Xiaomi MiMo alcanza los 1.000 tokens por segundo en GPU convencionales sin chips personalizados

Un nuevo récord de velocidad en inteligencia artificial

El 8 de junio de 2026, Xiaomi lanzó MiMo V2.5 Pro UltraSpeed, un modo de inferencia que permite a un modelo lingüístico de un billón de parámetros superar los 1.000 tokens por segundo en unidades de procesamiento gráfico (GPU) estándar en la nube. El logro marca la primera vez que un modelo de esta escala supera ese umbral sin recurrir a silicio personalizado ni a hardware especializado. Las demostraciones internas muestran un rendimiento máximo cercano a los 1.200 tokens por segundo, sostenido en un único nodo convencional equipado con ocho GPU.

Para entender la importancia del logro, basta con compararlo con las referencias públicas actuales. GPT 5.5, de OpenAI, genera unos 68 tokens por segundo. Claude Opus 4.6 opera a aproximadamente 71 tokens por segundo, mientras que Gemini Flash, de Google, alcanza los 192. El modo UltraSpeed de Xiaomi ofrece una velocidad de generación unas quince veces superior a la experiencia estándar de ChatGPT, y lo hace con un modelo que ya compite con los sistemas más avanzados en evaluaciones de ingeniería de software.

El modelo que alcanza esta velocidad es MiMo V2.5 Pro, una arquitectura de mezcla de expertos de 1,02 billones de parámetros y una ventana de contexto de un millón de tokens. A diferencia de muchos competidores, el sistema procesa texto, imágenes, audio y video de forma nativa en un solo modelo. Xiaomi publicó el punto de control subyacente con una licencia de código abierto MIT, que permite a los desarrolladores alojar el sistema en sus propios servidores, ajustarlo y desplegarlo con fines comerciales sin pagar licencias.

El inesperado ascenso de Xiaomi en inteligencia artificial

La mayoría de los consumidores asocia a Xiaomi con teléfonos inteligentes asequibles, patinetes eléctricos y, cada vez más, vehículos eléctricos. La empresa distribuyó 33,8 millones de teléfonos en el primer trimestre de 2026 y entregó más de 30.000 vehículos eléctricos solo en mayo. Sin embargo, detrás de estos productos de consumo hay una división de inteligencia artificial dedicada que desarrolla modelos lingüísticos de gran tamaño desde abril de 2025, cuando lanzó un modelo compacto de razonamiento de 7.000 millones de parámetros.

En los catorce meses transcurridos desde entonces, la familia MiMo se ha convertido en una de las líneas de modelos con pesos abiertos más competitivas disponibles. El modelo insignia actual, MiMo V2.5 Pro, debutó el 22 de abril de 2026. En tareas de ingeniería de software, sus resultados se acercan a los de Claude Opus 4.6, pero su costo por token es aproximadamente una octava parte. El precio estándar del modelo base es de 0,025 yuanes por millón de tokens en aciertos de caché, 3 yuanes por millón en fallos de caché para la entrada y 6 yuanes por millón para la salida.

El anuncio del 8 de junio incorpora UltraSpeed como un modo de servicio de alto rendimiento que se superpone directamente al modelo existente. En lugar de modificar los pesos o la arquitectura del modelo, las mejoras de velocidad se deben por completo a la optimización de la inferencia, un logro de software que pone en entredicho las suposiciones sobre lo que puede hacer el hardware convencional.

El costo de la velocidad en la IA moderna

La velocidad de inferencia se ha convertido en un frente clave de competencia entre los modelos lingüísticos de gran tamaño. La tasa a la que un sistema genera tokens determina no solo la rapidez con que los usuarios reciben respuestas, sino también qué aplicaciones son viables desde el punto de vista económico y técnico. Un modelo que genera 68 tokens por segundo funciona bien en interfaces de chat, donde las personas leen a su propio ritmo. Pero no sirve para tareas sensibles a la latencia, como la detección de fraude en tiempo real, las señales de negociación de alta frecuencia o los agentes de programación autónomos que deben completar varios pasos de razonamiento en segundos.

Ante este cuello de botella, varias empresas emergentes construyeron sus negocios en torno a chips personalizados. Cerebras diseñó un chip de escala de oblea, aproximadamente del tamaño de un plato, con 44 gigabytes de memoria integrada para eliminar las limitaciones de ancho de banda que ralentizan la inferencia convencional con GPU. Ese sistema alcanzó unos 969 tokens por segundo con Llama 3.1 405B, de Meta, un modelo con menos de la mitad de los parámetros de MiMo V2.5 Pro. Groq desarrolló una arquitectura personalizada de unidades de procesamiento lingüístico capaz de generar entre 300 y 750 tokens por segundo, según el modelo. Ninguna de las dos plataformas funciona con hardware disponible mediante los servicios estándar de alquiler en la nube.

El enfoque de Xiaomi rechaza esta carrera por el hardware. Al optimizar conjuntamente el software y el diseño del modelo, la empresa alcanzó velocidades comparables en GPU convencionales disponibles para alquiler. En teoría, cualquier desarrollador con acceso a un nodo estándar de ocho GPU puede reproducir el resultado, un cambio que podría trasladar la ventaja competitiva de los fabricantes de chips especializados a la innovación algorítmica.

