Step 5 Preview vs MiMo V2.6 Pro: un punto de índice por nueve veces la factura

En la misma ejecución de Artificial Analysis, Step 5 Preview de StepFun y MiMo V2.6 Pro de Xiaomi quedan a un punto de inteligencia de distancia: 29 frente a 30. No se llevan un solo billete de diferencia. La misma ejecución fija el precio de una tarea de índice completada en $2.35 para Step 5 Preview y $0.26 para MiMo V2.6 Pro, una diferencia de aproximadamente nueve a uno. Ambos son modelos de mezcla de expertos de pesos abiertos con una ventana de un millón de tokens, ambos aceptan tanto imágenes como texto, y ambos llegaron con un día de diferencia a finales de septiembre de 2026 — Step 5 Preview en la API de StepFun el 20 de septiembre, y MiMo V2.6 Pro el 21 de septiembre. Eso hace de esta la comparación directa más clara disponible en la categoría de pesos abiertos, y es la única comparación en la que el modelo más barato también es el que obtiene una puntuación ligeramente mejor.

Lo siguiente se basa en una única ejecución de evaluación, realizada sobre la versión del índice que Artificial Analysis está sirviendo hoy, porque casi todas las páginas de comparación que aún están en la web usan una versión obsoleta. Las cifras que aparecen a continuación son reproducibles, corresponden a la misma ejecución e indican quién las produjo.

Dos notas de la versión, con una semana de diferencia, dos caídas de peso muy diferentes

Los cronogramas divergen tanto como las arquitecturas. Step 5 Preview llegó a una API el 20 de septiembre y luego pasó casi cuatro semanas como producto exclusivamente alojado antes de que StepFun publicara los checkpoints el 15 de octubre. MiMo V2.6 Pro distribuyó sus pesos con licencia MIT junto con la API el 21 de septiembre, y Xiaomi publicó su receta de aprendizaje por refuerzo, aproximadamente 7.000 entornos de tareas y un modelo hermano destilado de 9B al mismo tiempo.

Las hojas de especificaciones, una línea por dimensión:

• Parámetros totales y activos — Step 5 Preview: 600B totales, 27B activos por token. MiMo V2.6 Pro: 1.0T totales, 42B activos.

• Arquitectura — Vista previa del paso 5: 92 capas, atención dispersa de consultas agrupadas con indexación por bloques de 8 tokens, y una combinación 3:1 de atención de ventana deslizante con compuerta y atención completa dispersa. MiMo V2.6 Pro: MoE disperso con 384 expertos enrutados, ocho activos por token.

• Contexto y salida — Step 5 Preview: 1M de tokens. MiMo V2.6 Pro: 1M de tokens, con un techo de salida de 131K en nuestra propia página del modelo.

• Entrada — Vista previa del paso 5: texto, imagen y vídeo. MiMo V2.6 Pro: texto, imagen, vídeo y audio, y promociona audio nativo en lugar de solo vídeo.

• Pesos y licencia — Vista previa de Step 5: BF16 y FP8, bajo la Licencia de Modelo StepFun 1.0. MiMo V2.6 Pro: MIT.

• Precio por millón de tokens — Step 5 Preview: $1.00 de entrada, $2.70 de salida, $0.10 en caché. MiMo V2.6 Pro: $0.435 de entrada, $0.87 de salida, $0.0036 en caché.

La diferencia de parámetros es lo primero que llama la atención. Step 5 Preview es el modelo más pequeño en tamaño total y el más pequeño en cómputo activo, 27B frente a 42B. Eso no es casualidad de empaquetado; el blog técnico de StepFun defiende el intercambio opuesto: una pila estrecha y profunda entrenada para comportarse como un modelo mucho más grande en trabajo de agentes de horizonte largo, razón por la cual 92 capas se asientan sobre una envolvente de 600B en lugar de una de un billón de parámetros.

El tablero se volvió a puntuar, y los números antiguos siguen por todas partes.

Si buscas esta comparación hoy, la mayoría de los resultados te dirán que MiMo V2.6 Pro obtiene 46 y Step 5 Preview obtiene 44. Esas fueron lecturas reales. Se tomaron con una versión anterior del Artificial Analysis Intelligence Index, y esa versión ya ha sido reemplazada. En la tabla tal como está ahora, los mismos dos modelos registran 30 y 29, y los modelos que solían situarse cerca de ellos se han movido en magnitudes similares.

