Xiaomi MiMo lidera OpenRouter mientras los modelos chinos copan los cinco primeros puestos semanales

Según se informa, MiMo-V2.5 de Xiaomi procesó 10,5 billones de tokens en una semana, liderando una clasificación de OpenRouter cuyos cinco primeros puestos fueron para modelos chinos.

Esta barrida importa porque OpenRouter mide el uso enrutado, no las victorias en benchmarks ni las descargas de chatbots. Los desarrolladores usan la plataforma para enviar solicitudes a distintos modelos y proveedores de infraestructura mediante una única interfaz.

Por tanto, el resultado reportado refleja un mercado específico donde cambiar de modelo es fácil y el consumo es medible. También aumenta la presión sobre los modelos prémium de OpenAI, Anthropic y Google.

Según un informe semanal de la clasificación, MiMo-V2.5 creció un 12 por ciento respecto a la semana anterior. Dos modelos de DeepSeek ocuparon el segundo y el quinto lugar.

El recién lanzado modelo Hunyuan de Tencent quedó tercero, mientras que la familia GLM de Zhipu AI supuestamente ocupó el cuarto puesto. El modelo de Tencent registró el crecimiento reportado más rápido tras su reciente lanzamiento.

El resultado no demuestra que los modelos chinos lideren todo el mercado global de IA. OpenRouter representa una gran plataforma de agregación, no todas las API directas, contratos empresariales o asistentes de consumo.

Sí muestra algo más acotado y aun así importante. Los modelos chinos de pesos abiertos se han convertido en candidatos predeterminados para desarrolladores que eligen modelos según la carga de trabajo, el rendimiento y la eficiencia operativa.

Los cinco primeros de OpenRouter cambiaron más rápido que la narrativa del mercado

El mayor cambio de la semana no fue solo que MiMo terminara en primer lugar. Fue la concentración de todas las posiciones líderes entre modelos desarrollados en China.

La clasificación reportada abarcó la semana del 20 al 26 de julio de 2026. MiMo-V2.5 lideró con unos 10,5 billones de tokens enrutados y un crecimiento semanal del 12 por ciento.

DeepSeek V4 Flash le siguió con aproximadamente 6,37 billones de tokens. Hunyuan Hy3 de Tencent supuestamente ocupó el tercer puesto con unos 3,94 billones.

GLM 5.2 de Zhipu AI mantuvo la cuarta posición con alrededor de 3,29 billones de tokens. DeepSeek V4 Pro completó los cinco primeros, dando a DeepSeek dos entradas distintas.

Estas posiciones representan más que una lista de marcas populares. Reflejan varias estrategias de producto que compiten dentro del mismo mercado de modelos abiertos.

MiMo-V2.5 se orienta a cargas de trabajo multimodales y basadas en agentes, que combinan texto, imágenes, herramientas y estado extendido de tareas. Su página de modelo describe una ventana de contexto de un millón de tokens.

OpenRouter lo incluye como un sistema omnimodal nativo, lo que significa que maneja varios formatos de entrada dentro de una misma arquitectura. La plataforma registra una fecha de lanzamiento del 22 de abril de 2026.

La ficha del modelo MiMo también destaca el rendimiento con agentes y el procesamiento de contexto largo. Estas características se ajustan a cargas de trabajo que generan grandes volúmenes de tokens.

Un agente automatizado de programación puede leer repositorios, modificar archivos, llamar herramientas y revisar su propio resultado. Una sola tarea puede consumir muchos más tokens que una respuesta de chatbot.

Las dos posiciones de DeepSeek revelan una estrategia diferente. El modelo Flash atiende solicitudes frecuentes y sensibles a la eficiencia, mientras que el modelo Pro se dirige a tareas más difíciles de programación y agentes.

Esta combinación permite a los desarrolladores enrutar el trabajo rutinario y el razonamiento exigente a distintos modelos de la misma familia. Se parece más a una línea de productos que a un único endpoint de propósito general.

El ascenso de Tencent añade otra capa. El aumento semanal reportado superó el 999 por ciento después de que Hunyuan Hy3 estuviera disponible abiertamente el 6 de julio.

Un porcentaje tan grande suele reflejar un movimiento desde una base inicial pequeña. Sin embargo, alcanzar los tres primeros puestos todavía exige un tráfico absoluto considerable tras ese efecto de base inicial.

Las clasificaciones de modelos en vivo cambian a medida que nuevas solicitudes entran en la ventana de medición. Por eso, cualquier instantánea publicada debe incluir sus fechas y el alcance de la plataforma.

Esta distinción evita una conclusión engañosa. Las cifras describen tokens enrutados a través de OpenRouter, no todos los tokens procesados por cada empresa en todo el mundo.

El tráfico directo a las API de los proveedores queda fuera de esta clasificación concreta. Los despliegues privados y los modelos ejecutados en infraestructura del cliente también permanecen en gran medida invisibles.

Incluso con estas limitaciones, la barrida tiene peso. Los desarrolladores que usan una capa de enrutamiento neutral situaron cinco modelos chinos en la cima de su lista colectiva de consumo.

Es una señal más clara que una tendencia social pasajera. Cada token enrutado representa una aplicación, experimento, agente o sesión de usuario que elige un modelo para trabajo real.

Por qué los desarrolladores están enrutando más trabajo a modelos chinos

La rápida adopción refleja una ventaja operativa: los desarrolladores pueden probar estos modelos con rapidez y conservar los que ofrecen resultados aceptables a escala.

OpenRouter reduce el esfuerzo necesario para cambiar de modelo. Las aplicaciones pueden mantener una sola integración mientras envían solicitudes a varias familias de modelos o proveedores de alojamiento.

Esta estructura debilita una ventaja tradicional de los grandes proveedores de IA. Un desarrollador no necesita reconstruir todo un producto cada vez que otro modelo se vuelve competitivo.

Los datos históricos de la plataforma ya mostraban este comportamiento antes de la última barrida. Los modelos abiertos chinos pasaron de una participación muy pequeña a finales de 2024.

El estudio de uso de OpenRouter concluyó que los modelos chinos de código abierto alcanzaron casi el 30 por ciento del volumen de tokens de la plataforma durante algunas semanas de 2025.

Su cuota semanal media durante el periodo del estudio fue de alrededor del 13 por ciento. DeepSeek siguió siendo el mayor contribuyente entre los modelos abiertos, mientras Qwen y las familias más nuevas ampliaban el campo.

El informe también concluyó que los modelos abiertos capaces pueden captar tráfico significativo en cuestión de semanas. Ese patrón ayuda a explicar el ascenso reportado de Tencent tras el lanzamiento de Hy3.

Los lanzamientos frecuentes dan a los desarrolladores más motivos para volver a evaluar sus decisiones de enrutamiento. Cada lanzamiento puede mejorar una capacidad, reducir la latencia o admitir un contexto más largo.

Los pesos abiertos amplían aún más la distribución. Permiten que proveedores independientes alojen el mismo modelo, aunque los términos de licencia y los requisitos técnicos siguen variando.

Esto genera competencia en dos niveles. Los desarrolladores de modelos compiten en arquitectura y entrenamiento, mientras los proveedores de infraestructura compiten en disponibilidad y calidad de servicio.

Los usuarios pueden beneficiarse de esta estructura sin operar sus propios clústeres. Pueden seleccionar versiones alojadas mientras conservan más portabilidad que la que ofrece una aplicación de un único proveedor.

La demanda más fuerte parece estar vinculada a flujos de trabajo de programación y agentes. El estudio de OpenRouter reveló que las solicitudes de programación pasaron de aproximadamente el 11 por ciento de los tokens a más de la mitad.

Esta medición cubrió las semanas recientes del estudio, no la clasificación de julio de 2026. Aun así, explica por qué los modelos orientados al código pueden acumular volúmenes enormes de tokens.

Los agentes de programación inspeccionan archivos repetidamente, comparan resultados y revisan planes. Los prompts largos también incluyen contexto de repositorios, registros de errores, documentación e intentos anteriores.

Una solicitud humana puede desencadenar decenas de llamadas al modelo. Por ello, el volumen de tokens crece más rápido que el número de personas que usan una aplicación.

Los modelos chinos han sido diseñados en torno a esta carga de trabajo cambiante. DeepSeek enfatiza la programación y el razonamiento, mientras MiMo combina contexto largo con procesamiento multimodal.

Tencent también ha presentado Hunyuan como una familia que abarca texto, imagen, vídeo y contenido tridimensional. Esa amplitud respalda tanto productos internos como el uso de desarrolladores externos.

El resultado es un ciclo intenso de lanzamientos entre varias empresas bien financiadas. Xiaomi, Tencent, DeepSeek y Zhipu AI no dependen de una única organización ni de un mismo modelo de negocio.

Su presencia simultánea reduce la probabilidad de que la clasificación refleje la campaña promocional aislada de una sola empresa. Los desarrolladores están distribuyendo el tráfico entre varias familias de modelos chinos.

Sin embargo, la baja fricción para cambiar de modelo funciona en ambos sentidos. Los mismos usuarios que adoptaron MiMo o Hy3 con rapidez pueden irse cuando otro modelo ofrece un mejor rendimiento.

El análisis previo de OpenRouter describía el mercado de modelos abiertos como cada vez más fragmentado. Ningún modelo abierto individual controlaba de forma consistente más de aproximadamente una cuarta parte del tráfico de modelos abiertos.

Eso hace que un liderazgo semanal sea valioso, pero frágil. El uso continuado importa más que el pico de lanzamiento, especialmente cuando terminan el acceso gratuito o los incentivos iniciales de enrutamiento.

La verdadera disputa es el enrutamiento abierto frente al bloqueo de los modelos cerrados

El conflicto central no es China contra Estados Unidos. Es el enrutamiento portable de modelos frente a la dependencia de una única pila de modelos propietarios.

El origen nacional hace que la barrida de los cinco primeros resulte políticamente llamativa. Sin embargo, los desarrolladores suelen tomar decisiones de enrutamiento mediante una comparación más práctica.

Preguntan si un modelo puede completar la tarea de forma fiable, ajustarse al contexto requerido, llamar herramientas correctamente y operar dentro de los límites de recursos de la aplicación.

OpenRouter hace inmediata esa comparación. Un equipo puede asignar un modelo a la planificación, otro a la implementación y un tercero a la revisión final.

Este diseño multimodelo cuestiona directamente la idea de que toda aplicación de IA deba heredar la pila completa de un proveedor. Separa la aplicación del modelo que hay debajo.

OpenAI, Anthropic y Google siguen conservando ventajas importantes. Sus sistemas propietarios suelen liderar las evaluaciones difíciles y ofrecen controles empresariales, integraciones y soporte maduros.

Anthropic también ha mantenido una posición sólida en el gasto relacionado con programación, según el estudio histórico de OpenRouter. Claude sigue siendo un punto de referencia para el trabajo de programación exigente.

Google combina sus modelos Gemini con infraestructura en la nube, software de productividad y distribución al consumidor. OpenAI conecta sus modelos con una gran base de desarrolladores y ChatGPT.

Los modelos chinos de pesos abiertos ejercen presión en otro ámbito. Ponen a disposición un rendimiento aceptable a través de más alojamientos y fomentan la experimentación a nivel de aplicación.

Esa presión es más fuerte en cargas de trabajo de alto volumen y evaluación repetible. Los pipelines de programación pueden ejecutar pruebas, comparar parches y rechazar automáticamente resultados incorrectos.

Una empresa todavía puede elegir un modelo propietario prémium para una decisión final crítica. Puede enrutar la preparación de documentos o el análisis repetitivo a otro modelo.

La combinación Flash y Pro de DeepSeek encaja con este patrón. Flash puede gestionar tareas frecuentes, mientras Pro puede abordar solicitudes que requieren un razonamiento más profundo.

