MiMo, Qwen3.8 Max, GLM-5.3 e Muse Spark: test modelli AI

👁 121 letture

Quattro modelli AI meno noti ma potenti: Muse Spark 1.3 di Meta, MiMo-V2.6-Pro di Xiaomi, Qwen3.8 Max di Alibaba e GLM-5.3 di Z.ai. Nel ranking di Artificial Analysis si posizionano subito dietro i modelli di Anthropic e OpenAI, accanto a Grok 4.7: hanno da 45 a 48 punti nell’indice di intelligenza e costano da 3 a 23 volte meno di Claude Opus 5.5 per token di output. Li abbiamo testati tutti e quattro nel nostro laboratorio: gli stessi 13 compiti in polacco e la stessa valutazione in cieco del ranking dei 16 modelli.

01Muse Spark 1.3: benchmark, prezzo e test in italianoMuse Spark 1.3 di Meta: 48 punti nell'indice AA, 75,5 nel nostro test in polacco, 1,25/4,25 USD per milione di token e accesso tramite OpenRouter.Leggi →02Qwen3.8 Max in italiano: test, risultati, prezzi e accessoQwen3.8 Max testato in polacco: 76,4 punti, 30/30 in correzione difficile, 33k token di ragionamento. Prezzi 2/6 USD e come usarlo.Leggi →03GLM-5.3 test italiano: 13 prove, prezzi e prestazioniGLM-5.3 testato in polacco: 63,6 punti su 100, velocissimo (27 s per 9 testi) e economico (0,03 USD per 13 task), ma con errori linguistici frequenti.Leggi →04Xiaomi MiMo-V2.6: test, benchmark e prezzi del modello AI openMiMo-V2.6 Pro e Flash: licenza MIT, 1 trilione di parametri, 0,435 USD per milione di token. Benchmark, test in polacco e limiti reali.Leggi →

Chi sono e dove si posizionano nel ranking

Artificial Analysis calcola il suo indice (versione 4.3.2) da 10 test: compiti agentici, programmazione, ragionamento scientifico e conoscenza generale. Di seguito i valori rilevati il 27 settembre 2026. Il costo per compito è il costo medio di un compito dell’indice secondo lo stesso sito, non il costo del nostro test.

Da questa tabella emergono tre cose. Muse Spark è il più veloce nella fascia alta - 214-252 token al secondo, cioè oltre il doppio di Opus 5.5 nella variante xhigh (89). MiMo-V2.6-Pro esegue un compito dell’indice per 0,13 USD, 46 volte meno di Opus nella variante max. Qwen è il polo opposto: costa 5,41 USD per compito, perché nell’indice ha generato 190 milioni di token.

Il nostro test in polacco: risultati

Ogni modello ha ricevuto tramite OpenRouter gli stessi 13 prompt del ranking AI per la scrittura in polacco: 9 compiti di scrittura (articolo, descrizione prodotto, email, post, racconto, titoli, riassunto, traduzione, testo per bambini), due correzioni e due quiz sulla Polonia. Impostazioni come per tutti: effort=low, temperatura predefinita, stessi limiti di token. Le risposte sono state valutate in cieco da tre giudici di aziende diverse (Claude Opus 5.5, GPT-6 Sol, Gemini 3.1 Pro), e il giudice della stessa azienda del modello valutato è stato escluso. Il risultato è 70% valutazioni dei giudici, 20% regole dal prompt e 10% igiene del testo (pause lunghe, riempitivo).

Abbiamo aggiunto al pool quattro ancore dal primo round: Claude Opus 5.5, GPT-6 Luna, Qwen3.8 Max e GLM-5.3. I loro risultati differivano dai precedenti di 0,5-1,3 punti, e l’ordine non è cambiato, quindi la scala è comparabile (lo spostamento medio è stato +0,1 punti). Muse Spark è entrato nel test alcune ore dopo, quindi i giudici lo hanno valutato in un pool separato con le stesse ancore. Lì le ancore differivano dal primo round di 1,0-1,7 punti, l’ordine è rimasto lo stesso, e lo spostamento della scala è stato -0,15 punti.

* con limiti di token uguali, spiegazione sotto. Il costo di Qwen non include il primo tentativo vuoto del 26 settembre (0,0366 USD).
** valutato in un pool separato con le stesse ancore (Opus 5.5 - 91,8, Luna - 81,8, Qwen - 77,5, GLM-5.3 - 62,7). Dopo calibrazione alla scala del primo round: 75,3 punti.

