O trabalhador de IA de US$ 1 por hora
A startup chinesa de inteligência artificial MiniMax lançou uma inovação que ameaça derrubar a economia da implementação de IA nas empresas. A empresa, sediada em Xangai, lançou o M2.5, um modelo de linguagem que oferece desempenho comparável ao dos sistemas ocidentais mais caros, mas custa aproximadamente de um décimo a um vigésimo do preço de concorrentes como Claude Opus 4.6 e GPT-5.2.
Conteúdo
O lançamento, disponibilizado no Hugging Face sob uma licença MIT modificada, ocorre em meio a uma semana frenética de anúncios de empresas chinesas de IA que abalaram os mercados globais e redesenharam as fronteiras da concorrência. As ações da MiniMax, negociadas como MINIMAX-WP (00100.HK) na Bolsa de Valores de Hong Kong, dispararam entre 11% e 16% após o anúncio e fecharam a HK$680, segundo o South China Morning Post.
A MiniMax posicionou o M2.5 não apenas como um chatbot, mas como um funcionário digital de nível empresarial, capaz de programar, pesquisar e criar documentos de forma autônoma. A empresa afirma que este é o primeiro modelo de ponta em que as preocupações com custos praticamente desaparecem: ele pode operar continuamente a 100 tokens por segundo por apenas US$ 1 por hora. Em velocidades mais baixas, o custo cai para US$ 0,30 por hora. Essa estrutura de preços permite manter quatro agentes de IA em operação contínua durante um ano inteiro por cerca de US$ 10 mil, valor que mal cobriria um mês de operação com modelos ocidentais comparáveis.
Benchmarks que desafiam os modelos de ponta
Avaliações independentes e testes da própria MiniMax mostram que o M2.5 está entre os melhores modelos de programação, muito próximo do Claude Opus 4.6, da Anthropic, apesar da enorme diferença de preço. No SWE-Bench Verified, padrão do setor para medir capacidades de engenharia de software em situações reais, o M2.5 obteve 80,2%, apenas 0,6 ponto percentual abaixo do Opus 4.6 e à frente do GPT-5.2, da OpenAI, com 80%, e do Gemini 3 Pro, do Google, com 78%.
O modelo se destaca especialmente em cenários de programação multilíngue: alcançou 51,3% no Multi-SWE-Bench, que avalia tarefas de programação entre repositórios e exige a compreensão simultânea de várias bases de código. Com esse resultado, superou o Opus 4.6, que marcou 50,3%, e ficou bem à frente do Gemini 3 Pro, com 42,7%. No VIBE-Pro, um benchmark interno que testa tarefas complexas de desenvolvimento full-stack, o desempenho do M2.5 é equivalente ao do Opus 4.5.
Além do desempenho em programação, o M2.5 demonstra capacidades excepcionais de atuação autônoma. Obteve 76,3% no BrowseComp, que mede a capacidade de navegar na web e recuperar informações em tarefas complexas, e 76,8% no Berkeley Function Calling Leaderboard (BFCL), que avalia o uso de ferramentas em várias interações. Nesse último benchmark, superou o Opus 4.6 por mais de 13 pontos percentuais. A empresa de análise independente Artificial Analysis atribuiu ao M2.5 uma pontuação de 42 em seu Intelligence Index, bem acima da média de 25 dos modelos comparáveis, e observou que o modelo opera a 80 tokens por segundo, acima da média de 55.
No entanto, uma avaliação independente no ranking SWE-rebench de janeiro de 2026, que testa 48 pull requests recentes do GitHub usando uma metodologia diferente, mostrou que o M2.5 alcançou 39,6%, ante 52,9% do Claude Code. Isso sugere que o desempenho no mundo real pode variar conforme o sistema de avaliação e a atualidade das tarefas.
A arquitetura da eficiência
A viabilidade econômica do M2.5 vem de sua arquitetura Mixture of Experts (MoE), um padrão de projeto que imita a consulta a especialistas, em vez do trabalho generalista. Embora o modelo tenha 230 bilhões de parâmetros no total, ativa apenas 10 bilhões em cada tarefa. Essa ativação seletiva permite manter a capacidade de raciocínio de modelos enormes, com a velocidade e a estrutura de custos de sistemas muito menores.
Para treinar essa arquitetura complexa, a MiniMax desenvolveu o Forge, uma estrutura proprietária de aprendizado por reforço criada especificamente para IA autônoma. Ao contrário das abordagens convencionais, que otimizam respostas para agradar, o Forge coloca modelos em centenas de milhares de ambientes simulados ativos, incluindo repositórios de código, navegadores e aplicativos de escritório, e recompensa a conclusão efetiva das tarefas, em vez da adequação estilística. Com agendamento assíncrono otimizado e estratégias de combinação em árvore para amostras de treinamento, o sistema alcança uma velocidade de treinamento cerca de 40 vezes maior que a de abordagens padrão de aprendizado por reforço.
