Z.AI Co., Ltd.；MiniMax Group Inc.: Iniciando cobertura de laboratórios chineses de IA: construtivo com a Z.ai, cauteloso com a MiniMax

Visão geral

O relatório inicia a cobertura de Z.ai e MiniMax e compara as duas empresas quanto à capacidade dos modelos, P&D acumulada, trajetória de comercialização, economia de inferência e avaliação. A Bernstein é, em geral, construtiva quanto à continuidade da iteração dos principais laboratórios chineses de IA próximos à fronteira tecnológica global, acreditando que o apoio de políticas domésticas, a expansão da capacidade de chips nacionais e a adoção internacional de modelos open source com bom custo-benefício impulsionarão o crescimento de longo prazo, mas vê diferenças claras na certeza de investimento entre as duas empresas.

Visões principais

O sucesso comercial dos laboratórios de IA depende primeiro de sua capacidade de estabelecer picos de capacidade diferenciados e ocupar uma posição na fronteira de Pareto entre capacidade de raciocínio e preço; a receita recorrente anual e as margens de inferência são resultados posteriores da competitividade dos modelos. A Z.ai conta com uma equipe de cientistas básicos, conexões com a Universidade Tsinghua, ampla base de clientes de plataformas de internet e posicionamento mais forte em modelos de programação, enquanto o GLM-5.2 demonstra boa eficiência de parâmetros, sendo vista como uma exposição mais pura à capacidade de P&D de fronteira. O M3 da MiniMax está atrás da fronteira, tornando o M3 Pro o principal ponto de comprovação; seus negócios de multimodalidade e geração de vídeo enfrentam concorrência relativamente mais fraca, mas seu teto de comercialização pode ser menor que o de cenários de programação agentiva e produtividade.

Estrutura de análise

O relatório utiliza uma combinação de abordagens top-down e bottom-up: top-down para avaliar o investimento em capital de IA da China, TAM de receita, políticas e oferta de capacidade computacional; bottom-up para comparar escala de parâmetros dos modelos, desempenho em benchmarks, capacidade acumulada da equipe de P&D, adoção por desenvolvedores, parceiros de distribuição, receita recorrente anual, margens de inferência e projeções financeiras, e para determinar preços-alvo por meio de avaliação relativa e metodologia de fluxo de caixa descontado.

Notas metodológicas

• Análise de competitividadeFronteira de Pareto de capacidade de raciocínio-preço

  Os modelos devem oferecer uma combinação de capacidade e custo difícil de substituir e formar picos de capacidade diferenciados.

  O relatório acredita que entrar na fronteira de Pareto é apenas um limiar básico; somente a capacidade de resolver tarefas difíceis, gerar maior disposição a pagar e escalar serviços a menor custo pode sustentar a próxima rodada de investimento em treinamento.

• Avaliação de capacidade técnicaP&D acumulada e benchmarking de modelos proprietários

  Medir a capacidade de iteração contínua com base no histórico de pesquisa científica da equipe, inovação em arquitetura de modelos, escala de parâmetros, capacidade de conclusão de tarefas e adoção por desenvolvedores.

  A iteração de modelos é vista como um processo orientado por capacidade, e o sentimento de mercado de curto prazo não pode substituir a análise da equipe de P&D, do progresso dos modelos e do uso efetivo por desenvolvedores.

• Estimativa de tamanho de mercadoConversão de capex em receita e método de gastos por trabalhador do conhecimento

  Estimar o TAM de receita de IA da China, respectivamente, a partir da conversão de capex de IA e do gasto per capita de trabalhadores do conhecimento.

  O relatório estima o TAM de receita de IA da China em 2030 usando uma relação aproximada de 3:1 entre capex e receita incremental, e faz uma verificação cruzada usando o número de trabalhadores do conhecimento e diferenças salariais.

• AvaliaçãoAvaliação relativa e fluxo de caixa descontado (DCF)

  Determinar preços-alvo combinando múltiplos futuros de P/L ou P/S com resultados de fluxo de caixa descontado.

