MiMo-V2.6-Pro vs Kimi K3: Öppna vikter med två biljoner parametrar, fjorton gånger skillnad i kostnad per uppgift

Båda är mixture-of-experts-modeller med öppna vikter från kinesiska labb med ett kontextfönster på 1 miljon token. Båda går att ladda ner. I Artificial Analysis Intelligence Index v4.3.2, avläst den 22 september 2026, får MoonshotAIs Kimi K3 44 poäng och Xiaomis MiMo-V2.6-Pro 46 poäng. Två poäng. Den uppmätta kostnaden för att köra samma utvärderingssvit mot vardera är 3 658,07 dollar för Kimi K3 och 206,66 dollar för MiMo-V2.6-Pro — en faktor på sjutton. Om du redan har bestämt dig för att du vill ha öppna vikter i den här klassen är det förhållandet, inte de två poängen, som avgör.

Kimi K3 är den etablerade modellen i detta par: lanserad den 16 juli 2026, med fulla vikter som följde den 27 juli, och med månader av oberoende utvärdering bakom sig. Xiaomi MiMo-V2.6-Pro blev allmänt tillgänglig den 22 september 2026, med sina checkpointarkiv för förstärkningsinlärning publicerade dagen innan. Jämförelsen står därför mellan en beprövad öppen modell till premiumpris och en helt ny sådan till lågpris, och det intressanta är hur litet det uppmätta förmågegapet visade sig vara.

Vad varje modell faktiskt är

Kimi K3 är en multimodal resonemangsmodell med öppna vikter och 2,8 biljoner parametrar, vid lanseringen beskriven som den första öppna modellen i trebiljonersklassen. Den aktiverar 16 av 896 experter per token – omkring 104 miljarder aktiva parametrar – och använder Kimi Delta Attention och Attention Residuals för att effektivt hålla en kontext på 1 miljon token, med utdata på upp till 1 miljon token per begäran. Det är ständigt aktivt resonemang med inbyggd vision. Moonshots förstaparts-API tar 3,00 USD per miljon indatatoken, 0,30 USD per miljon cachade indatatoken och 15,00 USD per miljon utdatatoken, platt utan nivåindelning efter kontextlängd, och Artificial Analysis rapporterar 90 % cacherabatt och en blandad taxa på 2,31 USD. Den uppmättes till 42,8 utdatatoken per sekund – anmärkningsvärt långsamt jämfört med en median på 77,9 för modeller av jämförbar storlek – och 3,93 sekunder till första token.

Xiaomi MiMo-V2.6-Pro är en gles mixture-of-experts-modell med totalt 1,02 biljoner parametrar och 42 miljarder aktiverade per token, med ett kontextfönster på 1M tokens och inbyggd multimodalitet över text, bild, video och ljud. Dess vikter bär en MIT-licenstagg. Xiaomi behöll prissättningen från föregående generation i stället för att sätta ett högre pris på den nya checkpointen, vilket är anledningen till att den listas till $0,43 per miljon indatatokens och $0,87 per miljon utdatatokens med 99 % cacherabatt och ett blandat pris på $0,18. Den uppmätte 134,3 utdatatokens per sekund — elfte av 114 modeller i fråga om hastighet — och 2,15 sekunder till första token.

• Aktiva parametrar — MiMo-V2.6-Pro 42B per token; Kimi K3 cirka 104B, aktiverar 16 av 896 experter

• Totala parametrar — MiMo-V2.6-Pro 1.02T; Kimi K3 2.8T

• Indexpoäng — MiMo-V2.6-Pro 46; Kimi K3 44, båda Artificial Analysis v4.3.2

• Listpris — MiMo-V2.6-Pro $0.43 / $0.87 per 1M; Kimi K3 $3.00 / $15.00, cachad indata $0.30

• Blandad taxa — MiMo-V2.6-Pro $0,18 per 1 miljon; Kimi K3 $2,31

• Kostnad för att köra indexet — MiMo-V2.6-Pro $206,66; Kimi K3 $3 658,07

• Hastighet — MiMo-V2.6-Pro 134,3 utdatatokens/sekund; Kimi K3 42,8, mot ett medianvärde på 77,9 för storleksklassen

