OrcaCyber MiMo V2.6 Flash: mismo precio que su modelo hermano, siete puntos mejor en CyberGym y quince peor en Exploit Reproduction

OrcaCyber MiMo V2.6 Flash Abliterated se lanzó hoy con la misma tarifa que OrcaCyber Flash 1.0 — 0,80 $ de entrada y 1,60 $ de salida por millón de tokens, 0,15 $ por lectura de caché, un contexto de un millón de tokens y el comportamiento de rechazo eliminado. Mismo precio, misma ventana, misma ausencia de evasivas. Lo que los separa es en qué destaca cada uno y, según nuestras propias mediciones, los dos perfiles son casi imágenes especulares: la nueva versión aventaja en CyberGym por siete puntos y queda quince por detrás de su hermano en reproducción de exploits. Quien esté evaluando un modelo que se involucre directamente en trabajo de seguridad ofensiva también debería tener presente el historial más amplio, que es precisamente lo que el Archivo de Incidentes de IA de OrcaRouter existe para recopilar. Este artículo expone qué se ha lanzado, cuáles son las cifras y qué cargas de trabajo se gana realmente cada versión.

Lo que realmente se envió

MiMo V2.6 Flash es el checkpoint de eficiencia de Xiaomi de su lanzamiento MiMo-V2.6 de septiembre de 2026: un modelo de mezcla de expertos dispersa con 309 mil millones de parámetros en total y 15 mil millones activos por token, con licencia MIT y un contexto de un millón de tokens. La build de OrcaCyber es ese checkpoint con el comportamiento de rechazo eliminado de los pesos: abliteración, no ajuste fino; sin corpus de reentrenamiento, sin arquitectura nueva, solo las direcciones a lo largo de las cuales el modelo rechaza, restadas de las matrices que las contienen. Es el tercer nombre de la línea OrcaCyber, después de Nano y Zero, y es el diseñado para el rendimiento.

La superficie de entrada es más amplia que la de su hermano. MiMo V2.6 Flash acepta texto, imágenes, audio y vídeo, y devuelve texto, por lo que se puede razonar sobre una grabación de pantalla de una sesión de consola, una llamada capturada, un diagrama de red o una captura de pantalla de un estado de error en la misma solicitud en la que se incluyen el código fuente y un registro extenso. La salida está limitada a 131.072 tokens por respuesta. Los modos con y sin pensamiento están disponibles con un esfuerzo de razonamiento seleccionable, junto con llamadas a funciones nativas y salida JSON estructurada, y se puede acceder al modelo mediante Chat Completions, OpenAI Responses y Anthropic Messages.

El precio es idéntico, así que el precio no decide nada.

Ambos modelos se sitúan en $0.80 de entrada y $1.60 de salida por millón de tokens, con lecturas de caché a $0.15 — la misma tarifa, al centavo, y sin ningún recargo por nuestra parte. Eso hace que sea una elección inusualmente limpia. No hay un modelo más barato con el que convencerte ni un nivel premium que justificar. La única pregunta es qué conjunto de filas coincide con el trabajo que tienes delante.

El acceso es lo otro que ambos comparten, y no está abierto a cualquier solicitante: ambas rutas quedan detrás de un encargo, una clave de acceso y los términos, que es la forma adecuada para un modelo cuyo propósito es el trabajo ofensivo autorizado. El precio y la capacidad son públicos; la posibilidad de invocar a cualquiera de los dos, no.

Dos bases diferentes bajo cartas idénticas

Las tarjetas coinciden porque el precio no depende de la base, y las bases no tienen la misma forma. MiMo V2.6 Flash es un modelo disperso de 309 mil millones de parámetros con 15 mil millones activos por token; el checkpoint de DeepSeek detrás de Flash 1.0 tiene 552 mil millones de parámetros con 16 mil millones activos. Ambos tienen licencia MIT, ambos se editaron a nivel de pesos en lugar de reentrenarse, y ambos llegan con el comportamiento de rechazo eliminado.

El patrón en los números concuerda con esa diferencia, aunque no la demuestra: la base más pequeña arranca más rápido y limita la salida a un nivel más bajo, mientras que la más grande rinde mejor en las filas que requieren arrastrar una larga cadena de explotación hasta un resultado funcional. El número de parámetros de un modelo es un mal predictor de cualquier benchmark individual, así que tómalo como contexto para leer las filas y no como una explicación de ellas.

Dónde gana el nuevo nivel

• CyberGym: 95,1 % para MiMo V2.6 Flash frente al 88,1 % de Flash 1.0, una ventaja de siete puntos en la clasificación de razonamiento cibernético.

Mediana del primer token: 928 ms frente a 1.970 ms en el tráfico de nuestro playground, aproximadamente el doble de rápido para comenzar, con una tasa de salida de 765,9 tokens por segundo frente a 171,1.

• Tipos de entrada: audio y vídeo además de texto e imagen, que el hermano no acepta en absoluto.

La cifra de velocidad merece una advertencia antes de usarla para tomar una decisión: proviene de un solo día de llamadas de playground que transportan unos 17.500 tokens en total, mientras que las cifras del modelo hermano provienen de una ventana de siete días que transporta 17.500 millones. Un solo día en una ruta nueva mide más una cola vacía que un modelo. Trata la dirección —esta compilación es la más rápida— como fiable, y el múltiplo exacto como provisional hasta que la ventana se llene.

