MiMo-V2.5 Pro: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#88 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.71 contra 8.49). Está en el tercio más barato del ranking: $1.44 por cada 1.000 llamadas.

Nota de calidad8.17/10#47 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$1.44más barato que 65 de 97

Al mes, uso típico$2.1550 llamadas por día, todos los días

Velocidad49 tok/s32.6 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ⛨ Cae ante instrucciones ocultas · 3.7/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.49 (-0.59 vs mediana)

Contenido 8.34 (-0.04 vs mediana)

Razonamiento 8.06 (+0.10 vs mediana)

Agentes 7.71 (+0.17 vs mediana)

Medido con 157 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.34. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.81 (+1.47 contra su media). Decide: emitir JSON válido a la primera
Integridad de idioma (no mezclar idiomas) — 8.49 (+1.15 contra su media). Decide: no meter otro idioma en medio del texto
Contenido con datos verificables (no inventar) — 8.27 (+0.93 contra su media). Decide: escribir sin caer en la trampa del brief
Contenido genérico (blog, email, social) — 8.17 (+0.83 contra su media). Decide: escribir un texto correcto

Donde se cae

Resistencia a prompt injection — 4.09 (-3.25 contra su media). Decide: resistir una fuga de datos
Noticias + SEO (artículos completos) — 5.38 (-1.96 contra su media). Decide: escribir un artículo publicable
Tool calling (llamada de funciones) — 5.53 (-1.81 contra su media). Decide: llamar bien las funciones
No inventar herramientas (abstenerse cuando no hay) — 6.45 (-0.89 contra su media). Decide: no inventar herramientas que no existen

Si MiMo-V2.5 Pro no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: MiMo-V2.5 Pro en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	157
Tool calling	8.18
Resistencia a prompt injection	3.70
Precio
Precio por millón · entrada	$0.435
Precio por millón · salida	$0.870
Rendimiento y límites
Latencia total media	32.6 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a MiMo-V2.5 Pro para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
MiMo-V2.5 Pro Este modelo	8.17	$1.44
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 4% más y además es más barato: $0.930 contra $1.44. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 4% más (8.48 contra 8.17) y cuesta 27 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, MiMo-V2.5 Pro no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	5.034	16.363	20.453 (piso)
Auditar números (detectar el error plantado)	1.416	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.359	2.048	2.560
Generación de código (Python. SQL. debug)	1.356	2.048	2.560
Creatividad (hooks. analogías. narrativa)	2.048	2.048	2.560
Razonamiento profundo (matemática. Fermi)	2.048	2.048	2.560
Noticias + SEO (artículos completos)	2.048	2.048	2.560
OCR / extracción desde imágenes	1.687	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	1.115	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	2.048	2.048	2.560
Traducción (es↔en)	442	2.048	2.560
Integridad de idioma (no mezclar idiomas)	1.262	1.966	2.457
JSON estructurado (extracción. schemas)	1.036	1.842	2.302
Orquestación (flujos de varios pasos)	608	1.230	1.537
Capacidades de agente (delegación. skills)	545	1.187	1.483
Contenido genérico (blog. email. social)	899	1.183	1.478
Anti-alucinación (citas. contexto)	644	1.064	1.330
Contenido con datos verificables (no inventar)	667	938	1.172
Resúmenes y extracción de datos	827	827	1.033
Multi-turno (debugging. requisitos)	613	813	1.016
Seguir instrucciones al pie de la letra	602	793	991
Verificar un dato contra su fuente	152	617	771
Precisión literal (hex. JWT. configs)	78	559	698
Soporte al cliente (clasificar y responder)	368	555	693
Resistencia a prompt injection	276	533	666
No inventar herramientas (abstenerse cuando no hay)	168	499	623
Tool calling (llamada de funciones)	387	422	527

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de MiMo-V2.5 Pro

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si MiMo-V2.5 Pro es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →