Qingcheng.ai constrói 'supergrade' de tokens na WAIC 2026 e afirma redução de 75% nos custos de implantação do DeepSeek

Introdução

Na feira WAIC 2026, as empresas de modelos preencheram os pavilhões com números de parâmetros, enquanto os provedores de infraestrutura exibiam clusters de computação cada vez maiores. No entanto, o destaque do estande da Qingcheng Inteligência não foi um único modelo ou servidor.

Em vez disso, foi um diagrama completo que mostrava como os Tokens são produzidos, roteados, distribuídos, medidos e governados ao longo de todo o ciclo de vida de um Agente de IA.

A Qingcheng Inteligência chama esse modelo de Token "Frente de Loja e Fábrica nos Fundos". Esse framework integra três camadas:

1. Camada de produção de Tokens (fábrica)
2. Camada de roteamento e serviços (intermediária)
3. Camada de aplicação e governança dos Agentes

A empresa descreve sua arquitetura como o sistema elétrico da era da inteligência artificial. O hardware de computação e o software de inferência atuam como usinas geradoras, a AI Ping desempenha o papel de rede elétrica, e as ferramentas dos Agentes são os dispositivos que consomem a energia.

O estande da Qingcheng Inteligência exibiu o fluxo de trabalho completo de produção, roteamento e governança de Tokens.

De acordo com o relatório original, o sistema foi projetado para resolver três problemas recorrentes: instabilidade das APIs dos modelos, baixa taxa de utilização dos aceleradores heterogêneos nacionais e a falta de uma contabilidade clara de Tokens em implantações de Agentes em larga escala.

O gargalo de Tokens antes da aplicação de Agentes em larga escala

À medida que os Agentes de IA passam da fase de demonstração para o ambiente de produção, uma única solicitação do usuário pode desencadear múltiplas chamadas de modelo.

Um Agente pode precisar recuperar um arquivo, pesquisar um banco de dados, chamar uma ferramenta, gerar código, avaliar o resultado, revisar o plano e, em seguida, chamar outro Agente. A resposta que o usuário vê é apenas a etapa final. Por trás disso, o sistema pode consumir uma grande quantidade de Tokens em vários serviços.

O artigo original apontou três grandes problemas de infraestrutura que se agravam à medida que os fluxos de trabalho se expandem.

Oferta instável de Tokens

A capacidade das APIs dos modelos pode oscilar durante picos de demanda.

A mesma solicitação pode ser rápida em um momento e lenta ou indisponível em outro. Em cenários de bate-papo, um atraso momentâneo pode ser aceitável, mas em fluxos de trabalho de Agentes com múltiplas etapas, onde cada ação depende da resposta da anterior, esse atraso pode interromper todo o processo.

Portanto, os sistemas empresariais não precisam apenas acessar um modelo. Eles precisam de latência, throughput, confiabilidade e qualidade de saída previsíveis.

Dificuldade em utilizar eficientemente aceleradores nacionais

Muitas instituições já adquiriram uma mistura de GPUs, NPUs e servidores de computação inteligente nacionais. O hardware pode estar disponível, mas ainda é difícil implantar modelos grandes de forma eficiente neles.

Frameworks de inferência populares, como o vLLM, foram inicialmente otimizados para o ecossistema NVIDIA e CUDA. Embora estejam gradualmente suportando mais dispositivos, ainda é necessário um grande esforço de engenharia para adaptar cada recurso e otimização a diferentes arquiteturas de aceleradores.

A Qingcheng Inteligência acredita que um mecanismo de inferência nativo e uma pilha de software consciente do hardware podem extrair mais saídas de Tokens utilizáveis desses clusters.

Dificuldade em rastrear os gastos com Agentes

Quando uma empresa opera vários Agentes, a fatura mensal dos modelos nem sempre mostra qual fluxo de trabalho gerou o custo.

Um único Agente pode chamar vários modelos, usar múltiplos fornecedores, iniciar subagentes e ficar em execução por horas. Sem um rastreamento detalhado, as organizações podem ter dificuldade em responder a perguntas básicas:

• Qual Agente consumiu os Tokens?
• Qual modelo e fornecedor ele chamou?
• Qual ferramenta ou etapa causou o maior custo?
• Um determinado fluxo de trabalho excedeu o orçamento esperado?
• Essa solicitação poderia ser roteada para um serviço mais barato?

A Qingcheng Inteligência posiciona sua arquitetura de três camadas como uma infraestrutura integrada que conecta produção, distribuição, aplicação e faturamento.

O plano de exibição descreve o fluxo de trabalho da computação subjacente até a aplicação dos Agentes.

A arquitetura de três camadas "Frente de Loja e Fábrica nos Fundos"

A arquitetura é construída em torno de uma analogia industrial simples.

A Fábrica nos Fundos transforma o hardware de computação em Tokens. A Loja agrega e roteia os serviços de Tokens. Os Nós de Aplicação distribuem os Agentes e controlam como os Tokens são consumidos.

A arquitetura da Qingcheng Inteligência conecta a produção de Tokens, o roteamento de serviços e a governança dos Agentes.

Essas três camadas são projetadas para funcionar em conjunto, não como produtos isolados.

A Fábrica: Camada de Produção de Tokens

A fábrica é responsável por transformar recursos físicos de computação em capacidades padronizadas de inferência de modelos.

Seus principais componentes incluem:

• Parceiros de hardware e computação
• Mecanismo de inferência Chitu
• Pilha de software inteligente Baguialu

A Qingcheng Inteligência compara essa camada a uma usina geradora. O objetivo é gerar o máximo possível de Tokens estáveis e utilizáveis a partir do hardware disponível, ao mesmo tempo em que reduz a complexidade da implantação.

Chitu: Mecanismo de inferência voltado para produção

Chitu é o framework de inferência de alto desempenho de código aberto da Qingcheng Inteligência.

O repositório oficial o descreve como um mecanismo voltado para produção, com ênfase em eficiência, flexibilidade e usabilidade. Ele suporta implantações que vão desde CPUs e aceleradores individuais até clusters de grande escala, com suporte otimizado para múltiplas plataformas de hardware nacionais.

O projeto também suporta modelos como DeepSeek, Qwen, GLM e Kimi, além de interfaces HTTP padrão compatíveis com OpenAI.

Chitu é usado para aprimorar a capacidade de inferência de modelos grandes em plataformas de computação heterogêneas.

A Qingcheng Inteligência acredita que adaptar um framework projetado em torno de um ecossistema de hardware único pode ser como usar a ferramenta errada. A analogia da empresa é: um forno projetado para assar pão pode ser adaptado para cozinhar pão no vapor, mas um vaporizador dedicado pode usar o calor disponível de forma mais eficiente.

Embora a comparação seja simplificada, os problemas de engenharia por trás dela são reais. As arquiteturas dos aceleradores diferem em memória, comunicação, operadores, formatos numéricos, compilação e comportamento de escalonamento.

O Chitu inclui otimizações específicas de hardware e suporte para inferência de baixa precisão, incluindo configurações FP4 e FP8.

A alegação de 75% de redução de custos para DeepSeek

O relatório original indicou que uma implantação do modelo DeepSeek usando FP4 reduziu o hardware necessário de quatro máquinas para uma.

Nessa configuração específica, a redução de quatro máquinas para uma significa uma diminuição de 75% no número de máquinas necessárias. O artigo converteu essa redução em uma economia de custos de 75%.

O relatório atribuiu a implantação do DeepSeek, reduzindo de quatro para uma máquina, às otimizações FP4.

Esse resultado não deve ser interpretado como uma garantia de redução de 75% de custos para todas as implantações do DeepSeek.

A economia real depende dos seguintes fatores:

• O modelo DeepSeek selecionado e o esquema de quantização
• O tipo de acelerador e a capacidade de memória
• A configuração do servidor
• O comprimento do contexto
• O tamanho do lote e a concorrência
• Os objetivos de latência
• Os requisitos de precisão
• A versão do software
• Os custos de energia e operação

O Chitu de código aberto

O repositório também salienta que os resultados de desempenho podem variar consoante o hardware, software e carga de teste.

Forno Alquímico: Ocultar a Complexidade da Infraestrutura

O Forno Alquímico é a stack de software da Qingcheng.ai para treino, inferência, implementação, agendamento e operação de modelos.

A empresa posiciona-o como uma forma de agrupar trabalhos complexos de infraestrutura numa plataforma empresarial mais fácil de gerir.

