Z.AI Co. (2513.HK): Atualização Pós-Treinamento do GLM-5.3 Fortalece Capacidades, mas Recomendação Neutra é Mantida em Meio a Restrições de Concorrência e Avaliação

Visão geral

Este relatório avalia as implicações do lançamento do GLM-5.3 da Z.AI Co. para as capacidades do modelo, a transformação em produto e a avaliação. O Goldman Sachs acredita que esta versão alcança um salto de desempenho na escala inalterada de 744 bilhões de parâmetros por meio de ambientes de tarefas mais longos, maior duração de treinamento e atualizações no framework de aprendizado por reforço, demonstrando progresso no escalonamento pós-treinamento de grandes modelos chineses.

Visões principais

O GLM-5.3 melhorou em benchmarks de codificação de código aberto, tarefas de agentes de longo horizonte e capacidades de cibersegurança, aproximando-se dos níveis da fronteira global a custos menores por tarefa. O Goldman Sachs acredita que o ZCode não desempenha apenas funções de distribuição e monetização, mas também gera trajetórias de codificação reais e de longo horizonte a partir das interações dos usuários, que podem fortalecer o ciclo de dados de pós-treinamento do modelo. No nível setorial, capacidades aprimoradas dos modelos e ajustes nos preços de API/assinatura indicam uma precificação cada vez mais racional. Embora a Zhipu ofereça vantagens de desempenho-preço do modelo, um ciclo de dados e potencial de comercialização de longo prazo, a redução da diferenciação competitiva, o investimento em P&D e a queima de caixa limitam o risco-retorno no curto prazo, sustentando uma recomendação Neutra.

Estrutura de análise

O relatório combina observações de benchmarks de modelos e funcionalidades de produtos, comparações de preços do setor, comparações de múltiplos de avaliação de ARR de pares e avaliação por DCF. O DCF utiliza WACC de 12% e taxa de crescimento terminal de 2%, derivando o preço-alvo de premissas de participação de mercado e margens de longo prazo, além de apresentar cenários otimista, base e pessimista.

Notas metodológicas

• AvaliaçãoAvaliação por DCF

  Determinação de um preço-alvo com base em fluxos de caixa futuros descontados

  O preço-alvo de HK$1,610 utiliza WACC de 12% e taxa de crescimento terminal de 2%; as principais premissas incluem participação de mercado de 21% até 2030 e margem EBIT ajustada de 26% até 2035.

• Análise OperacionalCiclo de Dados

  Os dados de uso do produto retroalimentam o treinamento do modelo

  O uso do ZCode pode gerar trajetórias de codificação reais e de longo horizonte que devem retroalimentar o pós-treinamento subsequente do modelo, criando um ciclo fechado entre produto, dados e capacidades do modelo.

• Avaliação RelativaComparação P/ARR

  Medição da avaliação pela comparação entre capitalização de mercado e receita recorrente anual

  O relatório compara cerca de 30x o ARR esperado da Zhipu no fim de 2026 com cerca de 14x o ARR esperado da MiniMax, e acredita que o prêmio de avaliação da Zhipu é parcialmente sustentado pelas capacidades do modelo e pelo estágio de desenvolvimento.

Mapeamento e comparação de ativos

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

• Z.AI Co. (2513.HK)

  Cobertura de Pesquisa

  Pontos fortes

  O escalonamento pós-treinamento do GLM-5.3 melhora as capacidades de codificação, agentes e cibersegurança; o ciclo de dados do ZCode fortalece a iteração do modelo; vantagens de desempenho-preço do modelo e potencial de comercialização de longo prazo oferecem suporte.

  Pontos fracos

  A visibilidade de lucros no curto prazo é limitada, com altos gastos em P&D e pressão de queima de caixa; o modelo de código aberto pode fazer com que o ARR divulgado subestime a demanda real, ao mesmo tempo que atrasa a realização de receita.

