Investigador de 17 anos da Kimi, Chen Guangyu, deixa a Moonshot enquanto aumentam as especulações sobre Silicon Valley

Jovem investigador sai depois de ajudar a reformular a Kimi

Chen Guangyu, um investigador de 17 anos que ajudou a desenvolver uma nova forma de os modelos de inteligência artificial transmitirem informação entre as suas camadas, anunciou a 15 de outubro de 2026 que tinha deixado a Moonshot AI, a empresa chinesa responsável pela Kimi. Entrou para a equipa de investigação em novembro de 2025, quando tinha 16 anos.

Conhecido internacionalmente como Nathan Chen, o adolescente de Shenzhen sai com um contributo concreto para a investigação: foi coautor principal, em igualdade de circunstâncias, de Attention Residuals, um artigo publicado a 16 de março de 2026, em conjunto com os investigadores da Moonshot Yu Zhang e Jianlin Su. Segundo relatos sobre o lançamento do modelo em julho, a técnica passou posteriormente a integrar a Kimi K3.

As experiências publicadas pela Moonshot dão uma imagem mais precisa do trabalho do que a atenção gerada pela idade de Chen. Em testes com um modelo Kimi Linear de 48 mil milhões de parâmetros, os investigadores registaram melhorias em todas as tarefas avaliadas. O método Block Attention Residuals também igualou a perda de treino de um modelo convencional ao qual foi atribuída 1,25 vezes mais capacidade de computação.

A saída de Chen suscitou um convite público da Anthropic, especulações sobre uma startup fundada por antigos investigadores da Google e tentativas de o associar a um adolescente não identificado que, alegadamente, recebeu cinco ofertas de emprego no valor de cerca de um milhão de dólares cada ou mais.

Chen, contudo, rejeitou publicamente a hipótese de se juntar à Anthropic. Não foi confirmado quem será o seu próximo empregador, qual será o pacote remuneratório nem se regressará à universidade.

Na sua mensagem de despedida, Chen descreveu o tempo que passou na Moonshot e agradeceu às pessoas que o contrataram. O estagiário de investigação em aprendizagem automática, que está de saída, escreveu:

O último ano foi o melhor da minha vida.

A sua mensagem terminou com o desejo de continuar a explorar, sem indicar um destino concreto.

O contributo de Chen para a investigação

O nome de Chen surge ao lado dos de Zhang e Su, com a indicação de contributos iguais, no relatório sobre Attention Residuals da equipa da Kimi. Essa indicação reconhece que os três lideraram contributos para um esforço de equipa muito mais amplo.

Su, conhecido pelo seu trabalho sobre embeddings posicionais rotativos, ou RoPE, realizou as experiências iniciais. A RoPE ajuda um modelo de linguagem a acompanhar a posição das palavras ou de outros elementos de informação numa sequência. Zhang foi o primeiro autor da investigação sobre a arquitetura Kimi Linear.

Su atribuiu a Zhang e Chen o mérito de terem ajudado a transformar a ideia inicial de Attention Residuals numa solução prática para modelos de grande dimensão. Juntos, propuseram Block AttnRes, uma versão concebida para preservar os benefícios e, ao mesmo tempo, reduzir os custos de memória e comunicação da aplicação do método em grande escala.

Chen também trabalhou na aceleração de kernels de computação para Kimi Delta Attention, ou KDA. Um kernel é um pequeno programa que realiza um cálculo específico numa unidade de processamento gráfico. A sua otimização pode permitir que o mesmo equipamento conclua uma tarefa mais depressa.

O seu trabalho abrangeu, assim, duas áreas interligadas: decidir como deve ser construído um modelo e fazer com que os cálculos subjacentes a essa conceção sejam executados de forma eficiente. Num laboratório que treina modelos de grande dimensão, ambas influenciam a quantidade de investigação que é possível realizar com os recursos de computação disponíveis.

Como Attention Residuals altera um modelo

Os modelos de linguagem processam informação através de muitas camadas sucessivas. Cada camada transforma a informação que recebe, construindo representações que as camadas seguintes utilizam para prever uma resposta.

