MiMo-V2.6-Pro sitúa los pesos abiertos en la línea de Pareto a 0,13 $ por tarea

Xiaomi MiMo-V2.6-Pro se publicó en Hugging Face el 21 de septiembre de 2026, y el número que más ha trascendido desde entonces es 46: su puntuación en el Artificial Analysis Intelligence Index v4.3.2, la más alta que cualquier modelo de pesos abiertos ha registrado en esa métrica compuesta. El número que decide si realmente puedes ejecutarlo es más pequeño. Artificial Analysis midió $0.1332 de cómputo por tarea del Intelligence Index mientras evaluaba MiMo-V2.6-Pro en su propio harness, y esa cifra sitúa al modelo en la línea de Pareto del gráfico Intelligence-versus-Cost-per-Task del sitio. Por encima del umbral de redondeo, es el único modelo de pesos abiertos en esa línea.

Esa es una afirmación más acotada y más útil que «el mejor modelo de pesos abiertos», que es como la mayoría de la cobertura del lanzamiento lo enmarcó. Ser primero en el eje de inteligencia te indica el techo. Estar en la curva de costos te indica si algo más en el mercado es estrictamente mejor a ese precio. Para Xiaomi MiMo-V2.6-Pro, a la fecha de escribir esto, nada lo es.

Qué mide realmente la línea de Pareto

El gráfico representa cada modelo que Artificial Analysis ha evaluado en dos ejes: el Intelligence Index en uno, y el costo promedio ponderado en dólares de producir una tarea del índice en el otro. A un modelo que está en la línea de Pareto ningún otro modelo individual puede superarlo en ambos ejes: no se puede encontrar algo más inteligente por menos. Los puntos por debajo y a la izquierda de la línea están dominados y quedan fuera de ella.

Recalculamos la frontera a partir de los datos integrados en el gráfico en lugar de leer la línea a ojo. Partiendo de los 326 modelos que cuentan tanto con una puntuación de índice como con un coste medido por tarea, la frontera actual consta de catorce puntos:

• Qwen3.5 2B (sin razonamiento) — índice 6.2, el coste por tarea se redondea a $0.000, pesos abiertos
• Devstral 2 — índice 8.6, el coste por tarea se redondea a $0.000, pesos abiertos
• North Mini Code — índice 9.9, el coste por tarea se redondea a $0.000, pesos abiertos
• Claude Sonnet 4.6 (sin razonamiento, esfuerzo alto) — índice 24.7, el coste por tarea se redondea a $0.000, cerrado
• Grok Build 0.1 0616 — índice 27.2, coste por tarea $0.006, cerrado
• GPT-5.6 Luna (high) — índice 32.1, coste por tarea $0.044, cerrado
• GPT-5.6 Luna (xhigh) — índice 34.6, coste por tarea $0.085, cerrado
• Xiaomi MiMo-V2.6-Pro — índice 46.3, coste por tarea $0.133, pesos abiertos con licencia MIT
• GPT-6 Astra (medium) — índice 49.6, coste por tarea $1.541, cerrado
• GPT-6 Astra (high) — índice 50.9, coste por tarea $1.725, cerrado
• GPT-6 Astra (xhigh) — índice 52.4, coste por tarea $2.309, cerrado
• GPT-6 Astra (max) — índice 52.7, coste por tarea $3.258, cerrado
• Claude Fable 5.1 (xhigh, respaldo predeterminado) — índice 53.2, coste por tarea $5.978, cerrado
• Claude Fable 5.1 (max, respaldo predeterminado) — índice 53.4, coste por tarea $7.630, cerrado

Tres cosas se desprenden de esa lista. Los cuatro puntos más baratos son modelos cuyo costo medido se redondea a cero en cuatro decimales, por lo que la parte interesante de la curva comienza en Grok Build 0.1 0616. Xiaomi MiMo-V2.6-Pro es un verdadero punto de inflexión en ella, no un artefacto de redondeo: el siguiente punto cuesta 11.6 veces más por tarea por 3.3 puntos de índice adicionales. Y de los diez puntos frontera con un costo distinto de cero, exactamente uno es de pesos abiertos — que es el hecho que el encuadre del "mejor modelo de pesos abiertos" oculta. El modelo de pesos abiertos más cercano en el eje de inteligencia, GLM-5.3 (max) con 44.8, no está ni cerca de la línea: cuesta $2.006 por tarea de índice, quince veces la cifra de MiMo-V2.6-Pro. Kimi K3 (max) se sitúa en 43.6 y $2.000 por tarea.

La lista de precios no se movió. La factura sí.

Xiaomi no subió los precios para esta generación. MiMo-V2.6-Pro tiene un precio de lista de $0.435 por millón de tokens de entrada y $0.87 por millón de tokens de salida, con un precio de entrada con acierto de caché de $0.0036 —un descuento del 99.17%—, que es el mismo esquema de precios que tenía el buque insignia anterior. Con una mezcla ponderada de 7:2:1 de aciertos de caché/entrada/salida, eso da $0.1765 por millón de tokens.

