No todo es ChatGPT: los mejores LLMs chinos en 2026 y para qué sirve cada uno 🇪🇸 ထ 🇺🇸 Not Just ChatGPT: The Best Chinese LLMs in 2026 and What Each One Is Good For

En conversaciones sobre inteligencia artificial, suele mencionarse a ChatGPT de forma automática, como si no existiesen otros LLMs. Y no es que ChatGPT sea malo, pero hay que preguntarse si es el mejor para cada tarea.

El problema es que el ecosistema de LLMs avanzó más rápido de lo que la mayoría de la gente pudo seguir. Y los modelos chinos, por ejemplo, llevan produciendo resultados notables que en varios casos superan a los modelos occidentales en algunos benchmarks específicos y a menor costo.

Aquí no voy a señalar al mejor entre ellos, sino a mostrar qué modelo chino conviene más para cada tarea, con justificación.

In conversations about artificial intelligence, ChatGPT tends to come up automatically, as if no other LLMs existed. And it's not that ChatGPT is bad — but it's worth asking whether it's the best tool for every task.

The problem is that the LLM ecosystem moved faster than most people could keep up with. Chinese models, for example, have been producing notable results that in several cases outperform Western models on specific benchmarks — and at a lower cost.

This article won't name the single best among them. Instead, it maps which Chinese model makes the most sense for each task, and explains why.

Para el segundo trimestre de 2026, los modelos chinos son entre 15 y 30 veces más baratos para cargas de trabajo comparables.

En general cuentan con arquitecturas MoE (Mixture of Experts, donde solo una fracción de los parámetros se activa por inferencia) que son más eficientes en inferencia y costos de energía más bajos. Además, muchos de esos modelos son de código abierto.

Sería difícil entender por qué alguien no usaría el modelo más competitivo del mercado en codificación agéntica, estando disponible bajo MIT y costando $0.95 por millón de tokens de entrada.

As of Q2 2026, Chinese models are between 15 and 30 times cheaper for comparable workloads.

They generally rely on MoE (Mixture of Experts) architectures — where only a fraction of the parameters activate per inference — which makes them more efficient to run and cheaper in terms of energy costs. On top of that, many of these models are open source.

It's hard to justify not using the most competitive model on the market for agentic coding when it's available under an MIT license and costs $0.95 per million input tokens.

• En cuanto a soberanía de datos. Si usas la API de cualquiera de esos modelos, tus datos pasan por servidores en China. Así que para código propietario o información sensible, la solución es el auto-hospedaje, que es posible en todos los modelos open-weight de la lista, aunque requiere buen hardware.
• En cuanto a Benchmarks propios. Varios laboratorios reportan sus mejores resultados usando marcos de evaluación internos. Los números independientes suelen ser más modestos.

Con eso claro, pasemos a los modelos.

• On data sovereignty. If you use the API of any of these models, your data passes through servers in China. For proprietary code or sensitive information, self-hosting is the solution — it's possible with all open-weight models on this list, though it requires solid hardware.
• On proprietary benchmarks. Several labs report their best results using internal evaluation frameworks. Independent numbers tend to be more modest.

With that established, let's get into the models.

Laboratorio: DeepSeek (China)
Licencia: MIT
Arquitectura: MoE, 1.6T parámetros totales / 49B activos por token
Contexto: 1M tokens
Precio API: ~$0.87/M tokens de salida

DeepSeek V4 Pro fue lanzado el 24 de abril de 2026, y puntúa 80.6% en SWE-Bench Verified —a solo 0.2 puntos de Claude Opus 4.6— y cuesta unas 28 veces menos por token de salida.

Lab: DeepSeek (China)
License: MIT
Architecture: MoE, 1.6T total parameters / 49B active per token
Context: 1M tokens
API Price: ~$0.87/M output tokens

DeepSeek V4 Pro launched on April 24, 2026, scoring 80.6% on SWE-Bench Verified — just 0.2 points behind Claude Opus 4.6 — and costs about 28 times less per output token.

Sus 1.6 billones de parámetros lo hacen posible, pero activa solo 49 mil millones gracias a su diseño MoE. Además, tiene un mecanismo de atención híbrida (Compressed Sparse Attention + Heavily Compressed Attention) que reduce las FLOPs (operaciones de punto flotante, una medida del costo computacional) de inferencia al 27% de su predecesor V3.2, y el KV cache (la memoria temporal que el modelo mantiene del contexto activo) al 10% en contextos de 1M tokens. O sea, que el costo de servirlo es mucho más bajo que servir un modelo equivalente pero más denso.

En benchmarks como Arena.ai y Vals AI, supera por 10 a su predecesor en código. Y en la práctica, es competitivo para generación de código, pipelines de RAG, extracción de documentos, y tareas agénticas.

¿Dónde sigue siendo inferior? En tareas de razonamientos experto multidisciplinario (HLE: 37.7% vs. 40.0% de Claude, 44.4% de Gemini) y en matemáticas de olimpiada de nivel alto, donde Claude y ChatGPT mantienen la ventaja. Así que si tu caso de uso requiere ese nivel de razonamiento, deberías pagar el premium de los modelos propietarios. Pero para la mayoría de los casos de uso cotidianos, DeepSeek V4 es de considerar.

¿Dónde usarlo? En procesamiento de documentos a escala, generación de código en pipelines automáticos, sistemas RAG, y en cualquier tarea donde ejecutes miles de llamadas y te preocupe el costo.

Its 1.6 trillion parameters make that possible, but it only activates 49 billion of them per token thanks to its MoE design. It also features a hybrid attention mechanism (Compressed Sparse Attention + Heavily Compressed Attention) that reduces inference FLOPs (floating-point operations — a measure of computational cost) to 27% of its predecessor V3.2, and cuts KV cache (the temporary memory the model maintains of the active context) to 10% at 1M-token contexts. In short, the cost of serving it is far lower than serving an equivalently capable but denser model.

On benchmarks like Arena.ai and Vals AI, it outperforms its predecessor by 10 points on code. In practice, it's competitive for code generation, RAG pipelines, document extraction, and agentic tasks.

Where does it fall short? On multidisciplinary expert reasoning (HLE: 37.7% vs. Claude's 40.0% and Gemini's 44.4%) and high-level olympiad math, where Claude and ChatGPT retain an edge. If your use case requires that level of reasoning, the proprietary model premium is justified. But for most everyday use cases, DeepSeek V4 is worth considering.

Best for: Large-scale document processing, code generation in automated pipelines, RAG systems, and any task where you're running thousands of calls and cost is a concern.

Laboratorio: Moonshot AI (Beijing)
Licencia: MIT modificado (requiere atribución visible si superas 100M usuarios/mes o $20M USD/mes en ingresos)
Arquitectura: MoE, 1T parámetros / 32B activos
Contexto: 256K tokens
Precio API: ~$0.95/M entrada, $4.00/M salida

Kimi K2.6 fue lanzado el 20 de abril de 2026 por Moonshot AI —una startup fundada en 2023 por egresados de Tsinghua—, y puntúa 58.6 en SWE-Bench Pro, lo que lo pone por delante de GPT-5.4 (57.7) y Claude Opus 4.6 (53.4).

Siendo un modelo de código abierto, ese resultado es significativo porque SWE-Bench Pro no mide respuestas correctas a preguntas de programación —mide si el modelo puede resolver bugs reales de repositorios reales de GitHub de forma autónoma.

Lo que lo diferencia realmente no es tanto un benchmark, sino la stamina.

Está diseñado para mantener coherencia y productividad en sesiones de trabajo autónomas de muchas horas, gracias a su arquitectura de Agent Swarm que coordina hasta 300 sub-agentes en 4,000 pasos coordinados. Y el equipo de infraestructura de RL de Moonshot demostró que un agente K2.6 podía operar de forma autónoma por 5 días consecutivos, gestionando monitoreo, respuesta a incidentes, y operaciones sin intervención humana.

Ese tipo de capacidad importa mucho cuando construyes un agente que debe navegar bases de código grandes, resolver dependencias, ejecutar tests, interpretar resultados, y ajustar su estrategia.