As ligações residuais convencionais mantêm a informação anterior em circulação ao longo desse processo, somando os resultados das camadas. O repositório oficial da investigação da Moonshot descreve um problema desta abordagem: à medida que o modelo ganha profundidade, a acumulação repetida pode diluir os contributos individuais e aumentar a dimensão dos sinais internos.

Attention Residuals substitui essa acumulação fixa por um processo de seleção aprendido. Uma camada posterior pode atribuir pesos diferentes à informação produzida anteriormente, consoante a entrada atual. É como um leitor que consulta as notas mais úteis dos capítulos anteriores, em vez de dar a todas a mesma importância.

Aplicar essa seleção separadamente a todas as camadas anteriores acarreta custos próprios. Block AttnRes agrupa as camadas, mantém as somas habituais dentro de cada grupo e seleciona entre as representações resultantes. Segundo o repositório, cerca de oito grupos permitem recuperar a maior parte dos ganhos do método completo.

A maior configuração Kimi Linear descrita no artigo utilizou 54 camadas, agrupadas de seis em seis. Os nove grupos, juntamente com a representação inicial dos tokens, forneceram 10 fontes de informação para seleção. Este é o passo prático de engenharia que ajudou a levar a ideia da fase experimental para o treino de modelos de grande dimensão.

O que mostram os resultados publicados

O artigo de março testou Attention Residuals num modelo Kimi Linear com 48 mil milhões de parâmetros no total, dos quais 3 mil milhões eram ativados durante o processamento. Os parâmetros são os valores numéricos aprendidos no interior de um modelo. Ativar apenas uma parte permite ao modelo recorrer a um grande conjunto de conhecimentos aprendidos, limitando simultaneamente os cálculos necessários em cada passo.

O treino utilizou 1,4 biliões de tokens, as unidades de texto ou de outros dados processadas por um modelo. Os investigadores mantiveram inalterados os restantes componentes principais da arquitetura do modelo, o que lhes permitiu comparar a inclusão de Attention Residuals com o modelo de referência.

No GPQA-Diamond, um teste de perguntas científicas difíceis, a pontuação subiu de 36,9 para 44,4, um ganho de 7,5 pontos. O HumanEval, que avalia a geração de código, passou de 59,1 para 62,2. O MMLU, um teste abrangente de conhecimentos, subiu de 73,5 para 74,6.

A comparação dos recursos de computação também é útil. Igualar um modelo de referência que utiliza 1,25 vezes mais capacidade de computação significa alcançar a mesma perda de treino reportada com quatro quintos dos recursos desse modelo, ou seja, com menos 20%. A perda de treino mede a distância entre as previsões do modelo e as respostas-alvo durante o treino.

A Moonshot descreveu separadamente o contributo da tecnologia para a K3 como uma melhoria de cerca de 25% na eficiência do treino, com menos de 2% de custos adicionais. As experiências de março e as declarações posteriores sobre a K3 dizem respeito a configurações de modelos diferentes; os valores detalhados dos testes publicados acima referem-se à Kimi Linear.

De uma maratona escolar de programação a uma equipa de investigação

Chen nasceu em Shenzhen, em 2009. Antes de entrar na Moonshot, organizou uma comunidade de código aberto para adolescentes, desenvolveu bots de software e explorou interesses que iam da segurança da IA à física.

Enquanto se preparava para as candidaturas à universidade, interrompeu algumas atividades de que não gostava e começou a ler sobre temas que lhe interessavam. O seu percurso posterior até à investigação combinou estudo autónomo, divulgação pública de textos técnicos e contacto com investigadores em atividade.

Em fevereiro de 2025, participou numa maratona de programação da Moonshot AI para alunos do ensino secundário com o ThirdArm, um projeto que imaginava um braço robótico auxiliar adicional. Foi aí que conheceu Dong Kehan, membro da equipa fundadora da MiraclePlus, que o incentivou a concentrar-se na tecnologia de ponta.

Um artigo técnico sobre DeltaNet levou depois a uma resposta do investigador Songlin Yang. A conversa chegou a Ben Keigwin, da Tilde Research, uma startup em Palo Alto, na Califórnia, e deu origem a uma conversa sobre o trabalho da empresa. Em julho de 2025, Chen viajou sozinho para lá, aos 16 anos, para um estágio de sete semanas.

