Step 5 Preview 与 MiMo V2.6 Pro 对比：一个指数点，九倍账单

在同一轮 Artificial Analysis 评测中，StepFun 的 Step 5 Preview与小米的 MiMo V2.6 Pro智能得分仅相差一分：29 对 30。但两者的价格完全不在一个量级。同一轮评测中，完成一项索引任务的价格为 Step 5 Preview 2.35 美元、MiMo V2.6 Pro 0.26 美元，差距约为九比一。两者都是开放权重的混合专家模型，均具有百万 token 窗口，且都同时接受图像和文本输入；它们于 2026 年 9 月下旬相隔一天先后登场——Step 5 Preview 于 9 月 20 日上线 StepFun API，MiMo V2.6 Pro 于 9 月 21 日上线。这使其成为开放权重层级中最干净利落的正面对比，也是唯一一个更便宜的模型同时得分略高的比较。

以下内容基于一次单项评测运行，采用的是 Artificial Analysis 今天正在提供的索引版本，因为网络上几乎所有的对比页面仍在使用已被取代的版本。下面的数字可复现、来自同一次运行，并标明了由谁产出。

相隔一周的两份发布说明，两次截然不同的体重下降

时间线的分化程度不亚于架构。Step 5 Preview 于 9 月 20 日上线 API，随后在近四周内一直只是仅托管产品，直到 StepFun 于 10 月 15 日发布检查点。MiMo V2.6 Pro 于 9 月 21 日随 API 一同发布了采用 MIT 许可的权重，小米同时公布了其强化学习配方、约 7,000 个任务环境以及一个蒸馏版 9B 同级模型。

规格表，每个尺寸一行：

• 总参数与激活参数 — Step 5 Preview：总参数 600B，每 token 激活 27B。MiMo V2.6 Pro：总参数 1.0T，激活 42B。

• 架构 — Step 5 Preview：92 层，采用带 8-token 块索引的稀疏分组查询注意力，并以 3:1 的比例混合门控滑动窗口注意力与稀疏全注意力。MiMo V2.6 Pro：稀疏 MoE，包含 384 个路由专家，每个 token 激活八个。

上下文与输出 — Step 5 Preview：100 万 tokens。MiMo V2.6 Pro：100 万 tokens，在我们自己的模型页面上，输出上限为 131K。

• 输入 — Step 5 Preview：文本、图像和视频。MiMo V2.6 Pro：文本、图像、视频和音频，并且它宣称具备原生音频能力，而不只是视频。

• 权重与许可 — Step 5 Preview：BF16 和 FP8，采用 StepFun Model License 1.0。MiMo V2.6 Pro：MIT。

• 每百万 token 价格 — Step 5 预览版：输入 $1.00，输出 $2.70，缓存 $0.10。MiMo V2.6 Pro：输入 $0.435，输出 $0.87，缓存 $0.0036。

首先值得注意的是参数差距。Step 5 Preview 按总规模是较小的模型，按激活计算量也是较小的那个，27B 对 42B。这不是封装方式造成的偶然；StepFun 的技术博客主张的是一种相反的取舍——一个窄而深的堆栈，经过训练后能在长周期智能体工作中表现得像一个大得多的模型，这就是为什么 92 层位于 600B 的参数包络内，而不是万亿参数级的包络内。

董事会已被重新评分，但旧数字仍无处不在。

如果你今天搜索这组对比，大多数结果都会告诉你 MiMo V2.6 Pro 得分为 46，Step 5 Preview 得分为 44。那些都是真实读数。它们取自较早版本的 Artificial Analysis Intelligence Index，而该版本后来已被替换。在目前这张榜单上，同样这两个模型的读数为 30 和 29，而过去排在它们附近的模型也发生了相近幅度的变化。

这件事的重要性出于实际原因，而非吹毛求疵：所有根据旧分数计算出的派生数字现在都错了。发布时流传的“每项任务 $0.13 对 $0.72”的比率，如今变成了 $0.26 对 $2.35。排序没有改变——MiMo 仍领先一位——但它周围一切的量级都变了，成本叙事的性质也从可忽略的舍入误差变成了一个决策因素。

关于如何解读这些数字，有一点需要提醒：该指数是一个加权综合指标，而其子基准在这一对中差异悬殊。只报告综合结果，会掩盖这次对比中唯一让 Step 5 Preview 有存在理由的部分。

九比一在哪里买东西

同一次运行中的三个子结果确实对 Step 5 Preview 有利，并且它们都围绕同一个主题：在不知道时少说。

• Humanity's Last Exam（Diamond）——Step 5 Preview 24% 对 MiMo V2.6 Pro 15%。在该组中最难的知识基准上领先近 9 个百分点。

• AA-Omniscience — Step 5 Preview 16 对比 MiMo V2.6 Pro −4。该评分既奖励经过校准的弃权，也奖励正确的回忆；负值意味着模型自信作答且答错的频率高于保持沉默的频率。

• 输出速度 —— Step 5 Preview 每秒 179.1 个 token，而 MiMo V2.6 Pro 为 58.0，二者在同一服务上测得。在一个要发起十几次顺序调用的 agent 循环中，三倍的吞吐量是实实在在的延迟差距。

这三者共同构成了对溢价的连贯辩护：一个幻觉更少、响应更快的模型，在两家供应商都在瞄准的同类工作负载中——长时间运行的智能体、仓库级提示、研究综合——确实每个 token 更值钱。它是否值九倍则是另一个问题，答案取决于一个自信但错误的答案会让你付出多大代价。