O Forno Alquímico assenta sobre hardware heterogéneo, fornecendo ferramentas de implementação e operação.

O Forno Alquímico visa reduzir o trabalho manual necessário nos seguintes aspetos:

• Gestão de recursos de cluster
• Implementação de modelos e aplicações
• Treino distribuído
• Otimização de inferência
• Avaliação de desempenho
• Entrega de aplicações
• Monitorização e operação

A Qingcheng.ai também colaborou com a Inspur Information para lançar o Aparelho Integrado YuanNao Forno Alquímico, que é otimizado de forma conjunta. Num teste divulgado com o Qwen3-32B, os parceiros reportaram um aumento no throughput total de inferência de até 14,45 vezes após otimização com o Chitu, e uma melhoria de desempenho de ponta a ponta de cerca de 10 vezes após otimização de pilha completa.

Estes dados provêm do ambiente de teste das próprias empresas parceiras e não são equivalentes ao caso DeepSeek FP4 descrito na WAIC.

Otimização de Cluster Heterogéneo

A camada de backend da fábrica foi concebida para gerir múltiplos tipos de aceleradores.

Uma estratégia mencionada no relatório original é

separar as cargas de trabalho de preenchimento e descodificação.

Na fase de preenchimento, o sistema processa o prompt de entrada e constrói a cache interna do modelo. Na fase de descodificação, o sistema gera os tokens de saída sequencialmente. Estas duas fases diferem em termos de memória, largura de banda e características de computação.

Um cluster heterogéneo pode atribuir cada fase ao hardware mais eficiente para processá-la. Esta prática é por vezes chamada de "separação preenchimento-descodificação".

O objetivo não é fazer com que todos os aceleradores tenham o mesmo desempenho, mas sim permitir que diferentes hardwares processem a parte da carga de trabalho que melhor se adequa às suas vantagens.

Loja: AI Ping como Hub de Roteamento de Tokens

Assim que os tokens são gerados, as aplicações ainda precisam de uma forma estável de os obter.

A camada intermédia é o AI Ping, a plataforma de avaliação de serviços de modelo e roteamento de API da Qingcheng.ai.

O AI Ping monitoriza continuamente os serviços de modelo e fornece uma interface unificada sobre múltiplos fornecedores de serviços.

O AI Ping avalia as APIs dos modelos e encaminha os pedidos entre os fornecedores de serviços.

O relatório original indica que o AI Ping monitoriza o seguinte:

• Mais de 30 fornecedores de serviços
• Mais de 600 interfaces de serviço de modelo
• Latência
• Throughput
• Fiabilidade
• Taxa de acerto de cache
• Qualidade dos tokens
• Preços e disponibilidade do serviço

A plataforma visa reduzir a necessidade de os programadores criarem contas, gerirem diferentes formatos de API e compararem manualmente os fornecedores de serviços.

Os utilizadores podem dar prioridade a objetivos como:

• Reduzir custos
• Acelerar o tempo de resposta
• Aumentar a fiabilidade
• Melhorar a qualidade da saída

Se não for especificada nenhuma preferência, o AI Ping pode utilizar a sua lógica de roteamento para selecionar um serviço disponível.

Roteamento Dinâmico em Caso de Congestionamento de Serviço

A integração estática enviaria cada pedido para o mesmo fornecedor de serviços até o programador alterar a configuração.

O roteamento dinâmico é diferente. Se um fornecedor de serviços ficar lento ou indisponível, a camada de roteamento pode direcionar os pedidos subsequentes para outros fornecedores que estejam com melhor desempenho no momento.

Isto é útil para cargas de trabalho de agentes, pois uma única interrupção pode levar à falha de uma tarefa longa.

O ciclo de feedback previsto para a plataforma é o seguinte:

1. O AI Ping mede continuamente a qualidade do serviço.
2. As decisões de roteamento utilizam os dados de medição mais recentes.
3. O tráfego real do utilizador fornece dados de desempenho adicionais.
4. Os novos dados melhoram a avaliação e o roteamento futuros.

A Qingcheng.ai afirma que a API unificada permite que equipas mais pequenas acedam a capacidades de roteamento e monitorização que normalmente exigiriam uma equipa de plataforma interna.

A empresa reportou melhorias médias em custo, throughput e latência através do AI Ping. Estas percentagens são resultados divulgados pela plataforma; os resultados reais variam consoante o modelo selecionado, o fornecedor de serviços, o padrão de tráfego e a estratégia de roteamento.

Nó de Aplicação: Loja de Agentes e ATM

A camada final foca-se em como os agentes...

...distribuem os seus tokens e nas regras de governança de utilização.

O sistema é composto por dois componentes principais:

• Loja de Agentes
• ATM (Gestor de Tokens de Agente)

Loja de Agentes

A Loja de Agentes é posicionada como uma camada de distribuição e reutilização para agentes de uso geral e específicos da indústria.

O seu valor central reside na ligação entre os programadores de agentes e as organizações que precisam de fluxos de trabalho implementáveis, permitindo simultaneamente que estes agentes acedam a uma infraestrutura de tokens mais ampla.

O relatório original compara-a a um mercado de eletrodomésticos ligados a uma rede elétrica partilhada. No momento da elaboração deste documento, a documentação pública sobre a estratégia de preços, padrões de revisão, formatos de implementação e termos comerciais da Loja de Agentes ainda era muito limitada.

ATM: Gestor de Tokens de Agente

ATM é a abreviatura de Gestor de Tokens de Agente.

A Qingcheng.ai lançou-o na WAIC 2026 como uma ferramenta localizada de gestão e governança de tokens para sistemas multi-agente.

A ferramenta oferece as seguintes funcionalidades:

• Gestão unificada de credenciais de API
• Rastreamento de uso de tokens
• Cálculo de repartição de custos
• Controlo de limites de consumo
• Troca de fornecedor e recuperação de falhas
• Isolamento de recursos multi-agente
• Alertas de uso anómalo
• Monitorização localizada/sensível à privacidade

A documentação original afirma que o ATM pode observar a atividade dos agentes através de mecanismos como ganchos de comportamento, análise de ficheiros locais e gateways de privacidade.

Na prática, o ATM funciona como um "contador de eletricidade" para cargas de trabalho de IA. O seu objetivo é associar a faturação de tokens ao agente, operação, modelo e ferramenta que geraram esse consumo.

Isto está altamente relacionado com o conceito de FinOps (Gestão Financeira em Cloud) – a disciplina de medição e controlo de gastos em cloud. Em sistemas de agentes, o desafio é mais granular porque um único processo de negócio pode conter várias camadas aninhadas de chamadas de modelo.

Um registo eficaz de custos de agente deve incluir:

1. Utilizador ou fluxo de trabalho iniciador
2. Agentes e subagentes envolvidos
3. Modelo selecionado
4. Número de tokens de entrada/saída
5. Ferramentas chamadas na tarefa
6. Preços do fornecedor
7. Número de tentativas e chamadas falhadas
8. Custo total e tempo gasto

A Qingcheng.ai posiciona o ATM como uma camada FinOps orientada a tokens para este novo tipo de carga de trabalho.

Porque é que a Qingcheng.ai Enfatiza a Neutralidade

O artigo original afirma que a neutralidade é uma das principais vantagens da Qingcheng.ai.

Grandes empresas de cloud e hardware têm uma inclinação natural para promover as suas próprias plataformas, parceiros ou investimentos prioritariamente. Por isso, as organizações que operam clusters mistos preferem fornecedores de software independentes que suportem múltiplos aceleradores e fornecedores de serviços concorrentes.

A Qingcheng.ai afirma que a sua plataforma não está vinculada a um único fornecedor de chips.

Este princípio reflete-se na capacidade do Chitu de suportar múltiplos ambientes de hardware e no modelo de roteamento multi-fornecedor do AI Ping.

A neutralidade ainda precisa de ser validada na prática. Os clientes devem analisar os seguintes elementos:

• Versões de hardware e software suportadas
• Regras de roteamento
• Parcerias comerciais
• Metodologia de benchmarking
• Políticas de retenção de dados
• Opções de seleção de fornecedor
• Mecanismos de failover e fallback

A formação técnica da empresa constitui outra vantagem posicional.

A Qingcheng.ai foi fundada em dezembro de 2023, com uma equipa central oriunda do Instituto de Computação de Alto Desempenho do Departamento de Ciência da Computação da Universidade de Tsinghua.