O método de aprendizagem de Chen incluía passar horas a discutir artigos científicos com o Gemini, enviar capturas de ecrã de passagens difíceis e fazer perguntas de seguimento. Também lia código, blogues e páginas de investigadores, e pedia conselhos ao investigador da DeepSeek Yuan Jingyang sobre decisões importantes.

A sua experiência mostra algo mais do que a utilização de um chatbot como explicador. A divulgação pública dos seus textos tornou visível o seu pensamento técnico, os investigadores responderam-lhe e os estágios deram-lhe oportunidades para transformar esse pensamento em trabalho de colaboração.

As datas de uma ascensão rápida

Em menos de dois anos, Chen passou de um projeto escolar a um estágio internacional e, depois, à investigação publicada sobre modelos. A sua saída ocorreu após a utilização de Attention Residuals num importante lançamento da Kimi.

• Fevereiro de 2025: Chen participou na maratona de programação de IA da Moonshot para alunos do ensino secundário.
• Julho de 2025: Iniciou um estágio de sete semanas na Tilde Research, em Palo Alto.
• Novembro de 2025: Entrou para a equipa Kimi da Moonshot como estagiário de investigação em aprendizagem automática, aos 16 anos.
• 16 de março de 2026: Foi publicado o relatório técnico sobre Attention Residuals, com Chen, Zhang e Su creditados em pé de igualdade.
• Junho de 2026: Chen concluiu o ensino secundário.
• Julho de 2026: Foi lançada a Kimi K3, que incluiu Attention Residuals entre as suas tecnologias de arquitetura.
• 15 de outubro de 2026: Chen anunciou que tinha deixado a Moonshot.
• 16 de outubro de 2026: Rejeitou as especulações de que se iria juntar à Anthropic.
• 20 de outubro de 2026: Uma conta anónima afirmou que se iria juntar à Discovery Loop.

O seu percurso académico divulgado publicamente também indica que frequentou a Carnegie Mellon University durante agosto e setembro de 2026. Essa breve referência passou a fazer parte das especulações sobre se o próximo passo será um emprego ou a continuação dos estudos.

O convite da Anthropic e a história do milhão de dólares

Sholto Douglas, responsável pela área de aprendizagem por reforço escalável na Anthropic, comentou a publicação de despedida de Chen. Perguntou-lhe se ainda tencionava frequentar a Carnegie Mellon e convidou-o a trabalhar com ele em São Francisco.

Chen respondeu que estava a caminho da Bay Area. Quando a troca de mensagens levou alguns a sugerir que se tinha juntado à Anthropic, respondeu de forma breve:

não :)

A conversa sobre os salários começou separadamente. Deedy Das, investidor da Menlo Ventures, contou que conheceu um jovem de 17 anos não identificado que aprendera IA sozinho com a ajuda de modelos de linguagem, passara cerca de um ano como estagiário numa empresa de IA de referência e abandonara um curso de licenciatura numa universidade norte-americana altamente classificada após duas semanas.

Segundo Das, esse adolescente tinha recebido cinco propostas de laboratórios de IA de referência em São Francisco, cada uma no valor de cerca de um milhão de dólares ou mais. Das também transmitiu a preferência do jovem por aprender em vez de ganhar dinheiro.

Utilizadores das redes sociais associaram a descrição a Chen, devido à idade e ao percurso de investigação. Das não identificou o jovem, e Chen não confirmou que as propostas fossem suas. A conversa diz, portanto, respeito às propostas alegadamente recebidas por uma pessoa não identificada, e não a um contrato de trabalho divulgado de Chen.

O convite público de Douglas é um sinal mais concreto de interesse: um investigador sénior encorajou abertamente Chen a juntar-se a ele. A rejeição que se seguiu também dá aos leitores uma resposta direta às especulações sobre a Anthropic.

