Pesquisador de 17 anos da Kimi, Chen Guangyu deixa a Moonshot em meio a especulações no Vale do Silício

Pesquisador adolescente sai após ajudar a reformular a Kimi

Chen Guangyu, pesquisador de 17 anos que ajudou a desenvolver uma nova forma de modelos de inteligência artificial transmitirem informações entre suas camadas, anunciou em 15 de outubro de 2026 que havia deixado a Moonshot AI, empresa chinesa responsável pela Kimi. Ele entrou na equipe de pesquisa em novembro de 2025, quando tinha 16 anos.

Conhecido internacionalmente como Nathan Chen, o adolescente de Shenzhen sai com uma contribuição concreta para a pesquisa: coautoria principal em igualdade de condições de Attention Residuals, artigo publicado em 16 de março de 2026, junto com os pesquisadores da Moonshot Yu Zhang e Jianlin Su. A técnica mais tarde passou a integrar a Kimi K3, segundo relatos sobre o lançamento do modelo em julho.

Os experimentos publicados pela Moonshot dão um retrato mais preciso do trabalho do que a atenção em torno da idade de Chen. Em testes com um modelo Kimi Linear de 48 bilhões de parâmetros, os pesquisadores registraram avanços em todas as tarefas avaliadas. O método Block Attention Residuals também igualou a perda de treinamento de um modelo convencional que recebeu 1,25 vez mais poder computacional.

A saída de Chen gerou um convite público da Anthropic, especulações sobre uma startup fundada por ex-pesquisadores do Google e tentativas de associá-lo a um adolescente não identificado que, segundo relatos, recebeu cinco ofertas de emprego no valor de cerca de US$ 1 milhão cada ou mais.

Chen, porém, rejeitou publicamente a ideia de que esteja entrando na Anthropic. Seu próximo empregador, qualquer pacote de remuneração e a possibilidade de voltar à universidade ainda não foram confirmados.

Em sua mensagem de despedida, Chen falou sobre o período na Moonshot e agradeceu às pessoas que o contrataram. O pesquisador estagiário de aprendizado de máquina que está saindo disse:

O último ano foi o melhor da minha vida.

Sua mensagem terminou com o desejo de continuar explorando, sem indicar um destino específico.

O que Chen contribuiu para a pesquisa

O nome de Chen aparece ao lado dos de Zhang e Su, com a indicação de contribuições iguais, no relatório sobre Attention Residuals da equipe Kimi. Essa indicação reconhece que os três lideraram contribuições para um esforço de equipe muito maior.

Su, conhecido pelo trabalho com incorporações posicionais rotativas, ou RoPE, realizou os experimentos iniciais. A RoPE ajuda um modelo de linguagem a acompanhar onde palavras ou outras informações aparecem em uma sequência. Zhang foi o primeiro autor da pesquisa sobre a arquitetura Kimi Linear.

Su atribuiu a Zhang e Chen o mérito de ajudar a transformar a ideia inicial de Attention Residuals em algo prático para modelos de grande porte. Os dois propuseram juntos o Block AttnRes, uma versão concebida para manter os benefícios e reduzir os custos de memória e comunicação da aplicação do método em grande escala.

Chen também trabalhou para acelerar os kernels de computação da Kimi Delta Attention, ou KDA. Um kernel é um pequeno programa que realiza um cálculo específico em uma unidade de processamento gráfico. Aprimorá-lo pode fazer com que o mesmo hardware conclua uma tarefa mais rapidamente.

Assim, seu trabalho abrangeu duas áreas relacionadas: decidir como um modelo deve ser construído e fazer com que os cálculos por trás desse projeto sejam executados com eficiência. Para um laboratório que treina modelos de grande porte, ambas influenciam a quantidade de pesquisa que pode ser realizada com o orçamento computacional disponível.

Como Attention Residuals modifica um modelo

Modelos de linguagem processam informações por meio de muitas camadas sucessivas. Cada camada transforma as informações que recebe, construindo representações que as camadas seguintes usam para prever uma resposta.

As conexões residuais padrão mantêm informações anteriores circulando nesse processo ao somar as saídas das camadas. O repositório oficial da pesquisa da Moonshot descreve um problema dessa abordagem: à medida que o modelo fica mais profundo, o acúmulo repetido pode diluir contribuições individuais e aumentar o tamanho dos sinais internos.

Attention Residuals substitui esse acúmulo fixo por um processo de seleção aprendido. Uma camada posterior pode atribuir pesos diferentes às informações produzidas anteriormente, de acordo com a entrada atual. É como um leitor que consulta as anotações mais úteis dos capítulos anteriores, em vez de levar todas adiante com a mesma importância.

Aplicar essa seleção separadamente a cada camada anterior gera custos próprios. Block AttnRes agrupa as camadas, mantém as somas habituais dentro de cada grupo e seleciona entre as representações resultantes dos grupos. Segundo o repositório, cerca de oito grupos recuperam a maior parte dos ganhos do método completo.

A maior configuração Kimi Linear descrita no artigo usou 54 camadas, agrupadas de seis em seis. Seus nove grupos, junto com a representação inicial dos tokens, forneceram 10 fontes de informação para a seleção. Esse é o passo prático de engenharia que ajudou a levar a ideia do estágio experimental ao treinamento de modelos de grande porte.

O que mostram os resultados publicados

O artigo de março testou Attention Residuals em um modelo Kimi Linear com 48 bilhões de parâmetros no total, dos quais 3 bilhões eram ativados durante o processamento. Parâmetros são os valores numéricos aprendidos dentro de um modelo. Ativar apenas parte deles permite que o modelo recorra a um grande conjunto de conhecimento aprendido, limitando ao mesmo tempo os cálculos necessários em cada etapa.

O treinamento usou 1,4 trilhão de tokens, as unidades de texto ou de outros dados processadas por um modelo. Os pesquisadores mantiveram inalterados os demais componentes principais da arquitetura, o que permitiu comparar a inclusão de Attention Residuals com o projeto de referência.

No GPQA-Diamond, teste com perguntas científicas difíceis, a pontuação subiu de 36,9 para 44,4, um ganho de 7,5 pontos. O HumanEval, que avalia a geração de código, passou de 59,1 para 62,2. O MMLU, uma ampla avaliação de conhecimentos, subiu de 73,5 para 74,6.

A comparação do uso de computação também é relevante. Igualar um modelo de referência que usa 1,25 vez mais poder computacional significa alcançar a mesma perda de treinamento informada usando quatro quintos do orçamento desse modelo, ou 20% menos computação. A perda de treinamento mede a distância entre as previsões do modelo e as respostas esperadas durante o treinamento.

Separadamente, a Moonshot afirmou que a tecnologia contribuiu para um aumento de cerca de 25% na eficiência de treinamento da K3, com menos de 2% de sobrecarga adicional. Os experimentos de março e as alegações posteriores sobre a K3 dizem respeito a configurações de modelos diferentes; os números detalhados dos benchmarks publicados acima são da Kimi Linear.

De uma maratona escolar de programação a uma equipe de pesquisa

Chen nasceu em Shenzhen em 2009. Antes de entrar na Moonshot, organizou uma comunidade adolescente de código aberto, desenvolveu bots de software e explorou interesses que iam da segurança em IA à física.

Enquanto se preparava para se candidatar a universidades, interrompeu algumas atividades de que não gostava e começou a estudar assuntos que lhe interessavam. Seu caminho posterior até a pesquisa combinou estudo independente, textos técnicos publicados e contato com pesquisadores em atividade.

Em fevereiro de 2025, participou de uma maratona de programação da Moonshot AI para estudantes do ensino médio com o ThirdArm, um projeto que imaginava um braço robótico auxiliar adicional. Lá, conheceu Dong Kehan, integrante da equipe fundadora da MiraclePlus, que o incentivou a se concentrar em tecnologia de ponta.

