Sand.ai captou US$ 200 milhões. Seu modelo de base de vídeo é o produto de verdade.

Em 5 de novembro, a Sand.ai, empresa chinesa de modelos de fundação para vídeo, anunciou uma rodada Série A+ de US$ 200 milhões liderada pela CAS Capital e pela Wangsu Data Technology, com participação da China Time Capital, Guofang Capital, Green Pine Capital e outros. É a terceira rodada da empresa neste ano, elevando o total de dez meses para US$ 300 milhões, e coloca oficialmente a Sand.ai no seleto grupo dos unicórnios.
O dinheiro é a manchete. A parte mais interessante é o que a empresa vem construindo com as duas rodadas anteriores: o MAGI-2 Preview, um modelo de vídeo de pesos abertos que trata áudio, vídeo e texto como um único problema, em vez de três.
Um transformer para três modalidades
O MAGI-2 Preview é descrito como um modelo unificado de geração de áudio e vídeo. Texto, vídeo e áudio entram no mesmo transformer, e as informações continuam trocando por autoatenção em todas as camadas. A arquitetura divide um estado oculto de 3.072 dimensões em 12 cabeças de 256 dimensões, passa-as por 36 camadas de uma mistura de especialistas multicabeça e dá a cada cabeça 256 especialistas, com seis selecionados por cabeça. Um token acaba ativando 72 pequenos especialistas no total.
Especialistas compartilhados lidam com o que as modalidades têm em comum. Especialistas específicos de modalidade lidam com o que elas não têm. Em torno disso estão o MagiMoE, uma biblioteca personalizada de kernels MoE, e o MagiMuon, um otimizador distribuído criado para o fluxo de treinamento e inferência.
A Sand.ai o lançou como um dos primeiros modelos de base de vídeo do seu porte com pesos abertos, e o preço tem sido agressivo: cerca de 0,5 yuan por um clipe de 10 segundos em 1080p. A empresa também lançou o MAGI-1, um modelo autorregressivo de geração de vídeo, e o MagiHuman, ambos de código aberto. Seu produto de consumo, o VidMuse, teria ultrapassado US$ 10 milhões em receita recorrente anualizada dois meses após o lançamento.
Essa sequência importa. O MAGI-1 era autorregressivo, o MAGI-2 Preview passou para um design de difusão com mistura de especialistas, e o próximo lançamento, o MAGI-2 final, é descrito como uma versão maior dessa arquitetura MoE. Trata-se de um laboratório percorrendo um caminho de escala e publicando os checkpoints à medida que avança, uma postura diferente da de empresas que mantêm os pesos fechados e vendem chamadas de API.
Por que o mercado de vídeo vale esse tipo de dinheiro
Veja onde a demanda realmente está. O Kuaishou reportou receita de 850 milhões de yuans do Kling AI no segundo trimestre de 2026, mais de 200% em relação ao ano anterior, com usuários globais acima de 100 milhões. O Seedance 2.5, da ByteDance, lidera 13 das 20 categorias na arena de vídeo da Artificial Analysis, e a OpenAI já descontinuou o Sora, tanto o aplicativo quanto a API. O Google tirou os desenvolvedores do endpoint Veo 3.1 Preview em outubro e os direcionou para o Gemini Omni Flash.
Enquanto isso, os preços estão desabando. A Alibaba mantém uma promoção de cerca de 30% no Wan 3.0, o que coloca o 1080p em aproximadamente US$ 0,14 por segundo. No OpenRouter, a ByteDance detém 26,1% das solicitações de vídeo, a HeyGen 19,7%, o Google 18,5%. O mischief 1, da TBC, um derivado do Wan 2.2 oferecido a meio centavo por segundo, saltou 481% de uma semana para outra no momento em que foi lançado.
Quando os preços unitários caem em direção a zero, o dinheiro vai para quem detém o modelo de base. Uma empresa capaz de treinar e servir geração de vídeo na margem captura o volume que todos os outros alugam do Google, da ByteDance e da Alibaba.
Por que áudio e vídeo unificados importam comercialmente
Um único transformer para áudio e vídeo elimina etapas de produção, e é por isso que vale construí-lo.
O fluxo padrão para um anúncio de produto hoje é assim: gerar a imagem, gerar ou gravar a voz, cortar a música, mixar e sincronizar os lábios com o diálogo. Cada uma dessas etapas é uma ferramenta separada, com seu próprio custo e seu próprio modo de falha, e a etapa de sincronização é onde os projetos travam. Quando um modelo produz diálogo, ambiência e som de ação na mesma passagem que a imagem, a sincronia labial é uma propriedade da geração, e não uma edição feita depois.
Todos os fornecedores desta categoria agora alegam essa capacidade, e ela decide se o vídeo com IA consegue sustentar um vídeo explicativo de produto com apresentador falando ou um spot narrativo de marca. É também a capacidade em que uma arquitetura unificada tem a vantagem teórica mais clara, já que o modelo não precisa descrever o som em texto e torcer para que a imagem combine.