El contexto largo de MiMo abre otra vía. Los desarrolladores pueden proporcionar a un modelo más material de origen en lugar de construir una compleja cadena de recuperación para cada solicitud.

Una ventana de contexto larga no garantiza una recuperación precisa. Simplemente aumenta la cantidad de material que una aplicación puede proporcionar en una sola solicitud.

La distinción importa para los equipos que construyen agentes con mucho conocimiento. Un mayor contexto puede reducir el trabajo de integración, pero el material irrelevante aún puede confundir al modelo.

Por tanto, los buenos sistemas necesitan evaluación, trazabilidad y material de origen organizado. Una base de conocimiento de ingeniería con búsqueda puede respaldar esas comprobaciones sin determinar qué modelo debe procesar el contenido.

El cambio más amplio favorece el software independiente del modelo. Estas aplicaciones tratan los modelos como componentes reemplazables, al tiempo que preservan los pipelines de datos, los permisos y la experiencia de usuario.

Este diseño limita el bloqueo de proveedores, pero introduce nuevas responsabilidades de ingeniería. Los equipos deben comparar la calidad de los resultados y supervisar los cambios entre varios proveedores.

También deben gestionar las diferencias en los esquemas de herramientas, el comportamiento de seguridad, el manejo del contexto y la salida estructurada. Una interfaz compartida no hace que todos los modelos sean idénticos.

El repunte en OpenRouter muestra que muchos desarrolladores aceptan esos costes. Están dirigiendo suficiente trabajo a modelos chinos como para que los cinco lideren la clasificación semanal.

Para los proveedores propietarios, la respuesta obligada es clara. Deben justificar el acceso restringido mediante mayor fiabilidad, integraciones más sólidas o ventajas medibles en tareas valiosas.

El reconocimiento de marca por sí solo ofrece menos protección cuando los desarrolladores pueden probar otro modelo en cuestión de minutos. Los proveedores cerrados necesitan resultados que resistan comparaciones directas de cargas de trabajo.

El volumen de tokens no equivale a ingresos, calidad ni confianza

La clasificación mide el consumo en una sola plataforma, por lo que no puede establecer de forma independiente el liderazgo técnico, el éxito comercial ni la aceptación empresarial.

Los totales de tokens favorecen las cargas de trabajo que generan prompts y respuestas extensos. Los bucles de agentes, las sesiones de roleplay, el análisis de repositorios y la generación de datos sintéticos pueden dominar el volumen bruto.

Un billón de tokens procedentes de tareas automatizadas no equivale a un billón de tokens vinculados a decisiones empresariales reguladas. El valor y el riesgo asociados a esas solicitudes son distintos.

El acceso gratuito también puede distorsionar las clasificaciones. Un modelo recién lanzado puede atraer experimentos porque probarlo exige poco compromiso.

El aumento reportado de más del 999 por ciento para Hunyuan Hy3 ilustra este problema. El crecimiento es destacable, pero el punto de partida era necesariamente mucho menor.

Un cambio duradero exige que el modelo conserve tráfico después de que se desvanezca la atención inicial del lanzamiento. Los totales semanales deberían mantenerse elevados durante varias ventanas móviles.

Otra limitación tiene que ver con la concentración. Un único cliente o aplicación de gran tamaño puede afectar de forma sustancial a un gráfico de toda la plataforma.

OpenRouter reconoció este efecto en su análisis histórico. Una cuenta de tamaño considerable produjo un pico perceptible en el volumen relacionado con herramientas durante mayo de 2025.

Ese ejemplo no invalida la clasificación actual. Muestra por qué los observadores deberían evitar convertir directamente una clasificación de tokens en cuota de mercado global.

La afirmación más precisa es más limitada. Los modelos desarrollados en China ocuparon las cinco posiciones más altas en una instantánea semanal reportada de OpenRouter.

La calidad es igual de difícil de inferir. Los desarrolladores pueden elegir un modelo porque es suficiente para una tarea, no porque produzca la mejor salida disponible.

