Ainda não há uma data de lançamento oficial, mas o trabalho interno já está em andamento, e especula-se que possa ser lançado já no terceiro trimestre de 2026 .

Comparação com os Modelos Atuais da MiniMax

A MiniMax tem evoluído rapidamente sua linha de modelos. Veja a progressão:

O salto do M3 (428B) para o M3 Pro (2,7T) representa um aumento de aproximadamente 6,3 vezes no total de parâmetros. Se a MiniMax mantiver a abordagem MoE, a quantidade de parâmetros ativos por token pode permanecer na casa das dezenas ou centenas de bilhões, mas a pegada total de parâmetros seria algo inédito para um modelo de pesos abertos .

Comparação com o DeepSeek-V4-Pro

O DeepSeek-V4-Pro é o principal modelo de pesos abertos da DeepSeek, lançado em 23 de abril de 2026 . Veja como ele se compara aos modelos da MiniMax:

• DeepSeek-V4-Pro: 1,6T de parâmetros totais, 49B ativados, licença MIT, especialista em código puro — a maior classificação Codeforces de qualquer modelo de linguagem e 80,6% no SWE-bench Verified (melhor entre os modelos de pesos abertos)
• MiniMax M3 (atual): ~428B total / ~23B ativos — mais forte em tarefas multimodais e matemática (média de 85,7 contra 31,7 em um agregado), mas mais fraco em benchmarks de código puro do que o DeepSeek-V4-Pro
• MiniMax M3 Pro (planejado): Com 2,7T, superaria ambos os modelos em parâmetros totais

A maioria das análises aponta que o MiniMax M3 e o DeepSeek V4-Pro "mal competem" — eles são otimizados para cargas de trabalho diferentes: o M3 é voltado para codificação agêntica multimodal e tarefas de contexto longo, enquanto o V4-Pro é um especialista em código algorítmico puro, com menor custo por token .

O Contexto Mais Amplo dos Modelos de Pesos Abertos Chineses

Os laboratórios chineses de IA têm lançado uma onda de modelos de pesos abertos extremamente poderosos em 2025–2026:

• DeepSeek-V4-Pro (23 de abril de 2026) — 1,6T MoE, licença MIT, desempenho de codificação de fronteira
• Tencent Hy3 (Hunyuan 3.0) — Lançamento prévio em 23 de abril de 2026; lançamento completo dos pesos em 6 de julho de 2026 sob licença Apache 2.0. Um modelo MoE de 295B parâmetros (21B ativos, 192 especialistas, roteamento top-8) com contexto de 256K, liderado pelo ex-pesquisador da OpenAI, Shunyu Yao
• MiniMax-M1 (Junho 2025) — Modelo de raciocínio de pesos abertos com 456B parâmetros, licença Apache 2.0, primeiro modelo de raciocínio de atenção híbrida em larga escala e código aberto
• MiniMax-M3 (Junho 2026) — ~428B total, codificação multimodal de fronteira
• Ant Group Ling-2.6-flash (22 de abril de 2026) — MoE eficiente de 104B/7,4B ativos
• Outros laboratórios chineses como Alibaba (Qwen), ByteDance e Baichuan também lançaram modelos de pesos abertos

Isso reflete uma estratégia deliberada dos laboratórios chineses de liberar modelos com pesos abertos (frequentemente sob licenças Apache 2.0 ou MIT), em contraste com muitos laboratórios ocidentais (OpenAI, Anthropic, Google) que mantêm seus modelos de fronteira fechados .