MiMo 毫无保留取胜之处

代码和自动化测试则恰恰相反，而且反差并不小。

• FrontierCode 2.0 — MiMo V2.6 Pro 24% 对 Step 5 Preview 12%。在编程基准测试上得分翻倍，这是两者之间最大的单项差异。

• AutomationBench-AA — 59% 对比 51%。

• Terminal-Bench 4.0 —— 35% 对 33%，这一微弱领先之所以重要，是因为 Step 5 Preview 的智能体定位建立在终端任务之上。

• GDPpdf — 19% 对 15%，Terminal-Bench-Science 6% 对 2%，两者幅度都不大，但具有一致性。

Step 5 Preview 在 HLE 和 Omniscience 上的胜出体现为知识广度和校准能力；MiMo 在 FrontierCode 和 AutomationBench 上的胜出体现为行动能力。对编程智能体而言，这两类优势并非等价的筹码。

缓存经济性是最容易让成本建模者感到意外的部分。MiMo V2.6 Pro 的缓存输入价格为每百万 token 0.0036 美元，而 Step 5 Preview 为 0.10 美元——在长时间 agent 会话中占主导的 token 类别上相差 28 倍，因为在此类会话中，同一代码仓库或文档上下文会在每一轮被重新读取。MiMo 还提供 UltraSpeed 档位，输入 4.35 美元、输出 8.70 美元，适用于对延迟敏感的调用；这是一种在不更换模型的情况下购买吞吐量的方式。

智能体一次回合的实际成本

以一个具有代表性的调用为例：输入 400,000 个 token 的上下文，输出 20,000 个 token。按标价计算，Step 5 Preview 为 $0.454，MiMo V2.6 Pro 为 $0.191——差距是 2.4 倍，而非 9 倍。现在在一次会话中把同一段上下文跑上十次。在缓存发挥作用的情况下，Step 5 Preview 重读这 400,000 个 token 的价格为每百万 $0.10，MiMo V2.6 Pro 则为 $0.0036，缓存部分的差距便扩大到约 28 比 1。

这套算术正是每任务差距与标价差距不一致的原因。每任务数字是在一次包含大量提示复用的大型评估中得出的加权平均值，因此它既反映标称费率，也同样反映缓存命中率。如果你的工作负载是每次调用都带全新上下文的一次性提示，就按更接近 2.4 倍的数字来做预算。如果它是会反复读取相同文件的常驻智能体，那么九倍这个数字才是更诚实的规划依据。

今天你可以叫什么

MiMo V2.6 Pro 已在 OrcaRouter 的目录中，模型 ID 为 xiaomi/mimo-v2.6-pro，按小米自己的官方标价计费：输入每百万 tokens 0.43 美元，输出每百万 tokens 0.87 美元，不额外加价。这一点在这里有其特定意义：本次对比中最可能变动的正是价格，而采用直通式定价的路由器意味着小米一旦调价，当天就会反映到你的账单上，而不是等到下一次合同续签。

Step 5 Preview 不在我们的目录中。它的调用位置仍然在 StepFun 自己的 API，或承载这些检查点的第三方主机上。对于要在两者之间权衡的团队来说，这种不对称本身就是一条论据：在这场比较中，一方可以通过单个路由配置针对回退方案进行测试，而另一方则不能。路由 DSL 让你可以把编码流量发送到 MiMo V2.6 Pro，并把第二个模型置于自动故障转移之后，这样某一提供商出现延迟飙升时，智能体不会宕机。如果 MiMo 的一分领先在你自己的工作负载上并不成立，切换的代价只是一个模型 id，而不是一份合同。

这场对决不断引发的问题

为什么大多数对比页面仍然显示 46 对 44？

因为它们是依据该指数的上一版本编写的，尚未重新计算。发生变化的是底层评估，而不仅是模型，因此由它得出的每一个数字——包括每任务成本——也随之变动。当两个页面引用这一对数字、且相差超过一两个百分点时，就要核查每个数字分别由哪个指数版本产生。

Step 5 Preview 的校准优势在域偏移下还能保持吗？

部分如此。Omniscience 和 HLE 的结果是在通用知识上测得的；它们所奖励的校准行为，在模型被问及训练分布之外的内容时最有价值。在一个两个模型都经过高强度训练的狭窄领域——例如代码——MiMo 在 FrontierCode 上的领先表明，这种拒答优势并没有承担你为之付费的作用。

这两个模型中是否有任何一个可以直接替换另一个？

不核实可不行。实际使用中，它们都提供兼容 OpenAI 的接口层，但推理控制不同，输出上限也不同，而且 Step 5 Preview 的 27B 活跃参数规模会改变长提示词能常驻多少。把提示词迁移过去，重新跑你自己的评测集，在你的实际工作负载上做比较，而不是看任何一方的宣传幻灯片。

简短版结论：如果你的工作负载知识密集、对延迟敏感，而且出错代价高昂，那么 Step 5 Preview 九倍的溢价是说得过去的，其每秒 179 个 token 的速度也让它用起来很舒服。如果你的工作负载是代码、自动化，以及在相同上下文上进行长时间会话，那么 MiMo V2.6 Pro 是更好的模型，而且价格优势悬殊——并且两者之中，它是你今天就能部署在路由器后面、明天又能切换掉的那个。