Un modelo que resuelve clasificaciones rutinarias puede generar más tokens que un especialista utilizado para análisis científicos difíciles. El volumen y la capacidad responden a preguntas diferentes.

Las afirmaciones de las empresas sobre benchmarks requieren una cautela similar. Según se informa, DeepSeek posiciona su modelo insignia frente a los principales sistemas cerrados para programación y tareas complejas de agentes.

Esas afirmaciones necesitan evaluación independiente en repositorios reales, fallos de herramientas y flujos de trabajo de larga duración. Una puntuación de benchmark no puede reflejar todas las limitaciones de producción.

La longitud de contexto indicada para MiMo también necesita pruebas prácticas. Los modelos pueden aceptar entradas largas y, aun así, no recuperar un detalle crucial oculto dentro de ellas.

La latencia, los límites de tasa y la fiabilidad del proveedor también influyen en la adopción. Una aplicación necesita un rendimiento predecible durante los picos de demanda, no solo una arquitectura de modelo sólida.

La seguridad sigue siendo una decisión aparte. Algunas organizaciones restringen determinados proveedores de modelos o regiones de alojamiento porque los prompts pueden contener material confidencial.

Los pesos abiertos pueden reducir esa preocupación cuando los clientes despliegan modelos dentro de una infraestructura controlada. Sin embargo, utilizar un modelo abierto mediante una API de terceros sigue creando una relación de datos.

Los desarrolladores deben examinar el proveedor real, la política de retención, el comportamiento de registro y la ruta geográfica de procesamiento. El país de origen de un modelo no responde por sí solo a esas preguntas.

Las licencias también merecen atención. “Open source” se utiliza a menudo de forma imprecisa para modelos cuyos pesos están disponibles bajo restricciones específicas.

OpenRouter abrevia los modelos de pesos abiertos como OSS por simplicidad. Aun así, los compradores deberían revisar la licencia antes de distribuir o modificar un modelo.

Las empresas reguladas pueden seguir prefiriendo sistemas propietarios con documentación de cumplimiento consolidada. Esa elección puede persistir incluso cuando un modelo abierto lidera el volumen de tokens.

El alcance entre consumidores también sigue ausente. ChatGPT, Gemini y otros productos de primera parte generan una actividad significativa fuera de OpenRouter.

Los acuerdos empresariales directos crean otro punto ciego. Las grandes empresas suelen acceder a los modelos mediante contratos cloud en lugar de plataformas públicas de agregación.

Por tanto, la clasificación describe la capa disputable del mercado. Muestra qué ocurre allí donde los desarrolladores pueden comparar modelos con costes de cambio relativamente bajos.

Esa capa importa porque puede influir en futuras compras. Un modelo probado inicialmente mediante un agregador puede trasladarse después a un alojamiento directo o a un despliegue privado.

Aun así, el repunte de julio debe tratarse como una señal de adopción, no como un veredicto definitivo. Su mensaje más sólido se refiere a la disposición de los desarrolladores a cambiar.

Lo que Xiaomi, DeepSeek y Tencent deben demostrar a continuación

Tres señales determinarán si el dominio de los cinco primeros marca un cambio duradero u otro ciclo acelerado de clasificaciones.

La primera señal es la retención. MiMo-V2.5, DeepSeek V4 Flash, Hunyuan Hy3, GLM 5.2 y DeepSeek V4 Pro deben mantener un tráfico sustancial más allá de las ventanas de lanzamiento.

Los totales móviles de cuatro semanas y trimestrales ofrecerán una visión mejor que una instantánea semanal. Un tráfico estable sugeriría integración en aplicaciones persistentes.

Una caída abrupta apuntaría a experimentación, condiciones temporales de acceso o migración a modelos más nuevos. El enrutamiento abierto hace que tanto la adopción como la salida sean inusualmente rápidas.

MiMo merece especial atención porque lideró con un amplio margen reportado. Su posición se fortalecerá si los desarrolladores siguen utilizando sus funciones multimodales y de contexto largo.