Nella tabella del ranking dei 16 modelli, Muse Spark (75,3 dopo calibrazione) si posizionerebbe all’11° posto, subito dopo Qwen (75,9) e prima di DeepSeek V4 Pro (74,1). MiMo con il risultato di 69,1 si collocherebbe al 14° posto, tra Claude Sonnet 5 (71,9) e Mistral Medium 3.5 (68,0). Qwen è lì decimo, GLM penultimo.

Correzione al risultato di Qwen. Nel primo round (26 settembre) Qwen nella descrizione del prodotto ha ragionato fino al limite di 6000 token e ha restituito una risposta vuota. Abbiamo ripetuto il tentativo con un limite più alto e i giudici hanno valutato quella - il modello ha usato 14.460 token per ragionare su una breve descrizione di prodotto. Gli altri modelli non hanno avuto questa seconda possibilità, quindi è stato un nostro errore di metodo. Se contiamo quel compito come non superato (media giudici 1, regole 0 su 3), Qwen ha 68,2 punti, cioè quasi quanto MiMo (69,1) e nettamente meno di Muse Spark (75,5). In questo round non abbiamo ripetuto nulla con limite più alto. Il quiz vuoto di MiMo non entra nel risultato di scrittura, perché contano solo i compiti T1-T9.

Cosa è emerso nelle risposte

Qwen3.8 Max è stato l’unico dei quattro a rispettare tutte le 26 regole dei prompt e a correggere perfettamente la correzione difficile. I giudici hanno valutato più alto il testo sull’inflazione per bambini (8,89), il racconto (8,56) e i titoli SEO (8,56). Il più debole è stato il riassunto (6,22): “termin wdrożenia nie ustalono“ (termine di implementazione non stabilito) invece di “terminu” e formazioni omesse. Nella traduzione gli idiomi sono venuti bene (“kubeł zimnej wody“ - secchiata d’acqua fredda, “szczęście w nieszczęściu“ - fortuna nella sfortuna), ma sono rimasti “onboardowanie” e “follow-up”.

Muse Spark 1.3 ha i risultati più irregolari. La traduzione con idiomi ha ottenuto 8,67 (“to nie fizyka kwantowa” - non è fisica quantistica, “zimny prysznic” - doccia fredda), il post su LinkedIn 8,56, ma la descrizione del prodotto solo 3,44, perché il modello ha portato il paragrafo alla lunghezza richiesta ripetendo l’intera specifica una seconda volta. Nell’articolo ha aggiunto “(to przykład)“ (questo è un esempio) 20 volte e ha inserito “nie gerçekowa cena rynkowa” (turco-polacco). La media dei giudici (6,78) e la naturalezza (5,63) sono inferiori a MiMo e Qwen, e il punteggio alto lo deve alle regole (25 su 26) e all’igiene del testo: 3 pause lunghe per 1000 parole, il minimo nel gruppo, e zero riempitivo. Oltre alla scrittura quasi perfetto: correzione difficile 29 su 30, entrambi i quiz completi.

MiMo-V2.6-Pro ha scritto il miglior riassunto dell’intero pool (9,44, più alto di Opus 5.5 con 9,33) e una correzione facile impeccabile. Invece il racconto ha ottenuto 5,0 per errori come “Pachniało je zawsze wieczorem“ e “zmoczne”, e nel post su LinkedIn è apparso l’incomprensibile “Nie kubki. Dla nich.”. Per 1000 parole ha inserito 24,6 pause lunghe, contro 5,1 di Opus.

GLM-5.3 in entrambe le esecuzioni ha fatto il maggior numero di errori flessionali e refusi: “w ramach przeprosiny” (nell’ambito della scusa) è apparso in entrambe le versioni dell’email. Nella versione con routing OpenRouter la traduzione ha ottenuto 3,0 (“trzymaliśmy się po dachu“ - ci tenevamo sul tetto, “kwartalele”), e nella versione su Z.ai 8,78. Nel racconto da Z.ai i giudici hanno contato “wypłynął z niej koperta“ (busta nuotò fuori da lei) e “sernak”. Un singolo tentativo per compito significa quindi grande dispersione, ma in media entrambe le versioni sono risultate simili.

Risposte vuote e ragionamento in polacco

Nel precedente test dei modelli cinesi in polacco MiMo-V2.6-Pro ha ragionato cinque volte fino al limite senza restituire testo. Questa volta, con la stessa impostazione effort=low degli altri modelli, ha restituito 12 risposte su 13, perché i prompt nel laboratorio sono più brevi (testi fino a 500 parole). L’unico vuoto è il quiz difficile: 9000 token di ragionamento, 613 secondi, zero testo. Non abbiamo alzato il limite solo per lui, perché avrebbe avuto condizioni migliori degli altri - contiamo il quiz come non superato. Il ragionamento ha consumato l’85% di tutti i token che MiMo ha generato nel test (28,5k su 33,6k).