  Comparação

  O relatório compara a capitalização de mercado de aproximadamente US$75 bilhões da Zhipu e cerca de 30x o ARR esperado no fim de 2026 com a avaliação mais recente de aproximadamente US$50 bilhões da DeepSeek e a capitalização de mercado de aproximadamente US$14 bilhões da MiniMax e cerca de 14x o ARR esperado.

  Riscos

  Concorrência global em modelos fundacionais, redução das lacunas de desempenho em relação aos pares, comercialização abaixo do esperado, pressão de financiamento e queima de caixa, e riscos geopolíticos relacionados à competição tecnológica entre China e EUA.

Dados principais

• Recomendação de InvestimentoNeutroRecomendação mantida.
• Preço-Alvo de 12 MesesHK$1,610Com base na avaliação por DCF.
• Parâmetros de AvaliaçãoWACC 12%; taxa de crescimento terminal 2%Consistente com a metodologia de cobertura do Goldman Sachs.
• Escala de Parâmetros do GLM-5.3744 bilhões de parâmetrosInalterada em relação ao GLM-5.2; a melhoria de desempenho é atribuída ao escalonamento pós-treinamento.
• Usuários Ativos do ZCodeMais de 1 milhãoO relatório o descreve como um produto de ferramenta de codificação otimizado para GLM.
• Preço do GLM Coding Plan LiteRMB118/mêsAssinatura baseada em créditos; com base na franquia semanal de tokens indicada pela empresa, é aproximadamente 50% mais barato do que custos equivalentes de API.
• Avaliação Implícita nos Cenários Otimista/PessimistaHK$3,266 / HK$835Análise de cenários com base em premissas-chave.

Impacto e implicações

Espera-se que capacidades aprimoradas do modelo, melhor eficiência de custo por tarefa e o ciclo de dados do produto sustentem a posição competitiva da Zhipu em casos de uso de codificação e empresariais, podendo melhorar a capacidade de monetização de longo prazo. Se os aumentos de preços no setor persistirem, beneficiarão a qualidade da receita e a trajetória de rentabilidade dos fornecedores de modelos; contudo, a redução das lacunas de desempenho entre modelos significa que os prêmios de avaliação ainda exigem validação por meio de execução sustentada de produtos, conversão de demanda e melhoria de margens.

Riscos

• Intensificação da concorrência na indústria global de modelos fundacionais, com maior redução das lacunas de desempenho entre modelos.
• O alto investimento em P&D pode atrasar a visibilidade de lucros e aumentar a queima de caixa e a pressão de autofinanciamento.
• O progresso nas capacidades dos modelos, a conversão em comercialização e a receita não relacionada à inferência podem ficar abaixo das expectativas.
• A escalada da competição tecnológica entre China e EUA cria incerteza geopolítica e na cadeia de suprimentos.
• Cenários positivos incluem inteligência dos modelos melhor do que o esperado, uma trajetória mais rápida rumo à rentabilidade, receita adicional de compartilhamento não relacionada à inferência e capacidades de comercialização melhores do que o esperado.

Pontos a observar

• Lançamentos e desempenho do GLM-5.5 e de modelos de 2 trilhões a 5 trilhões de parâmetros de outros fornecedores chineses de modelos.
• Adoção por desenvolvedores após o lançamento dos pesos do modelo GLM-5.3, desempenho em benchmarks de codificação e custos por tarefa.
• Usuários ativos do ZCode, utilização de tarefas em horários de menor demanda e benefícios de pós-treinamento gerados pelo feedback de dados do produto.
• O impacto das assinaturas do GLM Coding Plan, dos preços de API e dos ajustes de preços do setor sobre receita e margem bruta.
• Se a expansão da capacidade de ASICs e chips de inferência impulsiona a conversão da demanda de código aberto em ARR.
• Participação de mercado, margens de longo prazo, queima de caixa e a transição de código aberto para modelos de pesos abertos com termos comerciais associados.