Moonshot también lanzó K2.7-Code en junio de 2026 con algunas mejoras (+21.8% en su benchmark interno de codificación) y reducción del 30% en tokens de razonamiento.

¿Dónde sigue siendo inferior? En razonamiento puro sin herramientas (GPQA Diamond, AIME 2026 sin tools), donde GPT-5.4 y Gemini 3.1 Pro mantienen la ventaja, aunque K2.6 es potente cuando tiene acceso a herramientas y tiempo para iterar. No es el más fuerte en preguntas de una sola respuesta.

¿Dónde usarlo? En agentes de codificación de larga duración, automatización de flujos de ingeniería de software, generación de front-end completo, y tareas que requieren autonomía de horas o días.

Lab: Moonshot AI (Beijing)
License: Modified MIT (requires visible attribution if you exceed 100M users/month or $20M USD/month in revenue)
Architecture: MoE, 1T parameters / 32B active
Context: 256K tokens
API Price: ~$0.95/M input, $4.00/M output

Kimi K2.6 was released on April 20, 2026, by Moonshot AI — a startup founded in 2023 by Tsinghua alumni — and scores 58.6 on SWE-Bench Pro, placing it ahead of GPT-5.4 (57.7) and Claude Opus 4.6 (53.4).

For an open-source model, that result is significant because SWE-Bench Pro doesn't measure correct answers to programming questions — it measures whether the model can autonomously resolve real bugs in real GitHub repositories.

What truly sets it apart isn't any single benchmark — it's stamina.

It's designed to maintain coherence and productivity across multi-hour autonomous work sessions, thanks to an Agent Swarm architecture that coordinates up to 300 sub-agents across 4,000 coordinated steps. Moonshot's RL infrastructure team demonstrated that a K2.6 agent could operate autonomously for 5 consecutive days, handling monitoring, incident response, and operations without human intervention.

That kind of capability matters significantly when you're building an agent that needs to navigate large codebases, resolve dependencies, run tests, interpret results, and adjust its own strategy.

Moonshot also released K2.7-Code in June 2026 with targeted improvements (+21.8% on its internal coding benchmark) and a 30% reduction in reasoning tokens.

Where does it fall short? On pure reasoning without tools (GPQA Diamond, AIME 2026 without tools), where GPT-5.4 and Gemini 3.1 Pro retain an edge. K2.6 is powerful when it has access to tools and time to iterate — it's not the strongest at single-shot questions.

Best for: Long-running coding agents, software engineering workflow automation, full front-end generation, and tasks requiring hours or days of autonomy.

Laboratorio: Z.AI / Zhipu AI (Beijing, spinout de Tsinghua University)
Licencia: MIT
Arquitectura: MoE, 744B parámetros / 40B activos
Contexto: 1M tokens (desde GLM-5.2)
Precio API: por debajo de Claude Opus 4.6 según Z.AI

GLM tiene origen académico. Zhipu AI es un spinout del grupo de Ingeniería del Conocimiento de Tsinghua University, fundado en 2019. Esta empresa salió a bolsa en Hong Kong en enero de 2026 con valoración de mercado de ~$52.8 mil millones de dólares, lo que ha financiado lanzamientos agresivos.

GLM-5, lanzado en febrero de 2026, mostró en MATH-500 (487/500 problemas), superó a Claude Opus 4.6 (482/500) en razonamiento matemático. En AIME 2025 (93.3%), superó a DeepSeek, Gemini, y Llama. Y también fue el #1 entre modelos abiertos en Text Arena y Code Arena de LM Arena.

GLM-5.1 añadió mejoras de codificación, alcanzando 77.8% en SWE-bench Verified, y 58.4 en SWE-Bench Pro, superando a Claude Opus 4.6 (57.3) en ese benchmark.

GLM-5.2, lanzado el 13 de junio de 2026, expandió el contexto a 1M tokens e introdujo un sistema de razonamiento dual (modos High y Max) con nueva arquitectura de atención llamada IndexShare, que reutiliza índices de atención sparse entre grupos de capas para reducir el costo de inferencia en contextos largos. Según Artificial Analysis, en el Intelligence Index v4.1 GLM-5.2 puntúa 51, por encima de MiniMax-M3 (44), DeepSeek V4 Pro (44) y Kimi K2.6 (43).

