O misterioso modelo de IA da China que roda em chips chineses — e quem está por trás dele

Por seis dias, um modelo de inteligência artificial (IA) sem nome, sem preço divulgado e sem laboratório associado publicamente processou cerca de 31% de todo o tráfego semanal de código gerado na OpenRouter — uma das maiores plataformas de acesso a modelos de IA do mundo.

Batizado apenas de "Ox Alpha" pela comunidade que tentava identificá-lo, o modelo rodou por seis dias, somando 62 trilhões de tokens processados entre a OpenRouter e a OpenCode, inteiramente sobre chips fabricados na China por três empresas incluídas na lista de restrição de exportação dos Estados Unidos (Entity List).

Na quinta-feira, 26, a Z.ai — marca internacional da chinesa Zhipu AI — confirmou o que pistas técnicas já sugeriam havia dias: Ox Alpha era, na verdade, o GLM-5.3-Flash, o primeiro modelo nativamente multimodal da série GLM-5 da empresa.

Um teste real para o 'problema dos chips' da China

O episódio funciona como o dado mais concreto até hoje em um debate que analistas e formuladores de política discutem desde que os Estados Unidos começaram a restringir a exportação de chips avançados de IA para a China, em 2022: os processadores fabricados domesticamente pelo país conseguem sustentar inferência de IA em escala de fronteira, no mundo real?

O cluster que rodou o Ox Alpha durante o teste sigiloso foi montado inteiramente com chips das fabricantes Huawei, Hygon e Moore Threads — todas sob restrições da Entity List americana desde 2019 (Huawei e Hygon) ou 2023 (Moore Threads). Nenhum chip da Nvidia foi usado.

Um modelo enxuto, mas exigente

O GLM-5.3-Flash é um modelo de mistura de especialistas (mixture-of-experts) com 320 bilhões de parâmetros totais, dos quais apenas 18 bilhões são ativados por token.

Ainda assim, rodar o modelo localmente exige cerca de 386 gigabytes (GB) de memória de vídeo — o equivalente a um servidor com pelo menos oito GPUs de última geração —, tornando-o uma proposta de data center, não de estação de trabalho comum.

Uma característica pouco usual da arquitetura é o design de atenção híbrido, que combina camadas de atenção tradicional esparsa com uma técnica batizada pela Z.ai de Key-Driven Attention (KDA), que substitui o cache de memória que cresce junto com o texto processado por uma matriz de tamanho fixo.

Segundo a empresa, isso reduz o cálculo de atenção em cerca de três vezes e o uso de memória de cache em 4,4 vezes, em comparação com a versão anterior do GLM-5.3 — dados ainda sem validação independente publicada. Na prática, isso permite que o modelo opere com janela de contexto de até 1 milhão de tokens sem exigir hardware proporcionalmente maior. Em testes independentes, o modelo pontuou 57 em 100 no Artificial Analysis Intelligence Index, faixa considerada de fronteira pelo próprio índice.

Como 100 mil chips domésticos sustentaram a carga?

O principal componente do cluster foi o MTT S5000, quarta geração de chips da Moore Threads, construído sobre a arquitetura própria batizada de Pinghu MUSA.

Cada placa entrega 1.000 teraflops (TFLOPS) de computação de IA em FP8, com 80 GB de memória e largura de banda de 1,6 terabyte por segundo (TB/s) — especificações abaixo das placas Hopper e Blackwell da Nvidia, o que exigiu compensação por volume. Foram necessários 100 mil chips domésticos para sustentar uma carga que, em hardware da Nvidia, exigiria um cluster bem menor.

Para lidar com essa desvantagem de escala, a Z.ai implementou uma arquitetura que separa as etapas de processamento do texto de entrada (prefill) e de geração de cada token de saída (decode) em grupos de computação administrados de forma independente — permitindo que os chips domésticos operem lado a lado com GPUs internacionais durante a transição, em cargas de trabalho híbridas.

No mesmo dia em que a Z.ai revelou publicamente o GLM-5.3-Flash, a Moore Threads já havia concluído o que chama de "adaptação Dia Zero": suporte completo de inferência para o modelo, no mesmo dia do lançamento, usando sua própria pilha de software MUSA.

Segundo a empresa, esse tipo de adaptação já havia sido replicado rapidamente para outros modelos chineses recentes, como o LongCat-2.0, da Meituan, o Kimi K3, da Moonshot AI, e o H3, da MiniMax — indício de que o atraso histórico de compatibilidade de software, um dos maiores obstáculos à adoção de GPUs domésticas chinesas, caiu de semanas para horas.

O que os controles de exportação realmente mostram

Segundo analistas, o episódio não prova que a China "resolveu" o problema dos chips de forma definitiva. O MTT S5000 é uma placa capaz de inferência, mas não substitui chips como o H100 ou o H200 da Nvidia em escala de treinamento de modelos de fronteira — que segue sendo o gargalo mais difícil de superar para os laboratórios chineses.

Ainda assim, a demonstração prática de inferência em volume recorde, usando apenas hardware doméstico, é o dado mais concreto já reunido nesse debate.

Um alerta de segurança para quem usa a API fora da China

Para usuários fora da China que acessam o modelo pela API da Z.ai, em vez de rodá-lo localmente, existe outra camada de risco: a empresa é sediada em Pequim, e o processamento acontece em servidores dentro do território chinês.

Esse professor fundou a 'Anthropic da China' — e ela vale US$ 6,6 bilhões

Segundo o Tech Times, isso ativa obrigações legais previstas em três leis chinesas — a Lei de Inteligência Nacional (2017), a Lei de Cibersegurança (2017) e a Lei de Segurança de Dados (2021) —, que exigem que empresas que operam redes na China deem suporte técnico a autoridades de segurança do governo mediante solicitação, independentemente do que a política de privacidade da empresa declare.

Para quem quer evitar esse tipo de exposição sem abrir mão da tecnologia, a alternativa é rodar o modelo localmente, já que os pesos do GLM-5.3-Flash são abertos, sob licença MIT — mas isso exige investimento pesado em hardware.