  A Z.ai utiliza 25x o P/L esperado para 2030 descontado a 14% ao ano e combina isso com a avaliação por DCF; a MiniMax utiliza 4.5x o P/S esperado para 2029 descontado a 14% ao ano e combina isso com a avaliação por DCF.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Z.ai (2513.HK)

  Exposição central otimista

  Pontos fortes

  A equipe de cientistas básicos tem forte capacidade acumulada de P&D; o GLM-5.2 demonstra boa inteligência e eficiência de parâmetros; a direção de programação está alinhada à adoção de IA por empresas; a empresa possui clientes de plataformas de internet, canais de talentos e dados relacionados à Universidade Tsinghua e suporte de distribuição internacional relativamente amplo.

  Pontos fracos

  O Kimi K3 elevou o padrão para modelos de fronteira, e o modelo de pré-treinamento de próxima geração da empresa precisa provar que ela permanece na fronteira da China; os gastos de P&D são elevados, e a empresa ainda opera com prejuízo no curto prazo.

  Comparação

  Em comparação com a MiniMax, a Z.ai é vista como uma exposição mais repetível e mais pura à capacidade de P&D de raciocínio de fronteira, com maior teto de comercialização nos mercados de programação e agentes.

  Riscos

  Desempenho abaixo das expectativas do modelo GLM de próxima geração, iteração rápida por concorrentes, atrasos na expansão de capacidade computacional, competição de preços pressionando margens de inferência e alto investimento em P&D pesando sobre a rentabilidade.

• MiniMax (100.HK)

  Exposição de alocação neutra

  Pontos fortes

  O preço das ações caiu significativamente em relação ao pico; a concorrência no mercado multimodal é relativamente mais fraca; espera-se que o H3 melhore o posicionamento e sustente o crescimento da receita recorrente anual; a geração de vídeo está alinhada à expertise acumulada da empresa em visão computacional.

  Pontos fracos

  O M3 está atrás da fronteira, e o M3 Pro precisa realizar um salto de escala de parâmetros incomumente significativo; o roteiro de P&D passou por múltiplos ajustes estratégicos; os parceiros globais de distribuição diminuíram; o TAM de receita e o teto de comercialização de multimodalidade e geração de vídeo podem ser menores que os da programação agentiva.

  Comparação

  Em comparação com a Z.ai, a MiniMax tem menor visibilidade em seu pipeline de modelos e em sua capacidade de P&D de fronteira, portanto é aplicado um múltiplo P/S futuro menor.

  Riscos

  O M3 Pro não consegue restaurar a credibilidade de fronteira, a competição de preços se intensifica no mercado de agentes de baixa complexidade, o potencial de comercialização da geração de vídeo é limitado, o crescimento da receita recorrente anual é mais fraco do que o esperado e os múltiplos de avaliação são rebaixados.

Dados principais

• Recomendação e preço-alvo da Z.aiDesempenho Superior; HK$1,350Preço atual de HK$1,014.00 em 2026-08-03, implicando potencial de alta de aproximadamente 33.1%.
• Recomendação e preço-alvo da MiniMaxDesempenho de Mercado; HK$275Preço atual de HK$230.20 em 2026-08-03, implicando potencial de alta de aproximadamente 19.5%.
• TAM de receita em 2030 para os principais laboratórios chineses de IAUS$100 billion a US$200 billionExclui um grande número de casos de uso de consumo; o relatório acredita que os principais laboratórios podem capturar uma parcela desproporcional do valor.
• TAM total de receita de IA da China em 2030aproximadamente US$200 billion a US$300 billionEstimado com base em capex acumulado de IA superior a US$1 trillion e na relação de conversão de capex em receita.
• Lacuna de capacidade entre modelos chineses e modelos de fronteira dos EUAaproximadamente 3 a 4 mesesO relatório acredita que o GLM-5.2 e o Kimi K3 podem ter reduzido ainda mais a lacuna anterior de cerca de 6 a 9 meses.
• Capacidade computacional e receita recorrente anual da Z.aiaproximadamente 1 gigawatt de capacidade computacional disponível até o fim do ano; espera-se que a receita recorrente anual exceda US$2 billion por volta do fim do anoA expansão da capacidade computacional é vista como um importante suporte para desempenho de receita acima das expectativas.
• Ponto de inflexão de rentabilidade da Z.aipor volta de 2028O relatório espera que a empresa alcance o ponto de equilíbrio do lucro operacional não-GAAP sob a premissa de rápido crescimento do investimento em P&D.
• Escala do modelo da Z.aiparâmetros totais de pré-treinamento do GLM-5.2 de aproximadamente 744 billionO relatório acredita que seu nível de inteligência e eficiência de custo são excepcionais.
• Exigência de salto de modelo da MiniMaxaumento de 428 billion para 2.7 trillion de parâmetros totaisO salto exigido para o M3 Pro é mais de duas vezes o nível comumente observado entre pares chineses nos últimos anos.