GLM-5 y GLM-5.1 fueron entrenados en chips Huawei Ascend, sin GPUs NVIDIA. Lo que no es un detalle menor cuando se consideran las restricciones de exportación de semiconductores.

Sin embargo, tiene una limitación importante: GLM-5 y 5.1 son para texto. Sin imagen, audio ni video. Así que para tareas multimodales, necesitarás otro modelo.

¿Dónde usarlo? En razonamiento matemático y científico, codificación, análisis de documentos extensos (desde GLM-5.2 con contexto de 1M), y en investigación técnica donde se requiere más precisión que velocidad.

Lab: Z.AI / Zhipu AI (Beijing, Tsinghua University spinout)
License: MIT
Architecture: MoE, 744B parameters / 40B active
Context: 1M tokens (from GLM-5.2 onward)
API Price: Below Claude Opus 4.6, per Z.AI

GLM has academic roots. Zhipu AI is a spinout from Tsinghua University's Knowledge Engineering Group, founded in 2019. The company went public in Hong Kong in January 2026 with a market valuation of ~$52.8 billion, which has funded an aggressive release cadence.

GLM-5, launched in February 2026, scored 487/500 on MATH-500, outperforming Claude Opus 4.6 (482/500) on mathematical reasoning. On AIME 2025 (93.3%), it surpassed DeepSeek, Gemini, and Llama. It also ranked #1 among open models on LM Arena's Text Arena and Code Arena.

GLM-5.1 added coding improvements, reaching 77.8% on SWE-Bench Verified and 58.4 on SWE-Bench Pro, outperforming Claude Opus 4.6 (57.3) on that benchmark.

GLM-5.2, released June 13, 2026, expanded context to 1M tokens and introduced a dual reasoning system (High and Max modes) with a new attention architecture called IndexShare, which reuses sparse attention indices across layer groups to reduce inference costs on long contexts. According to Artificial Analysis, GLM-5.2 scores 51 on Intelligence Index v4.1 — above MiniMax-M3 (44), DeepSeek V4 Pro (44), and Kimi K2.6 (43).

GLM-5 and GLM-5.1 were trained on Huawei Ascend chips — no NVIDIA GPUs. That's not a minor detail given current semiconductor export restrictions.

One important limitation: GLM-5 and 5.1 are text-only. No image, audio, or video. For multimodal tasks, you'll need a different model.

Best for: Mathematical and scientific reasoning, coding, long-document analysis (from GLM-5.2 with 1M context), and technical research where precision matters more than speed.

Laboratorio: Alibaba (Hangzhou)
Licencia: Apache 2.0 (verificar por variante; los modelos 3.6+ tienen variantes cerradas)
Arquitectura: MoE, 235B parámetros totales / 22B activos
Contexto: 128K (Qwen3-235B); hasta 1M en variantes plus
Precio API (Qwen3.5 Flash): desde $0.065/M entrada

Alibaba tiene la familia más extensa de LLMs chinos disponibles, que abarcan desde modelos muy pequeños hasta aquellos con billones de parámetros con ventanas de contexto de 1M tokens.

Qwen3-235B-A22B en ArenaHard (95.6) supera a Llama 4 Maverick (~90) y a DeepSeek V3.2 en la mayoría de categorías. En GPQA Diamond (77.2) y benchmarks de programación competitiva (CodeForces), lidera entre modelos abiertos. La licencia Apache 2.0 es más permisiva que la Tongyi de algunos modelos de la misma familia —lo que debe importarte si planeas construir algo comercial encima.

Lo que lo diferencia es que supera a gpt-oss-120B de OpenAI en varios benchmarks, corriendo en laptops estándar. Lo que significa que puedes tener un modelo de calidad razonable corriendo localmente sin enviar datos a ningún servidor, sin ningún costo de API.

