Modelos IA menos conocidos: MiMo, Qwen3.8 Max, GLM-5.3 y Muse Spark

👁 122 lecturas

Modelos IA menos conocidos en el top son cuatro nombres que en el ranking de Artificial Analysis están justo detrás de los modelos de Anthropic y OpenAI, junto a Grok 4.7: Muse Spark 1.3 de Meta, MiMo-V2.6-Pro de Xiaomi, Qwen3.8 Max de Alibaba y GLM-5.3 de Z.ai. Tienen entre 45 y 48 puntos en el índice de inteligencia, y por token de salida cuestan entre 3 y 23 veces menos que Claude Opus 5.5. Hemos pasado los cuatro por nuestro Laboratorio: las mismas 13 tareas en polaco y la misma evaluación a ciegas que en el ranking de 16 modelos.

01Qwen3.8 Max en español: test en 13 tareas, precios y accesoQwen3.8 Max (0902) en polaco: 76,4 puntos en nuestro test, 30/30 en corrección difícil, 33 mil tokens de razonamiento, precios 2/6 USD y cómo usarlo.Leer →02GLM-5.3 en español: test en 13 tareas, proveedores y preciosGLM-5.3 obtuvo 63,6 puntos en nuestro test de escritura. Es el más rápido y barato de los modelos chinos potentes, pero comete muchos errores lingüísticos.Leer →03Xiaomi MiMo-V2.6: el modelo abierto más potente - precio y testMiMo-V2.6 Pro y Flash: licencia MIT, 1 billón de parámetros, 0,435 USD por millón de tokens, 46 puntos en el índice AA. Benchmarks y test en polaco.Leer →

Quiénes son y dónde están en el ranking

Artificial Analysis calcula su índice (versión 4.3.2) con 10 tests: tareas agénticas, programación, razonamiento científico y conocimiento general. A continuación, valores leídos el 27 de septiembre de 2026. El coste por tarea es el coste medio de una tarea del índice según la misma página, no el coste de nuestro test.

De esta tabla se desprenden tres cosas. Muse Spark es el más rápido del top - 214-252 tokens por segundo, es decir, más del doble que Opus 5.5 en variante xhigh (89). MiMo-V2.6-Pro hace una tarea del índice por 0,13 USD, 46 veces más barato que Opus en variante max. Qwen es el polo opuesto: cuesta 5,41 USD por tarea, porque en el índice generó 190 millones de tokens.

Nuestro test en polaco: resultados

Cada modelo recibió a través de OpenRouter las mismas 13 instrucciones que en el ranking de IA para escribir en polaco: 9 tareas de escritura (artículo, descripción de producto, email, post, relato, títulos, resumen, traducción, texto para niños), dos correcciones y dos quizzes sobre Polonia. Configuración como en todos: effort=low, temperatura por defecto, los mismos límites de tokens. Las respuestas fueron evaluadas a ciegas por tres jueces de diferentes empresas (Claude Opus 5.5, GPT-6 Sol, Gemini 3.1 Pro), y el juez de la misma empresa que el modelo evaluado fue omitido. El resultado es 70% evaluaciones de jueces, 20% reglas de la instrucción y 10% higiene del texto (pausas largas, relleno).

Añadimos a la pool cuatro anclas de la primera ronda: Claude Opus 5.5, GPT-6 Luna, Qwen3.8 Max y GLM-5.3. Sus resultados diferían de aquellos en 0,5-1,3 pts, y el orden no cambió, así que la escala es comparable (el desplazamiento medio fue +0,1 pts). Muse Spark entró en el test unas horas después, así que los jueces lo evaluaron en una pool separada con las mismas anclas. Allí las anclas diferían de la primera ronda en 1,0-1,7 pts, el orden volvió a ser el mismo, y el desplazamiento de escala fue -0,15 pts.

* con límites iguales de tokens, explicación abajo. El coste de Qwen no incluye el primer intento vacío del 26 de septiembre (0,0366 USD).
** evaluado en pool separada con las mismas anclas (Opus 5.5 - 91,8, Luna - 81,8, Qwen - 77,5, GLM-5.3 - 62,7). Tras calibración a la escala de la primera ronda: 75,3 pts.

En la tabla del ranking de 16 modelos, Muse Spark (75,3 tras calibración) ocuparía el 11º lugar, justo detrás de Qwen (75,9) y delante de DeepSeek V4 Pro (74,1). MiMo con resultado de 69,1 aterrizaría en el 14º lugar, entre Claude Sonnet 5 (71,9) y Mistral Medium 3.5 (68,0). Qwen está allí décimo, GLM penúltimo.

