I sei modelli di AI cinesi più interessanti adesso

Nel 2026 l’intelligenza artificiale cinese è diventata un fronte competitivo autonomo, con modelli che entrano stabilmente nelle classifiche internazionali e che, in alcuni ambiti, riducono la distanza dai sistemi proprietari più forti.

La svolta si misura soprattutto nel codice, nei contesti lunghi, nell’uso degli strumenti e nella capacità di trasformare un modello linguistico in un agente capace di lavorare dentro processi reali.

La fotografia aggiornata mette in evidenza sei nomi:

• GLM-5.2 di Z.ai
• Kimi K3 di Moonshot AI
• MiMo-V2.5-Pro di Xiaomi
• MiniMax-M3
• DeepSeek V4-Pro e
• Qwen3.7-Max di Alibaba.

Non sono modelli equivalenti, né appartengono alla stessa categoria commerciale.

GLM-5.2, Kimi K2.7 Code, MiniMax-M3, MiMo-V2.5-Pro e DeepSeek V4-Pro sono al centro della corsa open weight.

Qwen3.7-Max rappresenta invece la punta proprietaria dell’ecosistema Alibaba. Proprio questa differenza rende utile il confronto. Il vertice cinese si muove lungo linee diverse: apertura dei pesi, costo di inferenza, agenti software, integrazione cloud, multimodalità e progressiva autonomia dall’hardware statunitense.

Questa sintesi aiuta a leggere la nuova gerarchia senza trasformare i benchmark in una classifica rigida:

Modelli AI cinesi: una prima fascia, non una classifica definitiva

Ordinare oggi i modelli di intelligenza artificiale come se esistesse un podio immobile sarebbe fuorviante. Le leaderboard cambiano con grande rapidità, i test premiano capacità diverse e le condizioni di esecuzione incidono molto sui risultati.

Un modello può essere eccellente nel coding agentico e meno convincente nella conoscenza fattuale. Un altro può offrire una migliore esperienza via API, ma non permettere audit o deployment indipendenti perché i pesi restano chiusi.

Nella fotografia di fine aprile, Artificial Analysis, una piattaforma specializzata nel confronto indipendente tra modelli, collocava Kimi K2.6 e MiMo-V2.5-Pro in testa tra gli open weight nel suo Intelligence Index, con DeepSeek V4-Pro immediatamente dietro. La stessa analisi segnalava però che i modelli aperti cinesi restavano distanti dai migliori sistemi proprietari nelle prove più dure di ragionamento, conoscenza e coding terminale. È qui che la lettura deve essere precisa.

La Cina aveva già portato i modelli open weight vicino alla frontiera, soprattutto nei compiti tecnici, senza cancellare il vantaggio dei sistemi chiusi più forti in tutte le dimensioni.

Il quadro è cambiato a metà giugno con GLM-5.2. Artificial Analysis lo indica come nuovo modello open weight di riferimento nel suo Intelligence Index v4.1, con un punteggio di 51 davanti a MiniMax-M3, DeepSeek V4-Pro e Kimi K2.6. La stessa valutazione lo colloca in testa anche su GDPval-AA v2, benchmark orientato alle prestazioni agentiche su lavoro reale, pur segnalando un consumo di token superiore a quello di altri modelli aperti. Il salto non rende irrilevanti gli altri sistemi cinesi: sposta però il confronto dalla sola presenza in classifica alla capacità di sostenere task lunghi, costosi e ripetuti con un rapporto credibile tra qualità e prezzo.

Qwen3.7-Max va letto in questo quadro come un caso diverso. Non compete sul terreno della disponibilità dei pesi, ma su quello del servizio gestito, dell’integrazione cloud e della continuità dell’ecosistema Qwen. Per molte aziende la scelta tra questi modelli non dipenderà solo dal punteggio in un benchmark, ma dal tipo di controllo richiesto sull’infrastruttura, dal costo, dalla latenza, dalla governance dei dati e dal grado di autonomia concesso agli agenti.