Qwen3-Coder 480B-A35B está dedicado a codificación, con 480B parámetros totales y 35B activos, y entrenado con 70% de datos de código. En SWE-Bench Verified iguala a Claude Sonnet 4 en benchmarks de codificación agéntica.

Sin embargo, ten en cuenta el licenciamiento, que ha cambiado entre generaciones. Qwen3-235B-A22B es licencia Tongyi, no Apache 2.0, a pesar de ser pesos abiertos. Así que verifica siempre el model card antes de asumir la licencia. Además, Alibaba está adoptando modelos cerrados en sus últimas versiones (3.6+), lo que puede afectar la disponibilidad de pesos descargables en el futuro.

¿Dónde usarlo? Cuando se necesita la mayor variedad de opciones en una sola familia (desde ejecución local hasta API de gran escala), tareas multilingüales (201 idiomas en Qwen3.5), y proyectos donde la licencia Apache 2.0 sea un requisito.

Lab: Alibaba (Hangzhou)
License: Apache 2.0 (verify by variant; models 3.6+ have closed variants)
Architecture: MoE, 235B total parameters / 22B active
Context: 128K (Qwen3-235B); up to 1M in plus variants
API Price (Qwen3.5 Flash): from $0.065/M input

Alibaba fields the most extensive family of available Chinese LLMs, ranging from very small models to those with hundreds of billions of parameters and 1M-token context windows.

Qwen3-235B-A22B on ArenaHard (95.6) outperforms Llama 4 Maverick (~90) and DeepSeek V3.2 across most categories. On GPQA Diamond (77.2) and competitive programming benchmarks (CodeForces), it leads among open models. The Apache 2.0 license is more permissive than the Tongyi license used by some models in the same family — which matters if you're planning to build something commercial on top of it.

What sets it apart is that it outperforms OpenAI's gpt-oss-120B on several benchmarks while running on standard laptops. That means you can run a reasonably capable model locally without sending data to any server and with no API cost.

Qwen3-Coder 480B-A35B is dedicated to coding, with 480B total parameters and 35B active, trained on 70% code data. On SWE-Bench Verified, it matches Claude Sonnet 4 on agentic coding benchmarks.

That said, keep licensing in mind — it has changed across generations. Qwen3-235B-A22B uses the Tongyi license, not Apache 2.0, despite being open-weight. Always check the model card before assuming the license. Additionally, Alibaba is shifting toward closed models in its latest releases (3.6+), which may affect the availability of downloadable weights going forward.

Best for: When you need the widest range of options within a single family (from local execution to large-scale API), multilingual tasks (201 languages in Qwen3.5), and projects where an Apache 2.0 license is a hard requirement.

Laboratorio: Xiaomi (Beijing)
Licencia: Pesos abiertos (variantes)
Arquitectura: MoE híbrido, 309B parámetros (Flash) / hasta 1T+ (Pro)
Contexto: 256K (Flash), 1M (Pro)
Precio API: desde $0.10/M entrada (Flash)

Xiaomi es una empresa de hardware —smartphones, televisores, autos eléctricos— que probablemente ya conoces, y decidió construir su propio laboratorio de LLMs. El equipo está liderado por Luo Fuli, quien trabajó en DeepSeek antes de unirse a Xiaomi a finales de 2025. El primer modelo, MiMo-7B, se lanzó en mayo de 2025. Y para diciembre ese mismo año ya tenían a MiMo-V2-Flash.

MiMo-V2-Flash (309B parámetros totales con 15B activos) es el más interesante, porque según los benchmarks del laboratorio, se ubica en el top 2 entre modelos abiertos en razonamiento, iguala a GPT-5 y Claude 4.5 Sonnet en SWE-Bench Verified, genera a 150 tokens por segundo, y su costo de inferencia es el 2.5% del precio de Claude. Para marzo de 2026, Xiaomi lanzó MiMo-V2-Pro (más de 1T de parámetros totales con 42B activos), que según Artificial Analysis Intelligence Index ocupa el 8° lugar mundial y el 2° entre LLMs chinos.