La segunda señal es la calidad de las cargas de trabajo. Las evaluaciones independientes deberían probar estos modelos dentro de sistemas completos de programación y agentes, no solo con prompts aislados de benchmarks.

Las pruebas útiles deberían medir llamadas a herramientas exitosas, repositorios completados, recuperación ante errores y rendimiento en tareas largas. También deberían revelar la infraestructura y los métodos de evaluación.

DeepSeek V4 Pro afronta aquí la prueba más clara. Su posicionamiento reportado depende de gestionar trabajo complejo de agentes cerca del nivel de los principales modelos cerrados.

Si esos resultados se reproducen entre equipos independientes, los proveedores propietarios afrontarán presión directa en cargas de trabajo de alto valor. Si no es así, el volumen seguirá siendo una historia de eficiencia.

Hy3 de Tencent necesita el mismo escrutinio tras su rápido debut. Un ascenso impulsado por el lanzamiento cobra más sentido cuando los desarrolladores publican resultados de producción repetibles.

La tercera señal es la respuesta de OpenAI, Anthropic y Google. Su reacción mostrará si consideran el enrutamiento de modelos abiertos una amenaza estratégica.

Una respuesta puede adoptar varias formas sin centrarse en cifras públicas de precios. Los proveedores pueden mejorar modelos más pequeños, ampliar el contexto, reforzar el uso de herramientas o flexibilizar las opciones de despliegue.

También pueden profundizar la integración empresarial, donde el cumplimiento y el soporte siguen siendo defensas más sólidas. Una mayor fiabilidad puede preservar la demanda premium incluso cuando cambia la cuota bruta de tokens.

Los propios datos de OpenRouter respaldan este mercado dividido. Su estudio concluyó que los modelos abiertos se concentraban en usos de menor coste y alto volumen, mientras que los sistemas cerrados conservaban cargas de trabajo valiosas.

El último dominio sugiere que los desarrolladores chinos están ascendiendo dentro del segmento de alto volumen. La cuestión sin resolver es cuánto trabajo premium los sigue.

Por ello, los desarrolladores deberían evitar elegir un ganador a partir de un solo gráfico. Deberían probar los modelos frente a sus propias tareas y conservar la capacidad de redirigirlos.

Una evaluación práctica comienza con prompts representativos, salidas esperadas y condiciones de fallo. Debería incluir latencia, finalización de herramientas, recuperación de contexto y revisión humana.

Los equipos también deberían registrar qué modelo produjo cada salida. Ese rastro se vuelve esencial cuando un proveedor actualiza un modelo o una configuración de enrutamiento.

Los trabajadores del conocimiento afrontan un problema relacionado. A medida que las aplicaciones combinan varios modelos, necesitan un lugar estable para los documentos fuente y las decisiones verificadas.

Un sistema de conocimiento personal puede preservar esa continuidad mientras los modelos que sustentan una aplicación siguen cambiando.

El dominio reportado en OpenRouter es importante porque muestra a los desarrolladores actuando sobre sus opciones. Los modelos chinos no se limitaron a entrar en el conjunto de comparación.

Según se informa, ocuparon todas las posiciones líderes dentro de un importante marketplace multimodelo durante una semana. Xiaomi, DeepSeek, Tencent y Zhipu AI contribuyeron cada una a ese resultado.

Sin embargo, la siguiente fase será más difícil que escalar en un gráfico en tiempo real. Esas empresas deben convertir la experimentación en cargas de trabajo retenidas, despliegues de confianza y rendimiento repetible.

OpenAI, Anthropic y Google aún poseen distribución, relaciones empresariales y sólidos modelos propietarios. Están bajo presión, pero no han desaparecido del uso global de la IA.

El cambio duradero es el debilitamiento de la lealtad automática a un modelo. Los desarrolladores tratan cada vez más a un modelo de IA como un componente que debe seguir ganándose su ruta.

Observe las próximas ventanas semanales, las evaluaciones independientes de agentes y las respuestas de los proveedores cerrados. Juntas, esas señales revelarán si este dominio se convierte en un cambio de mercado duradero.