GLM-5.2 e il nuovo riferimento per i modelli AI cinesi open weight

GLM-5.2 è il modello che ha aggiornato la mappa della fascia alta cinese. La scheda pubblicata da Z.ai su [Hugging Face](https://huggingface.co/zai-org/GLM-5.2) lo presenta come un modello pensato per **long-horizon tasks**, con contesto da un milione di token, coding avanzato con livelli di effort regolabili e licenza MIT. L’azienda rivendica anche una revisione architetturale, IndexShare, pensata per ridurre i FLOPs per token nei contesti da un milione di token, e un miglioramento del Multi-Token Prediction per la decodifica speculativa.

Il dato che pesa di più è la combinazione tra apertura dei pesi e risultato indipendente. Nell’articolo del 16 giugno 2026, Artificial Analysis attribuisce a GLM-5.2 744 miliardi di parametri totali e 40 miliardi attivi, un contesto da un milione di token e la leadership tra gli open weight nel suo Intelligence Index v4.1. Il confronto è rilevante perché colloca il modello sopra MiniMax-M3, DeepSeek V4-Pro e Kimi K2.6 nella stessa metrica, ma la lettura deve restare prudente: il punteggio misura un paniere specifico di valutazioni, non una superiorità generale in ogni uso aziendale.

GLM-5.2 è interessante per assistenti di sviluppo, automazione documentale, agenti che lavorano su repository estesi e workflow in cui il costo per task conta quanto la qualità. Artificial Analysis segnala anche un limite operativo: il modello usa molti output token per task, una quota rilevante dei quali è dedicata al ragionamento. In produzione questo può incidere sul costo reale, sulla latenza e sulla prevedibilità dei budget, soprattutto quando l’agente esegue cicli lunghi con molte chiamate a strumenti.

La novità è anche geopolitica. Un modello open weight con prestazioni vicine alla frontiera abbassa la barriera di accesso per team che non vogliono dipendere solo da API proprietarie occidentali. La licenza MIT rende GLM-5.2 più flessibile per sperimentazione, deployment indipendente e integrazione in stack controllati dall’azienda. Resta però il lavoro più difficile: sicurezza del ciclo agentico, logging, valutazioni interne, gestione dei dati e policy su cosa un agente può modificare senza supervisione.

Kimi K2.7 Code, Kimi 3 e il ruolo dei modelli AI cinesi negli agenti software

La gerarchia della famiglia Kimi è cambiata il 16 luglio 2026, quando Moonshot AI ha presentato Kimi K3 come il proprio modello flagship più avanzato. Il nuovo sistema conta 2,8 trilioni di parametri complessivi ed è basato su Kimi Delta Attention, un meccanismo ibrido di attenzione lineare, affiancato da Attention Residuals. K3 introduce inoltre la comprensione visiva nativa e porta la finestra di contesto a un milione di token. Moonshot lo destina al software engineering di lunga durata, al knowledge work e ai compiti di ragionamento complesso.

Kimi K2.7 Code non viene però ritirato. Nel catalogo ufficiale resta disponibile come modello specializzato nella programmazione, con una finestra di contesto da 256 mila token. È presente anche una variante Highspeed, per la quale Moonshot dichiara una velocità di circa 180 token al secondo, con picchi fino a 260 token al secondo nei contesti brevi. Kimi K3 assume invece il ruolo di modello generalista di punta ed è già accessibile tramite Kimi Code, le applicazioni Kimi e l’API dell’azienda.

Kimi K2.6 aveva consolidato Moonshot AI nella fascia alta internazionale. La scheda pubblicata su Hugging Face lo descrive come un modello Mixture-of-Experts da circa un trilione di parametri totali, con 32 miliardi di parametri attivi per token e una finestra di contesto da 256 mila token. È distribuito con licenza Modified MIT e supporta input testuali, immagini e video, con output testuale. Per un modello open weight, questa combinazione di scala, multimodalità e disponibilità dei pesi resta particolarmente interessante.

Il suo profilo non nasce però dalla sola architettura. Moonshot lo presenta come un modello pensato per il coding di lungo orizzonte, la generazione di interfacce, l’esecuzione autonoma e la coordinazione di più agenti. Artificial Analysis lo aveva indicato come uno dei riferimenti open weight della primavera 2026, con prestazioni elevate nei compiti agentici e un uso consistente di token di ragionamento. Quest’ultimo aspetto è rilevante perché segnala una maggiore profondità di elaborazione, ma può incidere sui costi quando il modello viene usato in cicli lunghi.