Compresión de la inteligencia mediante cuantización FP4

El primer pilar de UltraSpeed consiste en una compresión numérica agresiva llamada cuantización FP4. La inferencia estándar de los modelos suele almacenar los pesos con una precisión de 16 u 8 bits. Cada parámetro requiere cierta cantidad de ancho de banda de memoria y, a escala de un billón de parámetros, el mero traslado de esos pesos desde la memoria hasta los núcleos de procesamiento genera un atasco que limita la velocidad de generación.

La solución de Xiaomi aplica una precisión de 4 bits de forma selectiva. La arquitectura de mezcla de expertos contiene numerosas capas expertas, que reúnen la mayoría de los parámetros y toleran mejor la reducción de precisión. Xiaomi comprimió solo esas capas al formato MXFP4 y mantuvo otros módulos del modelo en una precisión mayor, indicada como FP8. Este enfoque selectivo reduce la memoria ocupada sin deteriorar la calidad de los resultados, porque el entrenamiento consciente de la cuantización integró la compresión en el proceso de aprendizaje del modelo. Las evaluaciones muestran que la variante cuantizada rinde prácticamente a la par de la versión original de precisión completa.

Como las capas expertas constituyen la mayor parte del modelo, esta compresión selectiva reduce drásticamente la cantidad de datos que deben circular por la memoria en cada paso de generación. El ahorro de ancho de banda se traduce directamente en un mayor rendimiento.

Predicción en paralelo con la decodificación especulativa DFlash

El segundo pilar aborda la naturaleza secuencial de la generación de lenguaje. Por lo general, los modelos producen tokens uno a uno, y cada nuevo token depende de todos los anteriores. La decodificación especulativa ofrece un atajo: un modelo borrador más pequeño predice rápidamente varios tokens siguientes y el modelo objetivo, de mayor tamaño, verifica todas las predicciones en paralelo. Cuando las predicciones coinciden, el sistema ahorra tiempo. Sin embargo, la decodificación especulativa tradicional sigue obligando al modelo borrador a generar sus predicciones de forma secuencial, lo que limita sus beneficios.

DFlash, un método desarrollado por la comunidad de investigación y perfeccionado por Xiaomi, elimina por completo esta limitación secuencial. En lugar de predecir los tokens uno por uno, el modelo borrador completa un bloque entero de posiciones enmascaradas en una sola pasada hacia adelante. Xiaomi ajustó este proceso con el optimizador de segundo orden Muon y la autodestilación del modelo. El modelo borrador utiliza exclusivamente atención de ventana deslizante, lo que mantiene constante el costo computacional de cada predicción, sin importar cuánto se prolongue la conversación.

En tareas de programación, el sistema alcanza una longitud media de aceptación de 6,3 tokens por ronda de verificación, de un bloque cuyo tamaño máximo es de 8. Esto significa que el modelo grande confirma seis o siete tokens en un solo paso, en lugar de generarlos de forma individual. Como el muestreo por rechazo garantiza que solo pasen los tokens válidos, el resultado es matemáticamente idéntico al de la decodificación estándar. La velocidad aumenta sin perder calidad.

Eliminación de las pausas de microsegundos con TileRT

El tercer pilar apunta a un cuello de botella invisible que aparece solo a velocidades extremas. Cuando la inferencia supera los 1.000 tokens por segundo, cada operador matemático se ejecuta durante apenas unos microsegundos. Los sistemas de servicio tradicionales ejecutan los operadores uno tras otro, con pequeños intervalos entre cada inicio. A velocidades normales, esos intervalos son insignificantes. A las velocidades de UltraSpeed, interrumpen el flujo de ejecución y se convierten en el principal cuello de botella.

TileRT, desarrollado en colaboración con el socio de inferencia TileRT, resuelve el problema con un núcleo de motor persistente que permanece continuamente activo dentro de la GPU. En lugar de iniciar y detener operaciones, el núcleo utiliza especialización de warps para asignar funciones coordinadas a hilos de hardware específicos que se ocupan del movimiento de datos, el cálculo y la comunicación. Incluso las operaciones más pequeñas, como RMSNorm, las incrustaciones posicionales rotatorias y las escrituras en la caché KV, que normalmente generan demoras de microsegundos, se ejecutan sin interrupciones.

El sistema se diseñó junto con las decisiones sobre FP4 y DFlash, en vez de añadirlo más adelante. Este codiseño extremo del modelo y el sistema garantiza que las tres capas estén estrechamente coordinadas. Xiaomi afirma expresamente que ninguna de las tres técnicas alcanza por sí sola los 1.000 tokens por segundo. El récord se obtiene únicamente al ejecutarlas en conjunto.

