Modo Inteligência capta mais de um bilhão de yuans para desenvolver inteligência contextual em tempo real

A Modo Inteligência anunciou a conclusão de uma rodada de financiamento Pré-Série A superior a um bilhão de yuans, destinada ao desenvolvimento de modelos de inteligência artificial capazes de perceber, compreender e responder a um mundo em constante mudança. A empresa, fundada há menos de dois anos pelo professor Qiu Xipeng, da Universidade Fudan, tem como foco a construção de uma inteligência contextual que opera em tempo real.

A rodada de investimentos foi liderada pelo Fundo Huakong, com a participação de investidores principais como a Inovação Científica e Tecnológica do Banco de Desenvolvimento da China, o Fundo de Inovação Científica e Tecnológica de Xangai, o Capital Xinwei, o Capital Xuhui, o Empreendimento de Capital de Risco em Tecnologia Rigorosa Zhuguang e o Fundo de Origem Lingang. Acionistas antigos, incluindo a Holding Yuanhe, o Grupo de Inovação Científica e Tecnológica de Xangai, subsidiária da Investimento Estatal de Xangai, e o Capital Xinglian, também reforçaram seus aportes. Esta nova injeção de capital ocorre apenas cerca de seis meses após o anúncio da rodada semente da companhia.

O objetivo central da empresa é fazer a inteligência artificial transitar de meras respostas a perguntas para uma presença contínua no ambiente. Segundo o professor Qiu Xipeng, o modelo não deve apenas aguardar entradas de dados, mas sim compreender continuamente as pessoas e o entorno, respondendo e agindo no momento adequado. Para isso, a Modo Inteligência expandiu suas capacidades desde o processamento de áudio para incluir compreensão visual, geração de audiovisual e interação em tempo real. Desde o início de 2026, a companhia lançou mais de vinte modelos focados nessas áreas, diversos dos quais foram disponibilizados como código aberto.

A empresa originou-se da equipe OpenMOSS, liderada por Qiu Xipeng na Universidade Fudan, um dos primeiros grupos a trabalhar com grandes modelos no país. Em novembro de 2024, a Modo Inteligência foi incubada a partir dessa equipe para perseguir a exploração de modelos de forma comercial. A companhia desenvolveu inicialmente ferramentas para resolver problemas internos de treinamento, como o modelo MOSS-Transcribe-Diarize, lançado em janeiro de 2026. Esta ferramenta foi criada para identificar quem falou, o que foi dito e quando, em cenários complexos com sobreposição de vozes, superando as limitações das soluções existentes que frequentemente atribuíam falas erroneamente em gravações longas.

Essa abordagem de criar modelos para treinar outros modelos, denominada pela empresa como "Inteligência Artificial para Inteligência Artificial", tornou-se um método central de pesquisa e desenvolvimento. Os modelos de compreensão geram dados estruturados e rotulados que alimentam os modelos de geração, enquanto os erros detectados durante a rotulagem servem para refinar os próprios modelos de compreensão. Esse ciclo permite uma produção de dados mais rápida e barata em comparação com a rotulagem manual ou o uso de modelos fechados comerciais, além de aumentar a precisão em tarefas específicas. Investidores citaram a existência desse ciclo de validação cruzada entre modelos como um fator chave para o investimento na startup.

Apesar dos avanços, a empresa reconhece que os modelos omni, que processam múltiplas modalidades simultaneamente, ainda não atingiram seu potencial máximo. A maioria dos sistemas atuais segue um formato de turno onde o modelo só processa novas informações após concluir sua resposta. A Modo Inteligência busca integrar audição, visão e fala na mesma linha do tempo, permitindo que o sistema ajuste sua resposta enquanto ainda está falando, caso o ambiente mude. O sistema de interação em tempo real MOSS Live, prestes a ser lançado, exemplifica essa arquitetura, separando a interação frontal, que observa continuamente o cenário, de um modelo de agência nos bastidores que lida com raciocínio complexo e execução de tarefas.

A reportagem foi publicada pelo veículo GeekPark, que detalhou como a empresa planeja utilizar esses recursos para aplicações em terminais reais, como carros, dispositivos inteligentes e robôs, onde a compreensão de um cenário em evolução é crucial. A companhia afirma que seu objetivo final permanece o desenvolvimento de um modelo unificado de todas as modalidades, capaz de verdadeiramente entender o contexto situacional.