Porque surgiu a Discovery Loop na conversa

A Discovery Loop passou a ser o foco seguinte depois de Arfur Grok, uma conta anónima que acompanha as movimentações de profissionais da IA, ter afirmado a 20 de outubro que Chen se juntara à empresa. Chen não confirmou qualquer contratação, e a startup recusou comentar assuntos relacionados com o pessoal.

A empresa foi fundada em agosto de 2026 pelos antigos investigadores da Google Jeff Dean, Sanjay Ghemawat, Quoc Le e Oriol Vinyals. O seu objetivo declarado é utilizar a IA para automatizar a investigação científica e em aprendizagem automática, incluindo a proposta de ideias, a realização de experiências e a análise de resultados.

Para um investigador interessado na conceção eficiente de modelos, essa missão envolveria problemas técnicos familiares. Os sistemas que realizam muitas experiências de investigação precisam de utilizar os recursos de computação de forma eficiente, e as melhorias nos algoritmos ou nos kernels podem permitir realizar mais experiências com um orçamento fixo.

O financiamento da Discovery Loop também tem atraído atenção. Alegadamente, a empresa procurou obter financiamento em setembro com uma avaliação de cerca de 50 mil milhões de dólares, face a conversações em torno dos 10 mil milhões apenas algumas semanas antes, uma subida de cinco vezes. Estes valores referem-se às avaliações propostas para a empresa durante as negociações de financiamento.

Chen também já tem uma ligação à Bay Area através da Tilde Research. O estágio anterior ajuda a explicar por que razão uma viagem à Califórnia pode envolver vários contactos profissionais, em vez de um único destino óbvio.

O que a saída deixa na Moonshot

O investigador da Moonshot Du Yulun, que apoiou a contratação de Chen aos 16 anos, disse que os dois tinham tido várias conversas longas sobre a decisão de sair. Du manifestou tristeza, mas apoiou o desejo de Chen de explorar novos interesses nesta idade.

Os contributos de Chen continuam a fazer parte do historial de investigação da equipa. A Kimi K3, lançada em julho com 2,8 biliões de parâmetros, combinou Attention Residuals com Kimi Delta Attention. As duas tecnologias abordam aspetos diferentes do processamento da informação: AttnRes altera a forma como a informação circula através das camadas do modelo, enquanto KDA ajuda a processar sequências de forma eficiente.

A Moonshot atribuiu às alterações na arquitetura, aos métodos de treino e às escolhas de dados, em conjunto, uma melhoria de cerca de 2,5 vezes na eficiência de escala da K3 face à K2. O trabalho de Chen insere-se, assim, num esforço mais amplo da empresa, que envolve muitos investigadores e várias alterações técnicas.

O impacto prático vai além da carreira invulgar de um trabalhador tão jovem. Um modelo que aprende de forma mais eficiente pode tirar melhor partido de processadores dispendiosos e dos orçamentos de investigação. Um investigador capaz de conjugar a conceção matemática com uma implementação rápida pode contribuir diretamente para esse objetivo.

Chen sai da Moonshot com trabalho publicado, experiência em dois ambientes de investigação e o interesse público de outro laboratório de referência. A história confirmada já é substancial: um adolescente ajudou a transformar uma ideia de arquitetura num método utilizável e decidiu continuar a explorar antes de anunciar o seu próximo cargo.

Pontos principais

• Chen Guangyu, também conhecido como Nathan Chen, anunciou que deixava a Moonshot AI a 15 de outubro de 2026, aos 17 anos.
• Partilhou, em pé de igualdade com Yu Zhang e Jianlin Su, o crédito de primeiro autor de Attention Residuals, publicado a 16 de março.
• As experiências da Moonshot revelaram melhorias em todas as tarefas avaliadas e igualaram os resultados de um modelo de referência que utilizou 1,25 vezes mais capacidade de computação.
• Chen ajudou a desenvolver Block AttnRes e trabalhou na aceleração dos cálculos de Kimi Delta Attention.
• Disse que se dirigia para a Bay Area e rejeitou as especulações de que se iria juntar à Anthropic.
• A alegada mudança para a Discovery Loop e as especulações que o associam a cinco propostas no valor de cerca de um milhão de dólares cada continuam por confirmar.