• Tid till första token — MiMo-V2.6-Pro 2,15 sekunder; Kimi K3 3,93 sekunder

• Kontext — 1M tokens för båda; Kimi K3 publicerar utdata på upp till 1M tokens per begäran

• Vikter — båda nedladdningsbara; MiMo-V2.6-Pro har en MIT-tagg

Hastigheten är skillnaden som indexet döljer

Den sammansatta poängskillnaden på två punkter är den minst intressanta siffran här, och 134,3 mot 42,8 tokens per sekund är den mest intressanta. En modell som genererar tre gånger snabbare är inte tre gånger bättre, men det är skillnaden mellan en typ av applikation som fungerar och en som inte gör det — och Kimi K3:s egen Artificial Analysis-sida flaggar den som anmärkningsvärt långsam för sin storleksklass. För en agentloop med lång horisont som gör dussintals sekventiella anrop ackumuleras genomströmningen på samma sätt som latensen: en tredubbel skillnad per anrop är inte en tredubbel skillnad från början till slut, men det är skillnaden mellan en session som en användare väntar igenom och en som hen överger.

Kimi K3:s fördel ligger på inputsidan av räkenskaperna. Dess 3,93 sekunder till första token är långsammare än MiMo-V2.6-Pros 2,15, men inte i den storleksordning som skiljer någon av dem från en frontier-resonemangsmodell med maximal ansträngning. Det är i genereringen som K3 betalar för sin storlek, och genereringen är det du faktureras för.

Leverantörsnumren, och det som läses fel

Båda labben publicerade siffror för DeepSWE v1.1 från sina egna testramverk, och de två är i omlopp som om de vore jämförbara. Det är de inte, och det är just i detta par som misstaget gör störst skada, eftersom siffrorna ligger så nära varandra.

Xiaomi rapporterar att MiMo-V2.6-Pro går från 58,4 till 72,57 på DeepSWE v1.1 under sin förstärkningsinlärningskörning, utvärderad med mini-swe-agent med medelvärde av tre i Xiaomis eget bedömningsverktyg. Körningen dokumenteras som 30 steg och ungefär 750 000 trajektorier per modell, slutförd på under sex dagar till en publicerad kostnad på omkring 2,62 miljoner dollar för Pro-modellen och 854 044 dollar för den mindre Flash. En vitt spridd tolkning av den körningen placerar Kimi K3 på 68,51 på samma benchmark, vilket skulle göra Xiaomi-modellen till vinnare med fyra punkter. Den tolkningen är en siffra från communityn, inte en siffra från Moonshot, och de två mätningarna använder olika mått – medelvärde av tre mot en godkännandegrad – så att subtrahera dem är aritmetik på oförenliga skalor. Ingen av leverantörerna har skickat in en konfiguration till Datacurves offentliga resultattavla för dessa modeller.

Det tal som verkligen är jämförbart är indexet, eftersom Artificial Analysis själv körde båda: 46 för MiMo-V2.6-Pro och 44 för Kimi K3, på v4.3.2, utan att uppdelningen per utvärdering publicerades för någon av dem. Den tvåpunktsmarginalen är tillräckligt liten för att ligga inom bruset för ett sammansatt mått med tio utvärderingar, och den ärliga slutsatsen är att dessa två modeller i praktiken är likvärdiga när det gäller uppmätt förmåga.

Vad Kimi K3:s premium ger

Det vore fel att läsa kostnadsskillnaden som ren marginal. Kimi K3 är en modell med 2,8 biljoner parametrar mot Xiaomis 1,02 biljoner, och den aktiverar ungefär två och en halv gånger så många parametrar per token. Det var den första öppna modellen i sin storleksklass, och den har en uppsättning oberoende resultat som MiMo-V2.6-Pro helt enkelt inte har hunnit samla: enligt Artificial Analysis egen rapportering tog den tredjeplatsen på Intelligence Index efter Claude Fable 5 och GPT-5.6 Sol när den släpptes, med GDPval-AA v2 på Elo 1668, förstaplats på AutomationBench-AA med 53 %, andraplats på AA-Briefcase med Elo 1547 och förstaplats i Frontend Code Arena med 1679. Det är oberoende mätningar, inte lanseringspåståenden, och de beskriver en modell med en bredd som en sammansatt marginal på två punkter inte fångar.