MiMo-V2.5-Pro fue lanzado en abril de 2026 y mejoró en capacidades agénticas generales: SWE-bench Pro 57.2, Claw-Eval 63.8, y τ3-Bench 72.9, colocándolo junto a Claude Opus 4. Xiaomi también lanzó MiMo Code en junio, un agente de codificación terminal que, a diferencia de la mayoría de asistentes de código, mantiene memoria persistente de decisiones a lo largo de proyectos prolongados.

No solo destaca en rendimiento, sino en la dirección, porque Xiaomi planea integrarlo en su ecosistema completo de dispositivos, desde autos hasta electrodomésticos. El modelo Miloco, que es variante de MiMo-VL, reconoce gestos (como la señal de OK, paz, y pulgares arriba) e identifica actividades como ver televisión o ejercitarse. No es un LLM de propósito general compitiendo donde otros lo hacen —con él se apuesta por integrar IA en hardware físico.

¿Dónde usarlo? En aplicaciones que requieren bajo costo de inferencia con calidad razonable, experimentación en dispositivos con recursos limitados, y proyectos donde la velocidad de respuesta (150 tokens/seg) importa mucho.

Lab: Xiaomi (Beijing)
License: Open weights (variants)
Architecture: Hybrid MoE, 309B parameters (Flash) / up to 1T+ (Pro)
Context: 256K (Flash), 1M (Pro)
API Price: from $0.10/M input (Flash)

Xiaomi is a hardware company — smartphones, televisions, electric vehicles — that you've likely heard of, and it decided to build its own LLM lab. The team is led by Luo Fuli, who worked at DeepSeek before joining Xiaomi in late 2025. The first model, MiMo-7B, launched in May 2025. By December of that same year, they already had MiMo-V2-Flash.

MiMo-V2-Flash (309B total parameters with 15B active) is the most interesting entry point. According to lab benchmarks, it ranks in the top 2 among open models in reasoning, matches GPT-5 and Claude 4.5 Sonnet on SWE-Bench Verified, generates at 150 tokens per second, and its inference cost is 2.5% of Claude's price. By March 2026, Xiaomi launched MiMo-V2-Pro (over 1T total parameters with 42B active), which according to Artificial Analysis Intelligence Index ranks 8th globally and 2nd among Chinese LLMs.

MiMo-V2.5-Pro launched in April 2026 with improvements in general agentic capabilities: SWE-bench Pro 57.2, Claw-Eval 63.8, and τ3-Bench 72.9, placing it alongside Claude Opus 4. Xiaomi also launched MiMo Code in June — a terminal coding agent that, unlike most code assistants, maintains persistent memory of decisions across extended projects.

Its standout quality isn't just performance, but direction: Xiaomi plans to integrate it across its entire device ecosystem, from cars to home appliances. The Miloco model — a MiMo-VL variant — recognizes gestures (like OK, peace sign, and thumbs up) and identifies activities like watching TV or exercising. This isn't a general-purpose LLM competing on the same terms as others — it's a bet on embedding AI into physical hardware.

Best for: Applications requiring low inference cost with solid quality, experimentation on resource-constrained devices, and projects where response speed (150 tokens/sec) is a key factor.

Laboratorio: MiniMax (Shanghai)
Licencia: En proceso de apertura (confirmado por MiniMax)
Arquitectura: MiniMax Sparse Attention (MSA), 1M tokens de contexto
Precio API: $0.30/M entrada, $1.20/M salida (50% de descuento en lanzamiento)

MiniMax se hizo conocida con Hailuo, su modelo de generación de video. Y con la serie M2, pudo competir en el top de codificación de código abierto. M2.5 alcanzó 80.2% en SWE-Bench Verified siendo el primer modelo abierto en ese nivel. Luego una parte de ese modelo fue usada para construir M2.7, automatizando entre el 30% y el 50% del flujo de trabajo de entrenamiento con RL.

M3 innovó con MSA (MiniMax Sparse Attention). MSA ofrece un speedup de 9.7x en prefill y 15.6x más rápido en decoding para secuencias de 1 millón de tokens. No fue simplemente una mejora en velocidad, ya que hace económicamente viable el despliegue de contexto largo en producción.