Y, sin embargo, el costo de ejecutar el Intelligence Index contra MiMo-V2.6-Pro ascendió a $206.66, o $0.1332 por tarea, mientras que el mismo índice contra MiMo-V2.5-Pro costó $0.054 por tarea. Artificial Analysis registró 140 millones de tokens de salida para el modelo más nuevo frente a 110 millones para el más antiguo, en la misma suite. La tarifa no ha cambiado; el modelo simplemente escribe más para responder la misma pregunta. Esa es la honesta matización a la posición de Pareto — Xiaomi MiMo-V2.6-Pro se gana su lugar en el eje de costos a pesar de volverse más verboso, no porque se haya abaratado.

Para quien esté calculando un presupuesto, la lectura práctica es que el precio por token ya es un mal predictor de lo que cuesta una carga de trabajo. Dos modelos con tarifas idénticas pueden diferir en 2,5 veces en el costo por tarea completada. El descuento por caché es la palanca con mayor impacto: a $0,0036 por millón de tokens de entrada en caché, la diferencia entre un prompt que reutiliza contexto y uno que no lo hace es mayor que la diferencia entre la mayoría de los pares de modelos de esta lista.

Qué cubre la puntuación y qué no

El 46 es una medición de terceros, y eso importa porque casi todo lo demás que se ha publicado sobre MiMo-V2.6-Pro no lo es. La versión del índice también importa: la v4.3.2 es un compuesto de diez evaluaciones que abarcan razonamiento, conocimiento, matemáticas y programación, y una puntuación solo es comparable con otras puntuaciones de la misma versión. Las cifras del proveedor que Xiaomi publicó junto con el lanzamiento —DeepSWE v1.1 con 71.9, AutomationBench v1.0.6 con 53.1, Toolathlon-Verified con 76.9, Terminal Bench 2.1 con 89.9, CyberGym con 94.0— provienen del propio entorno de pruebas y calificador de Xiaomi, y nadie las ha reproducido. Son útiles como evidencia orientativa de para qué se ajustó el modelo; no son entradas de la tabla de clasificación.

La otra mitad del lanzamiento es el paquete de pesos abiertos. Artificial Analysis clasifica el modelo con 1,0 T de parámetros totales y 42 B activos, una ventana de contexto de 1 M de tokens, entrada de texto, imagen, voz y vídeo con salida de texto, y una licencia MIT con pesos en Hugging Face. El propio repositorio informa un tamaño de modelo Safetensors de 524 B de parámetros —una tercera cifra que no coincide ni con el total de 1,0 T ni con el recuento de 42 B activos, y que Xiaomi no ha conciliado—. Si planeas un despliegue autoalojado, vale la pena resolver esa discrepancia antes de aprovisionar nada, porque un checkpoint FP8 de 524 B y uno de 1 T son conversaciones de hardware diferentes.

Un punto fronterizo que actualmente no puedes enrutar

El panorama de disponibilidad es la parte de este lanzamiento que más lo limita. Cuando Artificial Analysis evaluó Xiaomi MiMo-V2.6-Pro, contó un único proveedor de API para el modelo. El repositorio de Hugging Face indica que Xiaomi MiMo-V2.6-Pro no está desplegado por ningún proveedor de inferencia. Nosotros tampoco lo alojamos, y no vamos a insinuar lo contrario: la vía hacia este modelo hoy es la propia plataforma de Xiaomi y los catálogos de terceros que lo incluyen.

Eso es un problema de conmutación por error, no de calidad, y es justo el problema que un enrutador existe para resolver. Una API para cientos de modelos, con conmutación por error automática entre proveedores, es lo que convierte «un proveedor actualmente lista esto» de un riesgo arquitectónico en un detalle de configuración. También es la forma en que planificarías por etapas una migración a un modelo tan nuevo: enviar una parte del tráfico a Xiaomi MiMo-V2.6-Pro, mantener un modelo probado detrás de él y dejar que el enrutador mueva la solicitud en lugar de tu rotación de guardias. Eso funciona con los modelos que ofrecemos. Para este, hasta que sea enrutable, el consejo honesto es mantenerlo fuera de una ruta crítica.

¿Qué lo sacaría de la línea?

Una posición de Pareto es una instantánea, no una propiedad del modelo. Tres cosas la cambiarían. Un recorte de precio por parte de Xiaomi movería a Xiaomi MiMo-V2.6-Pro aún más a la izquierda y haría más difícil vencerlo, y, como trasladamos el precio de lista del proveedor con un 0 % de margen, un recorte como ese está activo de nuestro lado el mismo día en que aparece en cualquier sitio. Un modelo más barato que puntuara por encima de 46.3 lo desplazaría por completo; GPT-6 Astra (low) ya se sitúa en 45.8 por $0.818 por tarea, más caro, pero incómodamente cerca en el eje de inteligencia. Y una evaluación comparativa independiente de MiMo-V2.6-Flash —que actualmente no tiene ninguna página en Artificial Analysis en absoluto— podría revelar que el hermano más barato ocupa un mejor lugar en la curva para la mayoría de las cargas de trabajo.

Por ahora, la afirmación defendible es la aritmética. En la versión actual del índice, con los precios publicados actualmente, no hay ningún modelo en el mercado que sea a la vez más barato por tarea y más inteligente que Xiaomi MiMo-V2.6-Pro. Si eso sobrevive a su primera replicación independiente es la pregunta que vale la pena seguir de cerca.