A empresa afirma que a equipa realizou trabalhos de avaliação e otimização de desempenho para centros de supercomputação e centros de computação inteligente.

Transformar a Capacidade de Computação Nacional em Serviços de Token Exportáveis

A Qingcheng.ai vê também os serviços de token como um caminho viável para a capacidade de computação doméstica alcançar utilizadores no estrangeiro.

A lógica é a seguinte: o programador não precisa de saber qual acelerador gerou a resposta. O programador compra a API do modelo e recebe tokens.

Se o hardware nacional conseguir suportar modelos competitivos de forma estável e eficiente, a sua saída pode ser vendida através de uma API unificada, sem que os clientes estrangeiros precisem de implementar ou compreender a arquitetura de hardware subjacente.

A Qingcheng.ai vê os serviços de token como uma forma de distribuir a capacidade de computação nacional globalmente.

O relatório original aponta que o pico de tráfego de desenvolvimento no exterior geralmente ocorre entre 22h e 8h, no horário de Pequim.

Isso cria uma oportunidade potencial de utilização. A capacidade computacional ociosa durante os períodos de baixa demanda doméstica pode ser usada para atender usuários em outros fusos horários.

O fluxo de trabalho descrito no artigo é:

1. Aceleradores nacionais geram Tokens por meio do Chitu.
2. O AI Ping avalia a qualidade do serviço e direciona as requisições.
3. Parceiros distribuem o serviço para desenvolvedores no exterior.
4. Os usuários utilizam o modelo por meio de uma API padrão.

Isso não elimina os requisitos comuns para a entrega de serviços internacionais. Provedores de serviço ainda precisam lidar com latência, conformidade, governança de dados, licenciamento de modelos, faturamento, suporte técnico e disponibilidade regional.

Abrindo caminho para a Economia de Agentes

Na exposição de IA, os produtos mais chamativos costumam ser modelos e aplicações.

A infraestrutura recebe menos atenção, pois grande parte do seu trabalho ocorre sob a interface do usuário. Ela determina se o modelo pode operar de forma estável, se o Agente pode concluir tarefas e se o custo final é claro e compreensível.

O conceito de "Frente de Loja e Fábrica nos Fundos" da Qingcheng AI conecta três questões:

• Como os Tokens são produzidos de forma eficiente?
• Como os Tokens são roteados de forma confiável?
• Como os Tokens são consumidos e gerenciados pelos Agentes?

A "Fábrica nos Fundos" combina hardware, Chitu e Bagualu. A "Frente de Loja" usa o AI Ping para avaliar e rotear serviços de modelo. O nó de aplicação usa o Agent Store e o ATM para distribuir Agentes e gerenciar seu uso de Tokens.

A analogia com a rede elétrica não é um padrão técnico, mas oferece às empresas uma perspectiva prática para entender a arquitetura full-stack.

A arquitetura não trata cada API de modelo, cluster de aceleradores e Agente como produtos isolados, mas como componentes interconectados na cadeia de suprimentos de Tokens.

Perguntas Frequentes

O que é a arquitetura "Frente de Loja e Fábrica nos Fundos" de Tokens da Qingcheng AI?

É um modelo de infraestrutura de IA de três camadas que abrange produção de Tokens, roteamento de API e aplicações de Agentes. A "Fábrica nos Fundos" utiliza hardware de computação, Chitu e Bagualu; a camada intermediária usa o AI Ping; a camada de aplicação inclui o Agent Store e o ATM.

O que é o mecanismo de inferência Chitu?

Chitu é um framework de inferência para grandes modelos, open-source e voltado para ambientes de produção. Ele suporta múltiplas plataformas de aceleradores nacionais e internacionais, diversas escalas de implantação, inferência de baixa precisão e interfaces de serviço HTTP compatíveis com OpenAI.

Interface.

O Chitu reduziu todos os custos de implantação do DeepSeek em 75%?

Não foi divulgada uma promessa genérica de redução de 75% nos custos. Esse dado é originário de um cenário específico de implantação FP4 — nessa configuração, a necessidade de servidores caiu de quatro para um, ou seja, uma redução de 75% no número de máquinas.

O Chitu pode ser implantado via Docker?