En la primera demostración de M3, el modelo reprodujo de forma autónoma un paper del ICLR 2025 sobre dinámicas de entrenamiento de LLMs, y trabajó durante casi 12 horas sin intervención humana, produciendo 18 commits y 23 gráficos experimentales, y confirmó los hallazgos del paper. En la segunda, le dieron un script no funcional y le pidieron optimizar un kernel para GPUs Nvidia Hopper —cosa que normalmente tarda 1-2 semanas. Tras unas 24 horas de trabajo autónomo, el modelo elevó la utilización del hardware del 7.6% al 71.3%.

Y esos no son benchmarks, sino tareas de ingeniería real con resultados verificables.

¿Su limitación? Es un modelo propietario por ahora, aunque MiniMax ha confirmado planes de apertura.

¿Dónde usarlo? En investigación autónoma de largo plazo, análisis de repositorios o bases de código muy grandes donde se necesita 1M de contexto, y tareas de ingeniería que requieren múltiples iteraciones sin supervisión constante.

Lab: MiniMax (Shanghai)
License: Open-sourcing in progress (confirmed by MiniMax)
Architecture: MiniMax Sparse Attention (MSA), 1M token context
API Price: $0.30/M input, $1.20/M output (50% launch discount)

MiniMax gained recognition with Hailuo, its video generation model. With the M2 series, it broke into the top tier of open-source coding. M2.5 reached 80.2% on SWE-Bench Verified, making it the first open model to reach that level. Part of that model was then used to build M2.7, automating between 30% and 50% of the RL training workflow.

M3 introduced MSA (MiniMax Sparse Attention), which delivers a 9.7x speedup in prefill and 15.6x faster decoding for 1-million-token sequences. This wasn't just a performance improvement — it made long-context deployment economically viable in production.

In M3's first demonstration, the model autonomously reproduced an ICLR 2025 paper on LLM training dynamics. It worked for nearly 12 hours without human intervention, producing 18 commits and 23 experimental charts, and confirmed the paper's findings. In the second demo, it was given a broken script and asked to optimize a kernel for Nvidia Hopper GPUs — a task that typically takes one to two weeks. After roughly 24 hours of autonomous work, the model raised hardware utilization from 7.6% to 71.3%.

Those aren't benchmarks — they're real engineering tasks with verifiable results.

Its limitation? It's currently proprietary, though MiniMax has confirmed open-sourcing plans.

Best for: Long-term autonomous research, analysis of very large repositories or codebases requiring 1M context, and engineering tasks that require multiple iterations without constant supervision.

No hay un modelo para todo. ChatGPT es bueno por la parte generalista. Claude es bueno en análisis de texto largo y conversación con matices, y GPT-5.5 lidera en razonamiento matemático. Esas ventajas no desaparecen porque existan modelos chinos.

Pero si alguien paga $25 por millón de tokens de salida para procesar miles de documentos cuando DeepSeek V4 Flash hace lo mismo a $0.28, es un problema de hábito.

Si necesita un agente que trabaje de forma autónoma durante horas en una base de código sin perder el hilo, y está usando un modelo que no fue diseñado para eso cuando Kimi K2.6 existe, eso tampoco es una decisión informada.

El modelo adecuado para cada tarea existe, y a veces viene de San Francisco y otras de Beijing. Lo que importa es que el resultado sea el que necesites, al precio que tenga sentido para ti, y con las condiciones de privacidad que tu proyecto requiera.

There's no single model for everything. ChatGPT is strong on the generalist side. Claude excels at long-text analysis and nuanced conversation, and GPT-5.5 leads on mathematical reasoning. Those advantages don't disappear just because Chinese models exist.

But if someone is paying $25 per million output tokens to process thousands of documents when DeepSeek V4 Flash does the same at $0.28, that's a habit problem.

If you need an agent that works autonomously for hours inside a codebase without losing track — and you're using a model that wasn't designed for that when Kimi K2.6 exists — that's not an informed decision either.

The right model for each task exists. Sometimes it comes from San Francisco, sometimes from Beijing. What matters is getting the result you need, at a price that makes sense for you, under the privacy conditions your project requires.