Concorrência com Laboratórios Ocidentais de IA

A rápida sucessão de lançamentos de modelos de código aberto chineses sinaliza várias coisas:

• Corrida de escala: O modelo de 2,7T da MiniMax superaria em parâmetros totais qualquer modelo de pesos abertos ocidental conhecido, desafiando a narrativa de "vantagem computacional" que favorecia os laboratórios dos EUA
• Estratégia de pesos abertos como alavanca geopolítica: Ao liberar os pesos abertamente, os laboratórios chineses disponibilizam seus modelos gratuitamente para desenvolvedores globais, contornando os controles de exportação de hardware. Desenvolvedores no Ocidente e no Sul Global podem executar esses modelos em sua própria infraestrutura
• Migração de talentos: O Hy3 da Tencent foi liderado por uma contratação da OpenAI (Shunyu Yao), ilustrando o fluxo bidirecional de talentos em IA
• Concorrência de preços: DeepSeek V4 Pro e MiniMax M3 competem com preços iguais ou inferiores aos do GPT-5.5 em provedores de API, reduzindo os custos globalmente
• Paridade em benchmarks: O MiniMax M3 com 59,0% no SWE-bench Pro supera o GPT-5.5 (58,6%), enquanto o DeepSeek V4 Pro com 80,6% no SWE-bench Verified é o melhor entre os modelos de pesos abertos

Desafios Computacionais para Implantar um Modelo de 2,7T Parâmetros

Um modelo de pesos abertos com 2,7T parâmetros apresentaria desafios extremos de implantação:

• Requisitos de memória: Mesmo em quantização de 8 bits, carregar 2,7T parâmetros exigiria ~2,7 TB de memória GPU. Em FP16, isso sobe para ~5,4 TB. Seriam necessárias centenas de GPUs (ex: 200+ H100s com 80 GB cada) apenas para carregar o modelo na memória
• Arquitetura MoE provável: Os modelos M1 e M3 da MiniMax usam MoE, com apenas uma fração dos parâmetros ativada por token (ex: 23B ativos de 428B totais no M3) . Se o modelo de 2,7T seguir esse padrão com uma taxa de parâmetros ativos similarmente baixa (ex: ~135B ativos), a inferência pode ser viável em um cluster menor do que o número total de parâmetros sugere, embora ainda muito além do que uma única GPU pode suportar
• Latência e throughput de inferência: Mesmo com a esparsidade do MoE, servir tal modelo em escala exige paralelismo de tensor, pipeline e especialista sofisticados em muitos nós, com interconexões de alta largura de banda
• Custo de treinamento: Treinar um modelo de 2,7T parâmetros exigiria um orçamento computacional enorme — provavelmente dezenas de milhares de GPU-meses, mesmo com técnicas eficientes de treinamento MoE
• Distribuição dos pesos: Simplesmente hospedar e distribuir 2,7T parâmetros (potencialmente 5+ TB de pesos) é um desafio logístico para o Hugging Face e outros repositórios

No entanto, a MiniMax demonstrou uma forte engenharia de eficiência — o M1 foi treinado com 70% menos computação do que o DeepSeek R1, alcançando benchmarks competitivos , e o M3 usa mecanismos de atenção esparsa . Eles podem empregar inovações semelhantes para o modelo de 2,7T.

Adoção Global Crescente de Modelos Chineses de IA

Os modelos de pesos abertos chineses ganharam força global significativa por várias razões:

• Preços: DeepSeek V4 Pro cobra ~$0,435/M tokens de entrada vs MiniMax M3 a ~$0,30/M, ambos extremamente competitivos com os preços de API ocidentais
• Licenciamento permissivo: Apache 2.0 (MiniMax M1, Tencent Hy3) e MIT (DeepSeek V4-Pro) permitem uso comercial, modificação e redistribuição sem restrições
• Competitividade em benchmarks: Esses modelos igualam ou superam GPT-5.5 e Claude em benchmarks-chave (codificação, raciocínio, matemática)
• Ecossistema para desenvolvedores: Os pesos são hospedados no Hugging Face e integrados ao OpenRouter, Kilo Code e outras plataformas, tornando-os acessíveis a desenvolvedores globais

A tendência sinaliza que a China não é mais apenas uma seguidora com restrições de hardware em IA — ela é líder em lançamentos de modelos de pesos abertos, usando a abertura como uma moeda competitiva contra os líderes ocidentais de modelos fechados. O modelo planejado de 2,7T, se concretizado, seria a declaração mais forte nessa direção.