Det finns också en kapacitetsaspekt kopplad till detta. Efterfrågan på Kimi K3 uppges ha överväldigat betjäningskapaciteten vid lanseringen, vilket orsakade tillfälliga pauser för API-prenumerationer och begränsningar i uppströmskapaciteten hos vissa gateways. En modell som är svår att få tag på är en modell som är svår att bygga vidare på, och det är ett tillgänglighetsproblem snarare än ett kvalitetsproblem.

En slutpunkt, och ett rakt svar på vad vi dirigerar

Kimi K3 finns på OrcaRouter som kimi/kimi-k3 — en OpenAI-kompatibel nyckel, leverantörens listpris förs vidare med 0 % påslag, så en prisändring från Moonshot slår igenom hos oss samma dag, och automatisk failover mellan leverantörer täcker de kapacitetsgränser som har plågat den här modellen sedan lanseringen. Xiaomi MiMo-V2.6-Pro finns inte på OrcaRouter. Ingen Xiaomi-modell gör det, och vägen till den i dag är Xiaomis egen plattform eller en av tredjepartskatalogerna som har den. Det är värt att säga rakt ut i stället för att låta en modellsida antyda något annat.

Vilket gör det här paret till ett bra exempel på vad routningslagret är till för. Två öppna modeller, lika på det enda oberoende mått som båda testades mot, med sjutton gångers skillnad i uppmätt kostnad per uppgift – det är inte ett val, det är en tvåfilig konfiguration. Lägg merparten av din trafik i den billiga filen och routa svansen till den andra enligt ett predikat du själv definierar, eller gör failover när en rutt försämras. Med modellerna bakom en och samma nyckel är experimentet som visar hur stor andel var och en bör ta en konfigurationsändring i dina egna prompter i stället för ett inköpssamtal – och om Xiaomi ändrar priset på MiMo-V2.6-Pro när lanseringsfönstret stänger, eller Moonshot sänker K3:s priser som svar på konkurrensen, slår båda åtgärderna igenom hos oss samma dag i stället för vid nästa faktureringsperiod.

Vilken att välja

Välj Kimi K3 när du behöver den bredd som följer med en modell av denna storlek och som är oberoende uppmätt — vision, långsiktig kodning över stora kodbaser, agentisk verktygsanvändning — eller när du redan kör den och migreringskostnaden är verklig. Det är den mer grundligt karakteriserade modellen av de två, och dess tak på 1M tokens för utdata är ovanligt. Räkna med genereringshastigheten: vid 42,8 tokens per sekund är den en batch- och offline-arbetsbelastningsmodell i interaktiva termer, vad dess resonemangskvalitet än antyder.

Välj MiMo-V2.6-Pro när genomströmning och enhetsekonomi är begränsningen, när loopen är kontexttung och repetitiv, när latensen för första token spelar roll, eller när du vill ha vikterna på din egen hårdvara under en tillåtande licens. Det är det sällsynta fallet med en billig modell som också är den snabba, och på den enda oberoende mätning som båda modellerna delar ligger den före med en marginal som är så liten att det är oavgjort.

Välj båda om du har en router. Felmönstret du bör undvika är att standardisera på endera enbart på grund av ett rubrikvänligt förhållande: att betala Kimi K3-taxor för ett sammanfattningsjobb som en 46-indexmodell utför med identiskt resultat, eller att upptäcka att en kodningsuppgift i repositoriskala kräver 2.8T-modellen efter att du har flyttat allt till det billiga spåret. Inget av dem är ett modellproblem, och båda är konfiguration.

OrcaRouter sätter 200+ modeller bakom en enda OpenAI-kompatibel slutpunkt till leverantörens listpris med 0 % påslag, så att en leverantörs prisändring är live samma dag.