Impacto en el mundo real y contexto empresarial

El umbral de los 1.000 tokens cambia qué aplicaciones resultan viables para modelos de vanguardia. El razonamiento en paralelo se vuelve práctico: los sistemas pueden ejecutar decenas de trayectorias de razonamiento de búsqueda en árbol o de tipo «mejor de N» en el mismo tiempo que un modelo más lento necesitaría para una sola. Los agentes de programación se benefician porque una generación más rápida reduce la espera entre pasos autónomos. Los ciclos de decisión en tiempo real para generar señales de negociación, interceptar fraudes y mantener diálogos en directo se vuelven viables cuando la latencia cae por debajo del umbral de percepción humana.

Xiaomi mostró el efecto práctico con demostraciones públicas. Un juego de Snake completamente funcional se generó en unos diez segundos. Un prototipo de interfaz para macOS apareció en aproximadamente un minuto. Se trata de tareas limitadas por el rendimiento, en las que la velocidad de generación de tokens es el factor determinante.

El acceso a UltraSpeed se ofrece mediante una prueba limitada de la API, sujeta a solicitud, del 9 al 23 de junio de 2026. El precio es tres veces superior a la tarifa estándar de MiMo V2.5 Pro, lo que equivale a unos 1,29 dólares por millón de tokens de entrada y 2,61 dólares por millón de tokens de salida, según los cálculos de conversión actuales. Xiaomi promete una velocidad de generación aproximadamente diez veces mayor a cambio de ese precio. La suscripción Token Plan no se aplica a UltraSpeed. Los usuarios aprobados reciben dos semanas de acceso gratuito al chat, con límites diarios: diez solicitudes para entrar en la cola por cuenta, sesiones de un máximo de treinta minutos y liberación automática de recursos tras cinco minutos de inactividad.

A pesar de estos hitos técnicos, los mercados financieros han reaccionado con indiferencia. Las acciones de Xiaomi cerraron a 2,91 euros el 11 de junio, apenas un 1,75% por encima del mínimo de las últimas 52 semanas y con una caída del 35% en lo que va del año. La empresa sigue diversificándose: lanzó el teléfono prémium 17T en India el mismo día que publicó el asistente MiMo Code y continúa ampliando su negocio de vehículos eléctricos junto con la ciudad de Changchun. Que el impulso operativo pueda revertir el desempeño bursátil dependerá de los próximos resultados financieros.

Publicación de código abierto y dudas sobre la verificación

Xiaomi publicó en Hugging Face con licencia de código abierto el punto de control MiMo V2.5 Pro FP4 DFlash, que incluye pesos cuantizados y parámetros de DFlash. TileRT publicó algunos módulos en GitHub. Esta transparencia permite que la comunidad realice pruebas independientes, algo fundamental porque todas las afirmaciones actuales sobre velocidad proceden de las evaluaciones internas de Xiaomi. Hasta ahora no se ha publicado ninguna verificación independiente de terceros.

La reproducción de los resultados por parte de la comunidad permitirá poner a prueba varias cuestiones aún abiertas. Primero, si la cifra de 1.000 tokens por segundo se mantiene en instancias de GPU comunes fuera del entorno controlado de las pruebas de Xiaomi. Segundo, si se producen pérdidas de calidad en tareas conversacionales abiertas, donde las tasas de aceptación de la decodificación especulativa son actualmente más bajas que en tareas estructuradas de programación. Tercero, si el enfoque de núcleo persistente de TileRT puede integrarse con las pilas estándar de servicio que ya están desplegadas en entornos de producción.

Si las pruebas independientes confirman estas afirmaciones, Xiaomi habrá logrado mediante software lo que sus competidores intentaron conseguir con chips personalizados y cientos de millones de dólares. El resultado sugeriría que el codiseño algorítmico puede desbloquear niveles de rendimiento que antes se creía que requerían hardware especializado, con la posibilidad de reorientar las inversiones en toda la industria de la inteligencia artificial.

Puntos clave

• MiMo V2.5 Pro UltraSpeed, de Xiaomi, se convirtió en el primer modelo de un billón de parámetros en superar los 1.000 tokens por segundo con GPU convencionales cuando se lanzó el 8 de junio de 2026.
• La velocidad se debe a tres técnicas coordinadas: cuantización FP4 de las capas expertas, decodificación especulativa por bloques DFlash y el entorno de ejecución persistente para GPU TileRT.
• En tareas de programación, los resultados del modelo MiMo V2.5 Pro subyacente se acercan a los de Claude Opus 4.6, pero el precio por token es aproximadamente una octava parte.
• A diferencia de competidores como Cerebras y Groq, Xiaomi alcanzó el récord sin silicio personalizado, con un nodo estándar de ocho GPU disponible a través de proveedores de servicios en la nube.
• El punto de control MiMo V2.5 Pro FP4 DFlash está disponible en Hugging Face con una licencia de código abierto MIT; los módulos de TileRT están en GitHub.
• La prueba limitada de la API se extiende del 9 al 23 de junio de 2026. Su precio es tres veces superior a la tarifa estándar y ofrece una velocidad de generación aproximadamente diez veces mayor.
• A mediados de junio de 2026, las acciones de Xiaomi seguían cerca de sus mínimos de las últimas 52 semanas, con una caída del 35% en lo que va del año pese al avance técnico.