A engenheira da MiniMax Olive Song explicou no podcast ThursdAI que esse regime de treinamento exigiu dois meses de trabalho intensivo em diversos cenários do mundo real. Para manter a estabilidade durante o processo, a equipe implementou o CISPO (Clipping Importance Sampling Policy Optimization), uma abordagem matemática que impede o modelo de fazer correções excessivas durante as etapas de treinamento.
"Percebemos que um modelo pequeno como esse tem muito potencial quando o treinamos com aprendizado por reforço em um grande número de ambientes e agentes. Mas não é algo fácil de fazer", disse Song, acrescentando que a equipe dedicou bastante tempo a aperfeiçoar o processo.
Essa metodologia desenvolveu o que a MiniMax chama de "mentalidade de arquiteto". Em vez de gerar código imediatamente, o M2.5 primeiro planeja a estrutura do projeto, os recursos e o design da interface, dividindo tarefas complexas em componentes gerenciáveis antes de começar a execução. O modelo foi treinado em mais de 10 linguagens de programação, incluindo Go, C, C++, TypeScript, Rust, Kotlin, Python, Java, JavaScript, PHP, Lua, Dart e Ruby, em mais de 200 mil ambientes.
De chatbot a funcionário digital
A transição da IA como interface de conversação para a IA como trabalhador autônomo é a ideia central da filosofia de projeto do M2.5. A MiniMax colaborou com profissionais experientes das áreas de finanças, direito e ciências sociais para incorporar ao modelo conhecimentos tácitos específicos de cada setor, permitindo que ele produza materiais de trabalho prontos para uso, em vez de simples blocos de texto.
Esse foco se reflete em recursos práticos de automação de escritório que a maioria dos modelos de ponta ignora. O M2.5 pode criar e editar documentos do Microsoft Word, montar apresentações no PowerPoint com layouts e gráficos adequados e executar tarefas complexas de modelagem financeira no Excel. No benchmark MEWC, baseado em problemas reais do campeonato mundial de Excel da Microsoft, o modelo obteve 74,4%. Na estrutura de avaliação interna GDPval-MM, que compara a qualidade dos materiais produzidos e a trajetória profissional em avaliações pareadas, o M2.5 alcançou uma taxa média de vitórias de 59% contra concorrentes convencionais.
A MiniMax já implementou o M2.5 internamente como teste de adoção empresarial. Segundo a empresa, o modelo agora conclui autonomamente 30% de todas as tarefas em áreas como pesquisa e desenvolvimento, gestão de produtos, vendas, recursos humanos e finanças. Nos ambientes de programação, o M2.5 gera 80% do novo código incorporado na sede da MiniMax.
A empresa reuniu esses recursos no MiniMax Agent, uma plataforma em que os usuários criaram mais de 10 mil Experts especializados, combinando habilidades de escritório com conhecimentos específicos de cada setor. Essas configurações permitem que o Agent siga procedimentos operacionais padrão já estabelecidos para pesquisas setoriais ou respeite regras específicas de controle de risco em modelos financeiros, em vez de apenas gerar blocos de texto.
O modelo dá conta do desenvolvimento full-stack para Web, Android, iOS e Windows, gerenciando APIs do lado do servidor, lógica de negócios e bancos de dados, em vez de produzir apenas demonstrações de interfaces. Essa capacidade cobre todo o ciclo de vida do software, do projeto inicial do sistema à revisão e aos testes abrangentes do código, passando pela iteração de recursos.
A economia da operação contínua
A MiniMax oferece duas versões da API, idênticas em capacidade, mas com velocidades diferentes. O M2.5-Lightning opera a 100 tokens por segundo, com preço de US$ 0,30 por milhão de tokens de entrada e US$ 2,40 por milhão de tokens de saída. O M2.5 padrão opera à metade dessa velocidade (50 tokens por segundo) e custa metade: US$ 0,15 por milhão de tokens de entrada e US$ 1,20 por milhão de tokens de saída.
Para dar uma dimensão desses valores, manter quatro instâncias do agente M2.5 em operação contínua por um ano inteiro custa cerca de US$ 10 mil. Em comparação, o Claude Opus 4.6 cobra aproximadamente US$ 75 por milhão de tokens de saída, o que torna proibitiva para a maioria das organizações uma operação contínua equivalente. Considerando apenas o preço dos tokens de saída, o M2.5 custa de um décimo a um vigésimo do preço do Opus, do Gemini 3 Pro e do GPT-5.