Ainda não há uma data de lançamento oficial, mas o trabalho interno já está em andamento, e especula-se que possa ser lançado já no terceiro trimestre de 2026 .

Comparação com os Modelos Atuais da MiniMax

A MiniMax tem evoluído rapidamente sua linha de modelos. Veja a progressão:

O salto do M3 (428B) para o M3 Pro (2,7T) representa um aumento de aproximadamente 6,3 vezes no total de parâmetros. Se a MiniMax mantiver a abordagem MoE, a quantidade de parâmetros ativos por token pode permanecer na casa das dezenas ou centenas de bilhões, mas a pegada total de parâmetros seria algo inédito para um modelo de pesos abertos .

Comparação com o DeepSeek-V4-Pro

O DeepSeek-V4-Pro é o principal modelo de pesos abertos da DeepSeek, lançado em 23 de abril de 2026 . Veja como ele se compara aos modelos da MiniMax:

• DeepSeek-V4-Pro: 1,6T de parâmetros totais, 49B ativados, licença MIT, especialista em código puro — a maior classificação Codeforces de qualquer modelo de linguagem e 80,6% no SWE-bench Verified (melhor entre os modelos de pesos abertos)
• MiniMax M3 (atual): ~428B total / ~23B ativos — mais forte em tarefas multimodais e matemática (média de 85,7 contra 31,7 em um agregado), mas mais fraco em benchmarks de código puro do que o DeepSeek-V4-Pro
• MiniMax M3 Pro (planejado): Com 2,7T, superaria ambos os modelos em parâmetros totais

A maioria das análises aponta que o MiniMax M3 e o DeepSeek V4-Pro "mal competem" — eles são otimizados para cargas de trabalho diferentes: o M3 é voltado para codificação agêntica multimodal e tarefas de contexto longo, enquanto o V4-Pro é um especialista em código algorítmico puro, com menor custo por token .

O Contexto Mais Amplo dos Modelos de Pesos Abertos Chineses

Os laboratórios chineses de IA têm lançado uma onda de modelos de pesos abertos extremamente poderosos em 2025–2026:

• DeepSeek-V4-Pro (23 de abril de 2026) — 1,6T MoE, licença MIT, desempenho de codificação de fronteira
• Tencent Hy3 (Hunyuan 3.0) — Lançamento prévio em 23 de abril de 2026; lançamento completo dos pesos em 6 de julho de 2026 sob licença Apache 2.0. Um modelo MoE de 295B parâmetros (21B ativos, 192 especialistas, roteamento top-8) com contexto de 256K, liderado pelo ex-pesquisador da OpenAI, Shunyu Yao
• MiniMax-M1 (Junho 2025) — Modelo de raciocínio de pesos abertos com 456B parâmetros, licença Apache 2.0, primeiro modelo de raciocínio de atenção híbrida em larga escala e código aberto
• MiniMax-M3 (Junho 2026) — ~428B total, codificação multimodal de fronteira
• Ant Group Ling-2.6-flash (22 de abril de 2026) — MoE eficiente de 104B/7,4B ativos
• Outros laboratórios chineses como Alibaba (Qwen), ByteDance e Baichuan também lançaram modelos de pesos abertos

Isso reflete uma estratégia deliberada dos laboratórios chineses de liberar modelos com pesos abertos (frequentemente sob licenças Apache 2.0 ou MIT), em contraste com muitos laboratórios ocidentais (OpenAI, Anthropic, Google) que mantêm seus modelos de fronteira fechados .