Esto importa por una razón práctica y no pedante: toda cifra derivada calculada a partir de las puntuaciones antiguas ahora es incorrecta. La ratio de «0,13 $ frente a 0,72 $ por tarea» que circuló en el lanzamiento se ha convertido en 0,26 $ frente a 2,35 $. El orden no cambió —MiMo sigue liderando por uno—, pero la magnitud de todo lo que lo rodea sí, y la dirección del relato de costes pasó de ser un error de redondeo a una decisión.

Una advertencia sobre cómo leer cualquiera de estas cifras: el índice es un compuesto ponderado, y sus subindicadores de referencia discrepan marcadamente para este par. Informar solo el compuesto ocultaría la única parte de la comparación que le da razón de existir a Step 5 Preview.

Donde el nueve a uno compra algo

Tres subresultados de la misma ejecución favorecen realmente a Step 5 Preview, y se agrupan en torno a un único tema: decir menos cuando no sabe.

• Humanity's Last Exam (Diamond) — Step 5 Preview 24% frente a MiMo V2.6 Pro 15%. Casi nueve puntos de ventaja en el benchmark de conocimiento más difícil del conjunto.

• AA-Omniscience — Step 5 Preview 16 frente a MiMo V2.6 Pro −4. La puntuación premia tanto la abstención calibrada como el recuerdo correcto, y un valor negativo indica un modelo que responde con seguridad y de forma errónea más a menudo de lo que permanece en silencio.

• Velocidad de salida — Step 5 Preview 179,1 tokens por segundo frente a MiMo V2.6 Pro 58,0, medido en el mismo servicio. El triple del rendimiento supone una diferencia real de latencia en un bucle de agente que realiza una docena de llamadas secuenciales.

Esos tres juntos constituyen una defensa coherente del sobreprecio: un modelo que alucina menos y responde más rápido vale más por token exactamente en las cargas de trabajo que ambos proveedores tienen como objetivo: agentes de larga duración, prompts a escala de repositorio y síntesis de investigación. Que valga nueve veces más es una pregunta aparte, y la respuesta depende de cuánto te cuesta una respuesta equivocada pero segura.

Donde MiMo gana sin asterisco

El código y las pruebas de automatización van en sentido contrario, y no por poco.

• FrontierCode 2.0 — MiMo V2.6 Pro 24% frente a Step 5 Preview 12%. El doble de puntuación en el benchmark de programación, que es la mayor divergencia entre ambos.

• AutomationBench-AA — 59% frente a 51%.

• Terminal-Bench 4.0 — 35% frente a 33%, una ventaja estrecha que importa porque el posicionamiento agéntico de Step 5 Preview se basa en trabajo de terminal.

• GDPpdf — 19% vs 15%, y Terminal-Bench-Science 6% vs 2%, {{KEEP}}ambos modestos pero consistentes{{/KEEP}}.

Las victorias de Step 5 Preview en HLE y Omniscience se leen como amplitud de conocimiento y calibración; las de MiMo en FrontierCode y AutomationBench se leen como capacidad de actuar. Para un agente de programación, esas no son monedas equivalentes.

La economía de la caché es la parte que más probablemente sorprenda a alguien que modela el gasto. La tarifa de entrada en caché de MiMo V2.6 Pro es de $0.0036 por millón de tokens frente a los $0.10 de Step 5 Preview: una diferencia de 28 veces en la clase de tokens que domina una sesión larga de agente, donde el mismo contexto de repositorio o documento se vuelve a leer en cada turno. MiMo también vende un nivel UltraSpeed a $4.35 de entrada y $8.70 de salida para llamadas críticas en latencia, lo cual es una forma de comprar capacidad de procesamiento sin cambiar de modelo.