Impacto e implicações

Se os principais laboratórios chineses continuarem a reduzir a lacuna em relação aos modelos de fronteira dos EUA e diminuírem os custos de inferência após a expansão da capacidade computacional doméstica, seu crescimento de receita poderá ser significativamente maior do que as atuais expectativas de mercado. Sob uma perspectiva de investimento, os investidores devem priorizar capacidade repetível de P&D de modelos, cenários de programação e agentes, adoção por desenvolvedores e economia unitária de inferência, em vez de negociar exclusivamente com base no lançamento de modelo mais recente. Por isso, o relatório prefere a Z.ai; embora a MiniMax possa se beneficiar do H3 e da demanda multimodal, sua avaliação e a confiança do mercado ainda dependem fortemente de o M3 Pro conseguir restaurar sua posição de fronteira.

Riscos

• Os modelos de fronteira iteram extremamente rápido, e um único lançamento de modelo pode fazer com que as expectativas de mercado e os preços das ações sejam redefinidos de forma acentuada.
• Os laboratórios dos EUA têm acesso significativamente maior à capacidade computacional, e a lacuna entre os modelos chineses e a fronteira global pode se ampliar novamente.
• Se a expansão da oferta doméstica de chips e capacidade computacional ficar abaixo das expectativas, ela restringirá a escala de treinamento, a oferta de inferência e o crescimento da receita.
• A convergência das capacidades dos modelos e a competição de preços em tarefas de baixa complexidade podem comprimir as margens de inferência.
• Investimentos sustentados e elevados em P&D e treinamento podem atrasar a rentabilidade e o ponto de inflexão do fluxo de caixa livre.
• O acesso a mercados internacionais, a geopolítica e as restrições tecnológicas podem limitar a comercialização internacional de modelos chineses.
• O potencial de comoditização e o teto de receita dos mercados de multimodalidade e geração de vídeo podem ser menores que os do mercado de programação agentiva.
• A avaliação depende de premissas de receita futura, margem e taxa de desconto, e desvios nas projeções podem afetar significativamente os preços-alvo.

Pontos a observar

• A atualização GLM-5.3 da Z.ai planejada para agosto de 2026 e o modelo de pré-treinamento de próxima geração esperado para lançamento no quarto trimestre de 2026.
• Se a capacidade computacional disponível de aproximadamente 1 gigawatt da Z.ai até o fim do ano poderá ser entregue no prazo e se a receita recorrente anual poderá exceder US$2 billion por volta do fim do ano.
• Se as capacidades de programação, tarefas de longo horizonte e agentes dos modelos GLM permanecem na fronteira de Pareto entre capacidade e preço.
• Se o MiniMax M3 Pro pode alcançar um salto de 428 billion para 2.7 trillion de parâmetros totais e restaurar a credibilidade de fronteira.
• O impulso efetivo do MiniMax H3 sobre receita recorrente anual, adoção de usuários e posicionamento de mercado.
• Indicadores de alta frequência, como tráfego web, receita de API, uso por desenvolvedores e número de parceiros globais de plataformas de serviços de modelos.
• O progresso da expansão de capacidade para chips domésticos da China, infraestrutura de inferência e fábricas locais de capacidade computacional.
• Preços de inferência, margens brutas e a intensidade da competição de preços em tarefas de agentes de baixa complexidade.
• Adoção e modelos de licenciamento comercial de modelos chineses open source em mercados internacionais não americanos.