totais / 40B ativos, e a Zhipu afirma que cerca de um mês de pós-treino elevou seu desempenho em cerca de 50% no seu benchmark interno de código.
O que significa “a corrida dos trilhões de parâmetros foi um desvio”? O cientista-chefe Tang Jie argumenta que o campo exagerou nos parâmetros após a regra de escalonamento de Kaplan em 2020; o Chinchilla (2022) mostrou que o treino otimizado para computação favorece mais tokens por parâmetro, e o uso atual, pesado em inferência, empurra para modelos menores treinados por mais tempo.