Corrección al resultado de Qwen. En la primera ronda (26 de septiembre) Qwen en la descripción de producto pensó hasta el límite de 6000 tokens y devolvió respuesta vacía. Repetimos entonces el intento con límite más alto y esa fue la que evaluaron los jueces - el modelo consumió 14 460 tokens pensando sobre una breve descripción de producto. Otros modelos no tuvieron esa segunda oportunidad, así que fue un error de método por nuestra parte. Si contamos esa tarea como no superada (media de jueces 1, reglas 0 de 3), Qwen tiene 68,2 pts, es decir, casi lo mismo que MiMo (69,1) y claramente menos que Muse Spark (75,5). En esta ronda no repetimos nada con límite más alto. El quiz vacío de MiMo no entra en el resultado de escritura, porque en él solo cuentan las tareas T1-T9.

Qué salió en las respuestas

Qwen3.8 Max fue el único de los cuatro que cumplió las 26 reglas de las instrucciones y corrigió sin errores la corrección difícil. Los jueces valoraron más alto el texto sobre inflación para niños (8,89), el relato (8,56) y los títulos SEO (8,56). El más débil fue el resumen (6,22): «termin wdrożenia nie ustalono« (plazo de implementación no establecido) en lugar de «terminu» (del plazo) y entrenamientos omitidos. En la traducción los modismos salieron bien («kubeł zimnej wody« - cubo de agua fría, «szczęście w nieszczęściu« - suerte en la desgracia), pero quedaron «onboardowanie» y «follow-up».

Muse Spark 1.3 tiene los resultados más desiguales. La traducción con modismos obtuvo 8,67 («to nie fizyka kwantowa» - no es física cuántica, «zimny prysznic» - ducha fría), el post en LinkedIn 8,56, pero la descripción de producto solo 3,44, porque el modelo alargó el párrafo hasta la longitud requerida repitiendo toda la especificación por segunda vez. En el artículo añadió «(to przykład)« (esto es un ejemplo) 20 veces e insertó el turco-polaco «nie gerçekowa cena rynkowa». La media de jueces (6,78) y naturalidad (5,63) son en él más bajas que en MiMo y Qwen, y su alta puntuación se debe a las reglas (25 de 26) e higiene del texto: 3 pausas largas por 1000 palabras, las menos del grupo, y cero relleno. Fuera de la escritura casi perfecto: corrección difícil 29 de 30, ambos quizzes completos.

MiMo-V2.6-Pro escribió el mejor resumen de toda la pool (9,44, más alto que Opus 5.5 con 9,33) y corrección fácil sin errores. En cambio el relato obtuvo 5,0 por errores como «Pachniało je zawsze wieczorem« (olía a ella siempre por la tarde) y «zmoczne», y en el post de LinkedIn apareció el incomprensible «Nie kubki. Dla nich.» (No tazas. Para ellos.). Por 1000 palabras insertó 24,6 pausas largas, frente a 5,1 en Opus.

GLM-5.3 en ambas ejecuciones cometió más errores de flexión y erratas: «w ramach przeprosiny» (como disculpa, con error gramatical) apareció en ambas versiones del email. En la versión con routing de OpenRouter la traducción obtuvo 3,0 («trzymaliśmy się po dachu« - nos agarramos por el tejado, «kwartalele»), y en la versión en Z.ai 8,78. En el relato de Z.ai los jueces contaron «wypłynął z niej koperta« (salió de ella sobre, con error de concordancia) y «sernak». Un solo intento por tarea significa gran dispersión, pero en promedio ambas versiones salieron similares.

Respuestas vacías y pensamiento en polaco

En el test anterior de modelos chinos en polaco MiMo-V2.6-Pro pensó cinco veces hasta el final del límite y no devolvió texto. Esta vez, con la misma configuración effort=low que otros modelos, devolvió 12 de 13 respuestas, porque las instrucciones en el Laboratorio son más cortas (textos hasta 500 palabras). La única vacía es el quiz difícil: 9000 tokens de pensamiento, 613 segundos, cero texto. No subimos el límite solo para él, porque entonces habría tenido mejores condiciones que el resto - contamos el quiz como no superado. El pensamiento consumió el 85% de todos los tokens que MiMo generó en el test (28,5 mil de 33,6 mil).