Cuánto cuesta realmente un turno de agente

Toma una llamada representativa: un contexto de 400.000 tokens de entrada, 20.000 tokens de salida. A precios de lista, eso da $0,454 para Step 5 Preview y $0,191 para MiMo V2.6 Pro — una brecha de 2,4 veces, no de nueve. Ahora ejecuta el mismo contexto diez veces en una sesión. Con la caché haciendo su trabajo, Step 5 Preview vuelve a leer esos 400.000 tokens a $0,10 por millón y MiMo V2.6 Pro a $0,0036, y la brecha en la parte en caché se amplía a aproximadamente 28 a uno.

Esa aritmética es la razón por la que la brecha por tarea y la brecha del precio de etiqueta no coinciden. La cifra por tarea es un promedio ponderado de una evaluación completa con un uso intensivo de reutilización de prompts, así que refleja la tasa de caché tanto como la tarifa anunciada. Si tu carga de trabajo consiste en prompts de una sola vez con contexto nuevo en cada llamada, presupuesta más cerca de la cifra de 2,4 veces. Si se trata de un agente persistente que relee los mismos archivos, la cifra de nueve veces es el número de planificación más honesto.

Lo que puedes llamar hoy

MiMo V2.6 Pro está en el catálogo de OrcaRouter con el id de modelo xiaomi/mimo-v2.6-pro, facturado a la tarifa de lista propia de Xiaomi de $0.43 de entrada y $0.87 de salida por millón de tokens, sin ningún recargo añadido. Esto importa aquí por una razón concreta: el precio en esta comparación es lo que más probablemente cambie, y un router de paso directo significa que un cambio de precio de Xiaomi llega a tu factura el mismo día en lugar de en la próxima renovación de contrato.

Step 5 Preview no está en nuestro catálogo. Su forma de invocarlo sigue siendo la propia API de StepFun, o un host de terceros que incluya los checkpoints. Para un equipo que sopesa ambas opciones, esa asimetría es en sí misma un argumento: uno de los lados de esta comparación se puede probar contra un fallback en una sola configuración de enrutamiento, y el otro no. El DSL de enrutamiento permite enviar el tráfico de programación a MiMo V2.6 Pro y mantener un segundo modelo detrás de conmutación por error automática, de modo que un pico de latencia en un proveedor no deja caído al agente. Si la ventaja de un punto de MiMo resulta no mantenerse en su propia carga de trabajo, cambiar cuesta un id de modelo, no un contrato.

Preguntas que este enfrentamiento no deja de plantear

¿Por qué la mayoría de las páginas de comparación todavía muestran 46 frente a 44?

Porque se escribieron con la versión anterior del índice y no se han vuelto a calcular. La evaluación subyacente cambió, no solo los modelos, así que todas las cifras derivadas de ella —incluido el coste por tarea— se desplazaron con ella. Cuando dos páginas citan este par y discrepan en más de uno o dos puntos, comprueba qué versión del índice produjo cada una.

¿La ventaja de calibración de Step 5 Preview sobrevive a un cambio de dominio?

En parte. Los resultados de Omniscience y HLE se miden sobre conocimiento general; el comportamiento de calibración que recompensan es más valioso cuando se pregunta al modelo sobre cosas fuera de su distribución de entrenamiento. En un dominio estrecho en el que ambos modelos se entrenaron intensivamente —el código, por ejemplo—, la ventaja de MiMo en FrontierCode sugiere que la ventaja de abstención no está haciendo el trabajo por el que pagas.

¿Alguno de los dos modelos es un reemplazo directo del otro?

No sin antes comprobarlo. En la práctica, comparten una superficie compatible con OpenAI, pero los controles de razonamiento difieren, los límites de salida difieren y la huella activa de 27B de Step 5 Preview cambia cuánto de un prompt largo puedes mantener residente. Porta el prompt, vuelve a ejecutar tu propio conjunto de evaluación y compara con tu carga de trabajo en lugar de con la diapositiva de cualquiera de los proveedores.

La versión corta de la decisión: si tu carga de trabajo es intensiva en conocimiento, sensible a la latencia y sale caro equivocarse, el sobreprecio de nueve veces de Step 5 Preview es defendible, y sus 179 tokens por segundo lo hacen agradable de usar. Si tu carga de trabajo es código, automatización y sesiones largas sobre el mismo contexto, MiMo V2.6 Pro es el mejor modelo a un precio que no se le acerca, y es el único de los dos que puedes poner detrás de un enrutador hoy y del que puedes cambiar mañana.