Uma publicação técnica sobre a DeltaNet atraiu então uma resposta do pesquisador Songlin Yang. A conversa chegou a Ben Keigwin, da Tilde Research, uma startup em Palo Alto, na Califórnia, e levou a uma conversa sobre o trabalho da empresa. Em julho de 2025, Chen viajou sozinho para lá, aos 16 anos, para um estágio de sete semanas.

O método de aprendizagem de Chen incluía passar horas discutindo artigos com o Gemini, enviar capturas de tela de trechos difíceis e fazer perguntas complementares. Ele também lia códigos, blogs e sites de pesquisadores, além de pedir orientação ao pesquisador da DeepSeek Yuan Jingyang sobre decisões importantes.

Sua experiência vai além de usar um chatbot como tutor. A publicação de textos tornou visível seu raciocínio técnico, pesquisadores responderam a eles e os estágios lhe deram oportunidades de transformar essas ideias em trabalho colaborativo.

As datas por trás de uma ascensão rápida

Chen passou de um projeto escolar a um estágio internacional e, depois, à pesquisa publicada sobre modelos em menos de dois anos. Sua saída ocorreu após o uso de Attention Residuals em um importante lançamento da Kimi.

• Fevereiro de 2025: Chen participou da maratona de programação de IA da Moonshot para estudantes do ensino médio.
• Julho de 2025: Começou um estágio de sete semanas na Tilde Research, em Palo Alto.
• Novembro de 2025: Entrou para a equipe Kimi da Moonshot como pesquisador estagiário de aprendizado de máquina, aos 16 anos.
• 16 de março de 2026: O relatório técnico sobre Attention Residuals foi publicado, com Chen, Zhang e Su creditados igualmente.
• Junho de 2026: Chen concluiu o ensino médio.
• Julho de 2026: A Kimi K3 foi lançada com Attention Residuals entre suas tecnologias arquiteturais.
• 15 de outubro de 2026: Chen anunciou que havia deixado a Moonshot.
• 16 de outubro de 2026: Ele rejeitou as especulações de que entraria na Anthropic.
• 20 de outubro de 2026: Uma conta anônima afirmou que ele estava entrando na Discovery Loop.

Seu histórico acadêmico público também registra que frequentou a Carnegie Mellon University durante agosto e setembro de 2026. Esse breve período passou a alimentar as especulações sobre se seu próximo passo será um emprego ou a continuação dos estudos.

O convite da Anthropic e a história dos US$ 1 milhão

Sholto Douglas, responsável pelo aprendizado por reforço escalável na Anthropic, comentou a publicação de despedida de Chen. Ele perguntou se Chen ainda pretendia estudar na Carnegie Mellon e o convidou para trabalharem juntos em São Francisco.

Chen respondeu que estava indo para a região da Baía de São Francisco. Quando a conversa gerou sugestões de que ele havia entrado na Anthropic, respondeu brevemente:

não :)

A discussão sobre salário começou separadamente. Deedy Das, investidor da Menlo Ventures, contou que conheceu um jovem de 17 anos não identificado que aprendeu IA por conta própria com a ajuda de modelos de linguagem, passou cerca de um ano como estagiário em uma empresa líder de IA e saiu de um curso de graduação de destaque nos Estados Unidos após duas semanas.

Segundo Das, o adolescente tinha cinco ofertas de laboratórios líderes de IA em São Francisco, cada uma no valor de cerca de US$ 1 milhão ou mais. Das também relatou que o jovem preferia aprender a ganhar dinheiro.

Usuários das redes sociais associaram a descrição a Chen por causa da idade e de seu histórico de pesquisa. Das não identificou o adolescente, e Chen não confirmou que as ofertas eram dele. Portanto, a discussão diz respeito às ofertas relatadas de uma pessoa não identificada, e não a um acordo de emprego divulgado por Chen.

O convite público de Douglas é um sinal de interesse mais concreto: um pesquisador sênior incentivou Chen abertamente a se juntar a ele. A negativa posterior também dá aos leitores uma resposta direta sobre as especulações envolvendo a Anthropic.