O MAGI-1 da Sand.ai era autorregressivo. O MAGI-2 Preview passou para uma mistura de especialistas baseada em difusão. Ambos foram lançados, o que significa que qualquer pessoa pode ver como a qualidade da geração muda entre um modelo sequencial e um paralelo, e o que acontece com a sincronia de áudio quando a arquitetura muda.
Como ele se compara ao restante do setor
Compare os preços, em vez das alegações. A Alibaba opera o Wan 3.0 a cerca de 0,3, 0,6 e 1,2 yuan por segundo em 480p, 720p e 1080p, com uma promoção de aproximadamente 30% que leva o 1080p a US$ 0,14 por segundo em rotas de revenda. A MiniMax abriu o código do H3-Base em agosto, com saída em 2K, clipes de 15 segundos e estéreo nativo, e o precificou em cerca de um terço de modelos carro-chefe comparáveis. O TaoMate-H3, um esforço de código aberto do lado de comércio da Alibaba, foi além e fez do tempo até o primeiro segmento sua métrica de destaque, em vez do preço por segundo.
Cada um desses movimentos é um ataque ao mesmo item de custo. Os 0,5 yuan da Sand.ai por um clipe de 10 segundos em 1080p ficam dentro dessa faixa, e não abaixo dela, o que sugere que a estratégia é amplitude e abertura, em vez de uma guerra de preços que ela não pode vencer contra uma empresa com a infraestrutura da Alibaba.
As perguntas incômodas
Nada disso é verificado de forma independente. A Sand.ai divulga sua própria ARR e o tamanho da própria rodada, e as comparações no estilo PresentBench que importam para os compradores geralmente são publicadas pelos próprios fornecedores. A arquitetura do MAGI-2 é genuinamente interessante, mas um transformer unificado de áudio e vídeo com 72 pequenos especialistas ativados por token também é caro de treinar, e a empresa está financiando isso com dinheiro captado, e não com receita que gerou.
Há também uma questão de licenciamento que vale acompanhar. Vários modelos chineses abertos de vídeo lançados em 2026 traziam termos que excluem os Estados Unidos do uso comercial, o que empurra desenvolvedores ocidentais para alternativas fechadas e complica qualquer narrativa de ecossistema aberto. Os lançamentos abertos existentes da Sand.ai parecem seguir o caminho permissivo mais padrão, o que ajuda a explicar por que a rodada teve excesso de demanda por parte dos investidores que ela nomeou.
E o produto comercial é a parte a observar. O VidMuse atingir US$ 10 milhões de ARR dois meses após o lançamento é um número real, mas plataformas de criação de vídeo têm o hábito de crescer com campanhas pontuais e depois estagnar quando a novidade passa. O modelo aberto é o que torna a empresa duradoura; o aplicativo é o que financia a pesquisa.
O que observar a seguir
O MAGI-2 final é descrito como iminente, com um MoE maior e o mesmo design unificado de áudio e vídeo. Se mantiver o preço de 0,5 yuan por 10 segundos em 1080p enquanto amplia a duração dos clipes e melhora a sincronia labial, o modelo se torna um alvo de treinamento plausível para qualquer pessoa que esteja construindo produtos de vídeo com orçamento limitado.
Observe três coisas em especial. Se os pesos serão realmente distribuídos sob uma licença permissiva. Se a faixa de áudio se sustenta quando um clipe tem diálogo, já que áudio nativo agora é o mínimo esperado nesta categoria. E se a receita do VidMuse continua subindo após o trimestre de lançamento, ou se acompanha a curva geral de gastos com vídeo por IA que toda plataforma deste mercado está acompanhando.
Por enquanto, a conclusão útil é mais simples do que a manchete da captação. A Sand.ai está construindo modelos de base de vídeo da forma como a comunidade aberta espera que os laboratórios os construam: publicar os checkpoints, publicar os detalhes da arquitetura, competir em preço e vender a versão hospedada para financiar o próximo.
Artigos relacionados
1% das empresas paga 80% da conta de IA — e esse grupo parou de crescer
O índice da Ramp mostra consumo de IA crescendo mais que receita. O motivo é simples: 1% das empresas concentra 80% do gasto, e essa coorte ficou abaixo do pico do verão.
Claude agora lê seus extratos bancários, e a Anthropic fez questão de não lhe dar mãos
O Claude ganhou um hub de finanças pessoais nos Estados Unidos. Ele lê 24 meses de transações e explica seus gastos, mas não move um centavo — e a Anthropic trata isso como a tese do produto.
A Adobe parou de pedir que profissionais de marketing abrissem a Adobe
Por uma década, a estratégia foi ser dono da interface. A Adobe acabou de apostar no oposto.
A CrowdStrike lançou um kill switch para agentes de IA. A parte difícil é saber o que encerrar.
Um kill switch transforma um palpite em algo aplicável. A aplicação exige uma lista, e a lista é justamente a parte que ninguém tem.