A diferença de custos fica ainda mais evidente ao analisar tarefas específicas. Alex Volkov, apresentador do podcast ThursdAI, observou que o M2.5 conclui tarefas do SWE-Bench usando cerca de US$ 0,15 em tokens, enquanto o Claude Opus 4.6 precisa de aproximadamente US$ 3 para realizar o mesmo trabalho. Essa redução de 95% nos custos elimina a pressão tradicional para otimizar prompts e minimizar o uso de tokens, permitindo que desenvolvedores usem modelos com amplo contexto e grande capacidade de raciocínio em operações rotineiras antes delegadas a sistemas mais baratos e menos capazes.
As duas versões da API oferecem suporte a cache, reduzindo ainda mais os custos em operações repetitivas. A licença MIT modificada exige que usuários comerciais exibam "MiniMax M2.5" em destaque em suas interfaces, uma condição pequena diante das vantagens econômicas. A 100 tokens por segundo, a geração contínua produz 360 mil tokens de saída por hora, a um custo de cerca de US$ 0,86 em tokens de saída, além dos custos de entrada.
Os ganhos de velocidade ampliam os benefícios de custo. O M2.5 conclui tarefas de ponta a ponta 37% mais rápido que seu antecessor, o M2.1. O tempo de execução no SWE-Bench Verified caiu de 31,3 para 22,8 minutos, equivalente aos 22,9 minutos do Claude Opus 4.6, mas com apenas 10% do custo por tarefa.
O contexto do mercado e a pressão competitiva
O lançamento do M2.5 marca o fim de uma semana volátil para a inteligência artificial chinesa, durante a qual várias empresas locais anunciaram modelos competitivos. A Zhipu AI lançou o GLM-5, que superou o Gemini 3 Pro, do Google, no Intelligence Index da Artificial Analysis; a Alibaba apresentou o RynnBrain para aplicações de robótica; a ByteDance lançou o Seedance 2.0 para geração de vídeos; e a Kuaishou apresentou o Kling 3.0. As ações da MiniMax e da Zhipu AI tiveram alta de dois dígitos, com as da segunda subindo 30% nas negociações em Hong Kong.
Esses lançamentos sucessivos põem em xeque avaliações recentes sobre a distância entre China e Estados Unidos em IA. Demis Hassabis, chefe da Google DeepMind, havia estimado que os modelos chineses estavam apenas alguns meses atrás das ofertas ocidentais; a quase paridade do MiniMax com o Claude Opus 4.6, lançado apenas uma semana antes, sugere que essa diferença caiu para dias. Os resultados do SWE-rebench de janeiro de 2026 mostram Claude Opus 4.6 com 51,7% e GPT-5.2 com 51,0% em pull requests recentes, contra 39,6% do MiniMax M2.5. Isso indica que os modelos ocidentais ainda levam vantagem no código mais recente, embora a diferença continue diminuindo.
As implicações competitivas vão além dos benchmarks. A estratégia de preços da MiniMax exerce pressão sistemática sobre os laboratórios ocidentais de IA que construíram seus modelos de negócio em torno de tarifas premium para APIs. Quando a inteligência se torna, como afirma a MiniMax, "barata demais para ser medida", o setor deixa a economia da escassez e passa à economia do volume, o que pode desestabilizar os modelos de receita de empresas já estabelecidas.
Para líderes de tecnologia, o M2.5 oferece vantagens operacionais imediatas. A melhora de 37% na velocidade em relação ao antecessor permite criar fluxos autônomos em tempo real, nos quais modelos interagem entre si sem gargalos de latência. As organizações podem agora realizar auditorias automatizadas de código em escala inédita e, ao mesmo tempo, proteger a privacidade dos dados com a implementação local de pesos abertos.
O essencial
- O MiniMax M2.5 alcança 80,2% no SWE-Bench Verified, igualando o desempenho do Claude Opus 4.6 por um décimo a um vigésimo do custo
- Duas versões da API disponíveis: padrão, por US$ 0,15/US$ 1,20 por milhão de tokens (50 TPS), e Lightning, por US$ 0,30/US$ 2,40 (100 TPS)
- A arquitetura MoE, com 230 bilhões de parâmetros, ativa apenas 10 bilhões por tarefa, reduzindo a sobrecarga computacional
- Treinado com a estrutura proprietária de aprendizado por reforço Forge em mais de 200 mil ambientes do mundo real, com controle de estabilidade pelo algoritmo CISPO
- Capaz de desenvolver sistemas full-stack de forma autônoma, criar documentos de escritório (Word, Excel e PowerPoint) e executar modelagens financeiras complexas
- Já implementado internamente na MiniMax, onde conclui 30% das tarefas da empresa e gera 80% do novo código
- Lançado como modelo de pesos abertos no Hugging Face sob uma licença MIT modificada que exige atribuição comercial
- As ações da empresa (MINIMAX-WP, 00100.HK) subiram entre 11% e 16% na Bolsa de Valores de Hong Kong após o anúncio