Comprobamos también si el problema con texto largo había desaparecido. El 27 de septiembre lanzamos de nuevo aquella instrucción de 900 palabras, con effort=low: 9000 tokens de pensamiento, 204 segundos, respuesta vacía, 0,0079 USD. Nada cambió.

Qwen3.8 Max también piensa mucho: 33 mil tokens de pensamiento en 13 tareas y casi 10 minutos en 9 tareas de escritura. Muse Spark con effort=low también piensa bastante (17,2 mil tokens, 76% de salida), así que a pesar de 214-252 tokens por segundo en las mediciones de AA, 9 tareas de escritura le llevaron 135 segundos, casi lo mismo que a Opus 5.5. GLM-5.3 con effort=low casi no piensa (211 tokens en todo el test), por eso es el más rápido.

Precios por millón de tokens

Precios de productores sin IVA, comprobados el 27 de septiembre de 2026.

Ambas rondas nos costaron 3,26 USD: ronda con MiMo y GLM - 1,66 USD (0,07 USD respuestas de modelos y control, 1,59 USD jueces), ronda con Muse Spark - 1,60 USD (0,10 USD respuestas, 1,50 USD jueces). Las respuestas de las anclas provienen de la primera ronda, así que solo pagamos por su reevaluación.

Cómo usarlos

• Muse Spark 1.3 - Meta Model API está en vista previa pública con «acceso global ampliado», pero Meta no publica lista de países, y en septiembre usuarios de Europa reportaron mensaje de no disponibilidad en la región. En OpenRouter el modelo está disponible tras confirmar edad 18+ en configuración de cuenta. La aplicación Muse (agente personal) funciona solo en EE.UU. Más en el texto sobre Muse Spark 1.3.
• MiMo-V2.6-Pro - API en mimo.mi.com, chat gratuito MiMo Studio según FAQ de Xiaomi, tres proveedores en OpenRouter, pesos en Hugging Face con licencia MIT. No comprobamos el chat desde España.
• Qwen3.8 Max - Alibaba Cloud Model Studio en versión internacional y OpenRouter (solo Alibaba como proveedor). Si la versión 0902 se puede elegir en el Qwen Chat gratuito, no pudimos confirmarlo.
• GLM-5.3 - API Z.ai, suscripción GLM Coding Plan desde 18 USD mensuales, más de 30 proveedores en OpenRouter. El chat en chat.z.ai funciona según la página en GLM-5.3-Flash, no en el modelo completo.

Los cuatro (excepto aplicaciones de Meta) se pueden probar más fácilmente con una cuenta en OpenRouter, tal como hicimos este test. Con Muse Spark hay que confirmar primero la edad en configuración de cuenta - sin eso OpenRouter devuelve error 403.

Preguntas frecuentes

¿Cuál de estos modelos escribe mejor en polaco?

En nuestro test Qwen3.8 Max: 76,4 pts sobre 100, justo delante de Muse Spark 1.3 (75,5). Con límites iguales de tokens Qwen tiene 68,2 pts y cae detrás de Muse y MiMo-V2.6-Pro (69,1). Todos pierden frente a GPT-6 Luna (81,5), que cuesta una fracción de su precio.

¿MiMo-V2.6-Pro sigue colgándose con textos en polaco?

Con instrucciones más cortas raramente: con effort=low devolvió 12 de 13 respuestas, solo el quiz difícil quedó vacío. Con texto de 900 palabras sigue pensando hasta el límite de 9000 tokens y no devuelve nada.

¿Muse Spark 1.3 está disponible en España?

A través de OpenRouter sí, tras confirmar edad 18+ en configuración de cuenta - sin eso obtuvimos error 403, tras confirmación el test pasó sin problemas. El acceso a Meta Model API desde España Meta no lo confirma oficialmente, y la aplicación Muse funciona solo en EE.UU.

¿Por qué el resultado en benchmarks difiere de vuestro test?

El índice de Artificial Analysis mide tareas agénticas, programación y conocimiento, principalmente en inglés, con razonamiento máximo. Nuestro test comprueba escritura en polaco con effort=low.

¿Cuál es el más barato?

MiMo-V2.6-Pro: 0,435 USD por millón de tokens de entrada y 0,87 USD de salida. Nuestro test de 13 tareas costó en él 0,03 USD.

// sigue leyendoMuse Spark Open: hardware, licencia y mi test del modelo 816BHerramientas de IAAlternativas a Qwen3.8 Max Prime: modelos comparablesHerramientas de IAFamosos en GPT-Image-2.6: el modelo no rechazó ninguna peticiónBenchmarks

Kinetyra