Abbiamo verificato anche se il problema con il testo lungo è scomparso. Il 27 settembre abbiamo ripetuto quel prompt da 900 parole, con effort=low: 9000 token di ragionamento, 204 secondi, risposta vuota, 0,0079 USD. Nulla è cambiato.

Anche Qwen3.8 Max ragiona molto: 33k token di ragionamento in 13 compiti e quasi 10 minuti per 9 compiti di scrittura. Muse Spark con effort=low ragiona parecchio (17,2k token, 76% dell’output), quindi nonostante i 214-252 token al secondo nelle misurazioni AA, 9 compiti di scrittura gli hanno richiesto 135 secondi, quasi quanto Opus 5.5. GLM-5.3 con effort=low quasi non ragiona (211 token in tutto il test), per questo è il più veloce.

Prezzi per milione di token

Prezzi dei produttori senza IVA, verificati il 27 settembre 2026.

Entrambi i round ci sono costati 3,26 USD: round con MiMo e GLM - 1,66 USD (0,07 USD risposte dei modelli e controllo, 1,59 USD giudici), round con Muse Spark - 1,60 USD (0,10 USD risposte, 1,50 USD giudici). Le risposte delle ancore provengono dal primo round, quindi abbiamo pagato solo per la loro rivalutazione.

Come usarli

• Muse Spark 1.3 - Meta Model API è in anteprima pubblica con “accesso globale esteso”, ma Meta non pubblica l’elenco dei paesi, e a settembre utenti dall’Europa hanno segnalato messaggi di indisponibilità nella regione. Su OpenRouter il modello è disponibile dopo aver confermato l’età 18+ nelle impostazioni dell’account. L’app Muse (agente personale) funziona solo negli USA. Maggiori dettagli nel testo su Muse Spark 1.3.
• MiMo-V2.6-Pro - API su mimo.mi.com, chat gratuita MiMo Studio secondo le FAQ di Xiaomi, tre provider su OpenRouter, pesi su Hugging Face con licenza MIT.
• Qwen3.8 Max - Alibaba Cloud Model Studio nella versione internazionale e OpenRouter (solo Alibaba come provider). Non siamo riusciti a confermare se la versione 0902 sia selezionabile nella chat gratuita Qwen Chat.
• GLM-5.3 - API Z.ai, abbonamento GLM Coding Plan da 18 USD al mese, oltre 30 provider su OpenRouter. La chat su chat.z.ai funziona secondo il sito su GLM-5.3-Flash, non sul modello completo.

Tutti e quattro (tranne le app di Meta) sono più semplici da provare con un unico account su OpenRouter, come abbiamo fatto in questo test. Con Muse Spark bisogna prima confermare l’età nelle impostazioni dell’account - senza questo OpenRouter restituisce errore 403.

Domande frequenti

Quale di questi modelli scrive meglio in polacco?

Nel nostro test Qwen3.8 Max: 76,4 punti su 100, appena prima di Muse Spark 1.3 (75,5). Con limiti di token uguali Qwen ha 68,2 punti e scende dietro Muse e MiMo-V2.6-Pro (69,1). Tutti perdono contro GPT-6 Luna (81,5), che costa una frazione del loro prezzo.

MiMo-V2.6-Pro si blocca ancora con i testi in polacco?

Con prompt più brevi raramente: con effort=low ha restituito 12 risposte su 13, vuoto solo il quiz difficile. Con un testo da 900 parole ragiona ancora fino al limite di 9000 token senza restituire nulla.

Muse Spark 1.3 è disponibile in Italia?

Tramite OpenRouter sì, dopo aver confermato l’età 18+ nelle impostazioni dell’account - senza questo abbiamo ricevuto errore 403, dopo la conferma il test è andato senza problemi. L’accesso a Meta Model API dall’Europa Meta non lo conferma ufficialmente, e l’app Muse funziona solo negli USA.

Perché il risultato nei benchmark differisce dal nostro test?

L’indice di Artificial Analysis misura compiti agentici, programmazione e conoscenza, principalmente in inglese, con ragionamento massimo. Il nostro test verifica la scrittura in polacco con effort=low.

Qual è il più economico?

MiMo-V2.6-Pro: 0,435 USD per milione di token di input e 0,87 USD di output. Il nostro test di 13 compiti è costato 0,03 USD.

// continua a leggereMuse Spark Open: hardware, licenza e test del modello MetaStato dell'IAAlternative a Qwen3.8 Max Prime: modelli ordinati per prezzoNotizieQuattro modelli di IA, un compito: perché scrivo ancora da soloMagazine

Kinetyra