MiniMax quebra a 'tradição' com um aumento de 700% na receita empresarial e transforma-se silenciosamente na 'vendedora de pás'

A MiniMax usou um ano para realizar uma migração estrutural e tornou-se atualmente uma empresa de base de computação focada no ecossistema global de desenvolvedores, em MaaS multimodal e na infraestrutura de Agentes.

De acordo com os dados divulgados, a escala de receita geral da MiniMax obteve um aumento enorme, alcançando uma receita total de cerca de 120 milhões de dólares no primeiro semestre de 2026, um aumento de 283,1% em relação ao ano anterior. A receita de apenas meio ano atingiu 1,5 vezes a receita total de 2025.

Neste contexto, a receita do negócio B2B, composta principalmente pela plataforma aberta e outros serviços corporativos, atingiu 73,9 milhões de dólares, um aumento de mais de 700% em relação ao ano anterior. A sua participação na receita total saltou de 30,3% no ano anterior para 63,4%, tornando-se de uma só vez o maior pilar de receita da empresa.

O crescimento galopante do mercado empresarial trouxe um aumento significativo para a ARR (Receita Recorrente Anual) da MiniMax, atingindo 800 milhões de dólares até agosto, sendo que o negócio B2B já representa cerca de 80%, e o B2C apenas cerca de 20%.

(Vale notar que a ARR não é um número auditado pelos princípios contábeis geralmente aceitos e contém naturalmente certa inflação, mas para empresas de modelos de IA e empresas SaaS, ainda é um indicador de avaliação valioso.)

Além disso, o mercado externo contribuiu com cerca de 60% da receita da MiniMax no primeiro semestre, destacando mais uma vez a sua natureza globalizada.

Ao mesmo tempo que a receita disparava, as despesas de vendas e distribuição caíram 17,9% em relação ao ano anterior, para 27 milhões de dólares, enquanto o lucro bruto cresceu 464,8%, para 20,81 milhões de dólares.

Em termos de prejuízos, o prejuízo líquido deste período reduziu de cerca de 400 milhões de dólares no ano anterior para aproximadamente 360 milhões de dólares.

Isso significa que a MiniMax se despediu completamente da fase inicial que dependia da compra de tráfego para aquisição de usuários em aplicativos de entretenimento generalista para o consumidor. Após um esforço abrangente em modelos de base e capacidades de modelos multimodais, já se transformou em um crescimento de rede natural impulsionado pelo ecossistema corporativo e de desenvolvedores.

Fazendo uma simples comparação horizontal:

• De acordo com o The Information, a DeepSeek alcançou uma receita de 70,7 milhões de dólares nos primeiros sete meses deste ano. Excluindo o movimentado mês de julho, estima-se que a receita da MiniMax no primeiro semestre seja cerca de duas vezes a da DeepSeek;

• Embora a receita líquida da DeepSeek seja inferior à da MiniMax, os primeiros sete meses alcançaram 10 vezes a receita total de 2025, um crescimento muito superior ao da MiniMax;

• O prejuízo líquido da DeepSeek nos primeiros sete meses foi de 106 milhões de dólares, e o prejuízo líquido da MiniMax neste período é cerca de 3,4 vezes o da DeepSeek.

Novos e velhos consensos

A MiniMax revelou que o aumento disruptivo no consumo de Tokens é uma razão importante para a explosão de receita neste período.

Apenas em julho deste ano, o consumo de Tokens em todas as plataformas da MiniMax atingiu exatamente 20 vezes o de janeiro. Até o momento, o número de clientes corporativos globais e desenvolvedores ultrapassou 2 milhões, 10 vezes mais do que no final de 2025.

A razão para um salto não linear tão exagerado no consumo de Tokens reside na migração do paradigma de consumo de modelos.

O CEO Yan Junjie revelou que o paradigma de consumo de modelos passou de um "diálogo direto entre humano e IA" para uma "interação em cascata de múltiplas rodadas entre Agentes e IA".

O crescimento da demanda por inferência impulsionado por Agentes é significativamente mais rápido do que o crescimento do número de usuários humanos e de mensagens. Isso leva diretamente a uma explosão multiplicadora no consumo de Tokens por usuário.

Isso já é um "velho consenso" na indústria de modelos em rápida evolução.

E o novo consenso mais importante é que o pós-treinamento se tornou o novo teto do Scaling.

A partir dos dados públicos recentes do GLM 5.3 da Zhipu, DeepSeek V4 Flash (versão 0731) e Gemini 3.x Flash, cada vez mais fabricantes de modelos dependem fortemente de pequenas atualizações de versão, ou até mesmo apenas de pós-treinamento, para melhorar significativamente o desempenho do modelo em tarefas convencionais específicas.

Yan Junjie também levantou essa mudança no novo consenso da indústria durante a reunião de resultados: o Scaling dos grandes modelos atuais está a expandir-se rapidamente do pré-treinamento único para o treinamento intermediário, pós-treinamento e aprendizado por reforço.

Na fase de pós-treinamento, a geração massiva de dados sintéticos, o rollout de ambiente (inferência/geração) no aprendizado por reforço e a verificação por tentativa e erro das tarefas geradas são, em essência, computação de inferência. Quanto menor o custo de inferência por unidade de poder computacional e maior a taxa de transferência, maiores serão as trajetórias e a escala de experimentos que o modelo pode processar no pós-treinamento. É por isso que um grupo de fabricantes de modelos, incluindo a MiniMax, investe uma proporção cada vez maior de poder computacional nas fases de treinamento intermediário e pós-treinamento.

Yan Junjie apontou que, sob a mesma escala de poder computacional, o múltiplo de melhoria na eficiência da computação de inferência apresenta uma correlação basicamente linear com o múltiplo de aumento da escala do pós-treinamento. Esta frase pode ser entendida de forma grosseira como: quanto mais força é aplicada no pós-treinamento, maior é a melhoria na eficiência da inferência e melhores são os resultados finais apresentados pelo modelo.

**Em outras palavras, independentemente de as pessoas acreditarem que a Scaling Law atingiu um muro ou se a quantidade de parâmetros do modelo atingiu o seu limite — o pós...