Concorrência com Laboratórios Ocidentais de IA

A rápida sucessão de lançamentos de modelos de código aberto chineses sinaliza várias coisas:

• Corrida de escala: O modelo de 2,7T da MiniMax superaria em parâmetros totais qualquer modelo de pesos abertos ocidental conhecido, desafiando a narrativa de "vantagem computacional" que favorecia os laboratórios dos EUA
• Estratégia de pesos abertos como alavanca geopolítica: Ao liberar os pesos abertamente, os laboratórios chineses disponibilizam seus modelos gratuitamente para desenvolvedores globais, contornando os controles de exportação de hardware. Desenvolvedores no Ocidente e no Sul Global podem executar esses modelos em sua própria infraestrutura
• Migração de talentos: O Hy3 da Tencent foi liderado por uma contratação da OpenAI (Shunyu Yao), ilustrando o fluxo bidirecional de talentos em IA
• Concorrência de preços: DeepSeek V4 Pro e MiniMax M3 competem com preços iguais ou inferiores aos do GPT-5.5 em provedores de API, reduzindo os custos globalmente
• Paridade em benchmarks: O MiniMax M3 com 59,0% no SWE-bench Pro supera o GPT-5.5 (58,6%), enquanto o DeepSeek V4 Pro com 80,6% no SWE-bench Verified é o melhor entre os modelos de pesos abertos

Desafios Computacionais para Implantar um Modelo de 2,7T Parâmetros

Um modelo de pesos abertos com 2,7T parâmetros apresentaria desafios extremos de implantação:

• Requisitos de memória: Mesmo em quantização de 8 bits, carregar 2,7T parâmetros exigiria ~2,7 TB de memória GPU. Em FP16, isso sobe para ~5,4 TB. Seriam necessárias centenas de GPUs (ex: 200+ H100s com 80 GB cada) apenas para carregar o modelo na memória
• Arquitetura MoE provável: Os modelos M1 e M3 da MiniMax usam MoE, com apenas uma fração dos parâmetros ativada por token (ex: 23B ativos de 428B totais no M3) . Se o modelo de 2,7T seguir esse padrão com uma taxa de parâmetros ativos similarmente baixa (ex: ~135B ativos), a inferência pode ser viável em um cluster menor do que o número total de parâmetros sugere, embora ainda muito além do que uma única GPU pode suportar
• Latência e throughput de inferência: Mesmo com a esparsidade do MoE, servir tal modelo em escala exige paralelismo de tensor, pipeline e especialista sofisticados em muitos nós, com interconexões de alta largura de banda
• Custo de treinamento: Treinar um modelo de 2,7T parâmetros exigiria um orçamento computacional enorme — provavelmente dezenas de milhares de GPU-meses, mesmo com técnicas eficientes de treinamento MoE
• Distribuição dos pesos: Simplesmente hospedar e distribuir 2,7T parâmetros (potencialmente 5+ TB de pesos) é um desafio logístico para o Hugging Face e outros repositórios

No entanto, a MiniMax demonstrou uma forte engenharia de eficiência — o M1 foi treinado com 70% menos computação do que o DeepSeek R1, alcançando benchmarks competitivos , e o M3 usa mecanismos de atenção esparsa . Eles podem empregar inovações semelhantes para o modelo de 2,7T.

Adoção Global Crescente de Modelos Chineses de IA

Os modelos de pesos abertos chineses ganharam força global significativa por várias razões:

• Preços: DeepSeek V4 Pro cobra ~$0,435/M tokens de entrada vs MiniMax M3 a ~$0,30/M, ambos extremamente competitivos com os preços de API ocidentais
• Licenciamento permissivo: Apache 2.0 (MiniMax M1, Tencent Hy3) e MIT (DeepSeek V4-Pro) permitem uso comercial, modificação e redistribuição sem restrições
• Competitividade em benchmarks: Esses modelos igualam ou superam GPT-5.5 e Claude em benchmarks-chave (codificação, raciocínio, matemática)
• Ecossistema para desenvolvedores: Os pesos são hospedados no Hugging Face e integrados ao OpenRouter, Kilo Code e outras plataformas, tornando-os acessíveis a desenvolvedores globais

A tendência sinaliza que a China não é mais apenas uma seguidora com restrições de hardware em IA — ela é líder em lançamentos de modelos de pesos abertos, usando a abertura como uma moeda competitiva contra os líderes ocidentais de modelos fechados. O modelo planejado de 2,7T, se concretizado, seria a declaração mais forte nessa direção.