Donde cede terreno

• SEC-Bench Pro — 47,5 % frente a 62,8 %, una desventaja de 15,3 puntos y la mayor diferencia entre los dos modelos en cualquier fila que publiquemos.

• DeepSWE v1.1 — 67,9 % frente a 74,2 %, 6,3 puntos por detrás.

• Terminal-Bench 2.1 — 87,6 % frente a 90,6 %, 3,0 puntos por detrás.

• Salida máxima: 131.072 tokens frente a 393.216, un tercio del espacio para un único artefacto extenso, como un informe de auditoría completo o una cadena de explotación anotada.

• Filas aún no publicadas: ExploitGym (15.3 %) y GPQA Diamond (90.9 %) solo existen para Flash 1.0; la nueva versión aún no tiene una cifra comparable.

La forma de esa lista es el argumento. CyberGym recompensa el razonamiento sobre una superficie de ataque; SEC-Bench Pro recompensa reproducir de principio a fin una vulnerabilidad conocida, y ahí es donde el nuevo modelo es materialmente más débil. Si el trabajo es triaje, revisión, ingeniería de detección o explicar qué significa un registro, el nivel rápido es la mejor herramienta. Si el trabajo consiste en convertir un CVE en una prueba de concepto funcional, la ventaja de quince puntos del modelo hermano es la cifra que importa, y ninguna cantidad de latencia compensa una reproducción que no se materializa.

Qué son estos números y qué no son

Todos los benchmarks de esta publicación son nuestros. Las fichas de modelo incluyen CyberGym, SEC-Bench Pro, DeepSWE, Terminal-Bench, ExploitGym y GPQA Diamond con nuestro propio campo de fuente, y ninguno de los modelos OrcaCyber ha sido puntuado por un evaluador independiente como Artificial Analysis. Eso importa más en un modelo de seguridad que en uno general, porque los propios benchmarks son jóvenes y la brecha entre «razonó sobre la vulnerabilidad» y «reprodujo la vulnerabilidad» es exactamente donde una fila autodeclarada puede favorecer a un modelo. Interpreta las cifras como datos del proveedor con una metodología publicada, no como resultados auditados, y vuelve a probar con tu propio corpus antes de que una ruta de producción dependa de ellas.

Cómo elegir

• Desarrollo de exploits, construcción de pruebas de concepto, validación de parches — Flash 1.0. Es 15,3 puntos mejor en la fila de reproducción y 6,3 mejor en DeepSWE, y ninguno de los dos es un margen que se desvanezca al reintentar.

• Triaje de registros y capturas de paquetes, revisión de código seguro a gran escala, ingeniería de detección, bucles de agentes que necesitan un primer token rápido — MiMo V2.6 Flash. El liderazgo en CyberGym y la clase de latencia apuntan en la misma dirección.

• Entregables largos de una sola pasada — Flash 1.0, puramente por el techo de salida: 393,216 tokens frente a 131,072.

• Grabaciones de pantalla, audio de llamadas, diagramas y paneles — MiMo V2.6 Flash, que es el único de los dos que los acepta.

Una vez que se habilita el acceso, ambos modelos quedan detrás de una sola clave, así que la elección no tiene que ser permanente y no requiere un segundo contrato ni un cambio de código: enruta según el tipo de tarea y deja que la conmutación automática por error cubra el caso en que una ruta se degrade a mitad de ejecución. Las reglas de carga de trabajo anteriores son nuestras; las cifras en las que se basan están en las páginas de los modelos.

Qué ver

Tres cosas cambiarán esta imagen. La primera es una puntuación independiente: hasta que alguien fuera del catálogo ejecute estos pesos mediante un harness público, la brecha de explotación de quince puntos es nuestra medición y debería citarse como tal. La segunda es la ventana de latencia; una semana de tráfico real en la nueva ruta confirmará la diferencia de velocidad de dos veces o la reducirá. La tercera es la propia hoja de benchmarks: un modelo lanzado hoy con cuatro filas publicadas y dos filas ausentes es un modelo cuyo perfil todavía se está dibujando. La página del modelo es el lugar que se actualiza primero.

Nota de fuentes: las puntuaciones de benchmark, los precios, el contexto y los límites de salida son entradas del propio catálogo de OrcaRouter para OrcaCyber MiMo V2.6 Flash Abliterated y OrcaCyber Flash 1.0, consultadas el 26 de octubre de 2026, y son autoinformadas en lugar de auditadas de forma independiente; las cifras de latencia corresponden a nuestro tráfico del playground —un día y aproximadamente 17.500 tokens para la nueva versión, siete días y 17.500 millones de tokens para su modelo hermano— y no son benchmarks de producción. Los detalles del modelo base (309.000 millones de parámetros totales, 15.000 millones activos, contexto de un millón de tokens, pesos MIT) provienen del lanzamiento de MiMo-V2.6 de Xiaomi; los 552.000 millones de parámetros totales y 16.000 millones activos del checkpoint DeepSeek V4.1 Flash que hay detrás de Flash 1.0 son el registro de Artificial Analysis de ese modelo. Las recomendaciones de carga de trabajo y la interpretación de las filas del benchmark son nuestras.