模思智能 capta mais de 1 bilhão de yuans em Pre-A para modelo omnimodal em tempo real

A startup de Xangai 模思智能 anunciou em 12 de outubro o fechamento de uma rodada Pre-A de mais de 1 bilhão de yuans. Pela cotação atual, isso equivale a cerca de 140 milhões de dólares. A 华控基金 liderou a rodada. A empresa afirma que vai direcionar o dinheiro a um modelo-base para interação omnimodal (全模态) em tempo real. Um sistema desse tipo deve perceber e gerar texto, voz, imagem e vídeo em um único fluxo contínuo, sem pausa entre "ouvir" e "responder".

O valor chama atenção até em um mercado onde grandes rodadas iniciais já deixaram de ser raridade. Um Pre-A costuma ser medido em dezenas de milhões de dólares, e aqui a ordem de grandeza é outra. Na prática, os investidores estão financiando o desenvolvimento de um modelo fundacional próprio, e não de um produto aplicado construído sobre o modelo de outra empresa.

Quem investiu

A lista de participantes diz sobre a rodada tanto quanto o número em si. Além da líder 华控基金, entraram na operação 国开科创, 上海科创基金, 新微资本, 徐汇资本, 追光硬科技创投 e 临港策源基金. A maioria deles tem ligação com capital estatal ou regional, sobretudo de Xangai. Os acionistas antigos 元禾控股, 上海国投 (por meio da 上海科创集团) e 星连资本 investiram novamente. A 多维资本 foi designada consultora financeira exclusiva da rodada e também para o período seguinte.

O reinvestimento dos acionistas anteriores costuma ser lido como sinal de que a equipe cumpriu o que prometeu na etapa anterior. Mas a empresa não divulgou publicamente quais foram esses resultados.

O que se sabe sobre o objetivo da rodada

A direção declarada é a "base" (基座) para interação omnimodal em tempo real. Na China, o termo designa o modelo fundacional sobre o qual outras empresas constroem aplicações. A palavra-chave aqui é "tempo real". O pipeline clássico, com reconhecimento de fala, depois modelo de linguagem e depois síntese de voz, acumula latência a cada etapa. Um modelo único, que trabalha diretamente com várias modalidades, consegue responder mais rápido e interromper a própria fala quando o usuário entra na conversa. É nessa direção que os grandes laboratórios também estão caminhando.

O anúncio original, na versão disponível, termina na descrição dos objetivos. Arquitetura, tamanho do modelo, benchmarks e prazo de lançamento não constam do texto. Por isso, tudo que vai além do que foi dito continua sendo suposição.

O que está confirmado:

• Rodada: Pre-A, mais de 1 bilhão de yuans (cerca de 140 milhões de dólares).
• Investidor líder: 华控基金.
• Novos participantes: 国开科创, 上海科创基金, 新微资本, 徐汇资本, 追光硬科技创投, 临港策源基金.
• Acionistas anteriores: 元禾控股, 上海科创集团, 星连资本.
• Consultora financeira: 多维资本 (exclusiva, para a rodada e para o longo prazo).
• Destino dos recursos: modelo omnimodal de interação em tempo real.

O que acompanhar daqui para frente

Para quem acompanha o mercado chinês, os próximos sinais de maturidade do projeto são bastante concretos. Primeiro: se vão surgir um relatório técnico ou pesos abertos que permitam avaliar a latência de resposta e a qualidade da voz. Segundo: se a empresa vai citar seus primeiros clientes, por exemplo em assistentes de voz, dispositivos inteligentes ou serviços corporativos. Terceiro: como a rodada vai afetar as contratações, já que modelos de tempo real exigem tanto pesquisadores quanto computação cara.

Desenvolvedores e equipes de produto, por enquanto, devem apenas incluir a 模思智能 em sua lista de observação. Sem API, documentação e números, ainda é cedo para incluí-la na arquitetura de um projeto. Para investidores e analistas, vale comparar as condições da rodada com as de outros players chineses no segmento multimodal. Se os próximos passos confirmarem a ambição, o polo de Xangai ganhará mais um candidato ao papel de camada básica para interfaces de voz e vídeo.