Sim. O repositório oficial do Chitu já fornece Dockerfiles adaptados para diversos ambientes de hardware, como Ascend, Hygon e MetaX, além de documentação geral para instalação e implantação.

Para que serve o AI Ping?

O AI Ping é usado para monitorar e comparar serviços de API de modelos, além de rotear requisições com base em objetivos como custo, velocidade, confiabilidade ou qualidade. Ele oferece uma API unificada sobre vários provedores de serviço.

O que é o Agent Token Manager?

O Agent Token Manager (ou ATM) é uma ferramenta de governança de tokens projetada pela Qingcheng AI para sistemas de Agentes, usada para rastrear uso, ratear custos, gerenciar credenciais, definir limites, isolar cargas de trabalho e alertar equipes sobre consumo anormal.

O Bagualu é um mecanismo de inferência?

O Bagualu é uma pilha de software mais ampla, e não apenas um mecanismo de inferência. Ele abrange áreas como treinamento, implantação de inferência, escalonamento, monitoramento, entrega de aplicações e operação de clusters, enquanto o Chitu é responsável pela camada central de inferência do modelo.

O resultado de "redução de 75% nos custos" foi verificado de forma independente?

Esse resultado foi fornecido pela Qingcheng AI e pelo relatório original. Os detalhes específicos de implantação necessários para uma reprodução independente ainda não foram totalmente divulgados. Recomenda-se que os leitores realizem seus próprios testes com modelos, hardware e cargas de trabalho.

Ferramentas Relacionadas

• Chitu: Framework de inferência open-source voltado para produção, para grandes modelos de linguagem e hardware heterogêneo.
• AI Ping: Plataforma de avaliação de serviços de modelo e roteamento inteligente de API, operada pela Qingcheng AI.
• Bagualu: Pilha de software da Qingcheng AI para treinamento, inferência, implantação e operação de clusters de modelos.
• vLLM: Mecanismo open-source amplamente utilizado para serviço de grandes modelos com alta taxa de transferência.
• SGLang: Framework de serviço open-source para modelos de linguagem e multimodais.
• DeepSeek: Plataforma oficial da série de modelos DeepSeek discutida no caso de implantação.
• Especificação da API OpenAI: Formato de API usado pela maioria dos mecanismos de serviço de modelos para compatibilidade de aplicações.

Links Relacionados

• Site oficial da Qingcheng AI: Informações oficiais sobre produtos e empresa do Chitu, Bagualu e AI Ping.
• Repositório GitHub do Chitu: Contém código-fonte, Dockerfiles, modelos suportados, versões, benchmarks e documentação de implantação.
• Página do produto Chitu: Visão geral da Qingcheng AI sobre hardware, modelos, interfaces e declarações de desempenho suportados.
• Página do produto Bagualu: Informações oficiais relacionadas a treinamento e infraestrutura.

Pilha de software.

• AI Ping: Plataforma oficial de avaliação de modelos e roteamento unificado de API.
• Reportagem do Diário de Ciência e Tecnologia: Reportagem independente cobrindo a solução completa de Tokens da Qingcheng AI e os indicadores do AI Ping.
• Dispositivo Bagualu do Inspur Yuannao: Detalhes de teste do dispositivo empresarial otimizado conjuntamente do Chitu e Bagualu.

Resumo

Na World Artificial Intelligence Conference de 2026, a Qingcheng AI apresentou uma infraestrutura de Tokens em três camadas, projetada para conectar inferência de modelos, roteamento de API, distribuição de Agentes e governança de custos.

A camada de fábrica nos fundos utiliza Chitu e Bagualu para otimizar a implantação de modelos em hardware de computação heterogêneo. De acordo com relatos da empresa, em uma configuração FP4 do DeepSeek, o número de máquinas necessárias caiu de quatro para uma, resultando em uma redução de 75% nos custos.

O AI Ping constitui a camada intermediária de roteamento, enquanto o Agent Store e o ATM cobrem a distribuição de Agentes e as operações financeiras de Tokens. Cada produto trabalha em conjunto para tornar o fornecimento de Tokens mais estável e mensurável, sem depender de um único fornecedor de hardware ou API.

A ideia central é simples: Agentes de IA precisam de mais do que apenas modelos — eles precisam de uma camada de infraestrutura capaz de gerar, rotear, medir e controlar cada Token que consomem.