Por que a Discovery Loop entrou na conversa

A Discovery Loop se tornou o novo foco depois que Arfur Grok, uma conta anônima que acompanha mudanças de emprego no setor de IA, afirmou em 20 de outubro que Chen havia entrado na empresa. Chen não confirmou a contratação, e a startup se recusou a comentar assuntos relacionados a funcionários.

A empresa foi fundada em agosto de 2026 pelos ex-pesquisadores do Google Jeff Dean, Sanjay Ghemawat, Quoc Le e Oriol Vinyals. Seu objetivo declarado é usar IA para automatizar pesquisas científicas e de aprendizado de máquina, incluindo propor ideias, conduzir experimentos e analisar resultados.

Para um pesquisador interessado em projetos eficientes de modelos, essa missão envolveria problemas técnicos conhecidos. Sistemas que executam muitos experimentos de pesquisa precisam usar recursos computacionais com eficiência, e avanços em algoritmos ou kernels podem permitir a realização de mais experimentos com um orçamento fixo.

O financiamento da Discovery Loop também chamou atenção. Segundo relatos, a empresa buscou captar recursos em setembro com uma avaliação de cerca de US$ 50 bilhões, ante conversas em torno de US$ 10 bilhões poucas semanas antes, um aumento de cinco vezes. Esses valores representam avaliações propostas para a empresa durante conversas de captação de recursos.

Chen também já tem uma ligação com a região da Baía de São Francisco por meio da Tilde Research. Seu estágio anterior ali ajuda a explicar por que uma viagem à Califórnia poderia envolver vários contatos profissionais, e não um único destino óbvio.

O que sua saída deixa na Moonshot

O pesquisador da Moonshot Du Yulun, que apoiou a contratação de Chen aos 16 anos, disse que os dois tiveram várias conversas longas sobre a decisão de sair. Du expressou tristeza, mas apoiou o desejo de Chen de explorar novos interesses nessa idade.

As contribuições de Chen continuam fazendo parte do histórico de pesquisa da equipe. A Kimi K3, lançada em julho com 2,8 trilhões de parâmetros, combinou Attention Residuals com Kimi Delta Attention. As duas tecnologias atuam em partes diferentes do processamento de informações: AttnRes modifica a forma como as informações circulam pelas camadas do modelo, enquanto KDA ajuda a processar sequências com eficiência.

A Moonshot atribuiu um aumento de aproximadamente 2,5 vezes na eficiência de escalabilidade da K3 em relação à K2, em conjunto, a mudanças na arquitetura, nos métodos de treinamento e nas escolhas de dados. Isso situa o trabalho de Chen em um esforço mais amplo da empresa, que envolve muitos pesquisadores e várias mudanças técnicas.

O impacto prático vai além da carreira de um funcionário excepcionalmente jovem. Um modelo que aprende com mais eficiência pode aproveitar melhor processadores caros e orçamentos de pesquisa. Um pesquisador capaz de relacionar o projeto matemático à implementação rápida pode contribuir diretamente para esse objetivo.

Chen deixa a Moonshot com trabalhos publicados, experiência em dois ambientes de pesquisa e interesse público de outro laboratório líder. A história confirmada já é significativa: um adolescente ajudou a transformar uma ideia arquitetural em um método utilizável e depois decidiu continuar explorando antes de anunciar seu próximo cargo.

Principais pontos

• Chen Guangyu, também conhecido como Nathan Chen, anunciou que estava deixando a Moonshot AI em 15 de outubro de 2026, aos 17 anos.
• Ele dividiu em igualdade de condições os créditos de primeiro autor com Yu Zhang e Jianlin Su em Attention Residuals, publicado em 16 de março.
• Os experimentos da Moonshot mostraram avanços em todas as tarefas avaliadas e igualaram os resultados de um modelo de referência que usou 1,25 vez mais poder computacional.
• Chen ajudou a desenvolver o Block AttnRes e trabalhou para acelerar os cálculos da Kimi Delta Attention.
• Ele disse que estava indo para a região da Baía de São Francisco e rejeitou as especulações de que entraria na Anthropic.
• A suposta ida para a Discovery Loop e as especulações que o associam a cinco ofertas de cerca de US$ 1 milhão cada continuam sem confirmação.