L’aggiornamento di giugno è Kimi K2.7 Code, modello più specializzato per il coding. La documentazione della piattaforma Kimi lo definisce il modello di coding più forte della famiglia, con finestra da 256 mila token, input testo, immagini e video, thinking mode e una variante highspeed per scenari di agenti di programmazione. La scheda Hugging Face aggiunge che K2.7 Code è costruito su K2.6 e riduce in media di circa il 30% l’uso dei thinking token rispetto al predecessore, migliorando le attività di software engineering di lungo periodo.

Kimi K2.7 Code non sostituisce K2.6 in ogni scenario. K2.6 resta più generalista, con modalità thinking e non-thinking, ed è più adatto quando il lavoro non è centrato sul codice. K2.7 Code diventa invece la scelta naturale per agenti di sviluppo, refactoring multi-file, debugging prolungato e workflow in cui il modello deve conservare coerenza tra più turni. Anche qui la disponibilità dei pesi non trasforma il modello in una soluzione semplice da gestire: servono infrastruttura, monitoraggio, limiti operativi e test su repository reali. Un agente capace di lavorare a lungo è utile solo se l’ambiente in cui opera gli permette di correggersi senza produrre danni.

MiniMax-M3, multimodalità nativa e contesto da un milione di token

MiniMax-M3 è il nuovo nome che entra nella fascia alta dopo la fotografia di maggio. Il modello è stato annunciato da MiniMax il 1° giugno 2026 e la scheda su Hugging Face lo descrive come un modello multimodale nativo con contesto da un milione di token, circa 428 miliardi di parametri totali e circa 23 miliardi attivi. Il punto distintivo è la combinazione tra coding, capacità agentiche, input testuali, immagini e video.

MiniMax insiste sulla MiniMax Sparse Attention, architettura pensata per rendere più efficiente il lavoro sui contesti lunghi. Nella presentazione ufficiale, l’azienda dichiara accelerazioni molto elevate rispetto alla generazione precedente nel prefilling e nella decodifica a un milione di token. Sono numeri del produttore e vanno trattati come tali, ma indicano la direzione: non basta aumentare la finestra di contesto se il costo computazionale rende impraticabile l’uso agentico su larga scala.

L’inserimento di MiniMax-M3 accanto a GLM-5.2, Kimi K2.7 Code, MiMo-V2.5-Pro e DeepSeek V4-Pro chiarisce un punto: la competizione cinese non riguarda più soltanto modelli testuali per coding. La frontiera si sta spostando verso sistemi in grado di leggere media diversi, lavorare con strumenti esterni, mantenere memoria operativa su sessioni lunghe e adattare il livello di ragionamento al task. Per le imprese, questo amplia i casi d’uso possibili, ma rende più complessa la valutazione: un modello multimodale può essere migliore per workflow documentali, design, automazione d’ufficio e agenti su interfacce grafiche, mentre un modello text-only può restare preferibile per coding puro, costi o deployment controllato.

MiMo-V2.5-Pro, l’ingresso di Xiaomi nella fascia alta

MiMo-V2.5-Pro è il nome che ha cambiato la percezione del ruolo di Xiaomi nell’AI generativa. L’azienda non si limita più a essere un grande produttore di dispositivi e piattaforme consumer. Con questo modello entra nel gruppo dei laboratori cinesi capaci di competere nella fascia alta open weight. La pagina ufficiale descrive MiMo-V2.5-Pro come un MoE da 1,02 trilioni di parametri totali, con 42 miliardi attivi, architettura hybrid-attention e finestra di contesto fino a un milione di token.

La direzione è chiara. MiMo-V2.5-Pro non viene presentato come un chatbot generalista, ma come un modello per software engineering complesso, compiti agentici e lavoro di lunga durata. Xiaomi insiste sulla capacità di sostenere migliaia di chiamate a strumenti, mantenendo coerenza sulle istruzioni anche in contesti molto estesi. Le dimostrazioni ufficiali, come la costruzione di un compilatore o di applicazioni complete, restano prove del produttore e vanno interpretate con prudenza. Tuttavia, la presenza del modello nella fascia più alta delle valutazioni indipendenti conferma che non si tratta di un rilascio marginale.

Il valore di MiMo-V2.5-Pro sta anche nel profilo industriale del soggetto che lo produce. Xiaomi ha un ecosistema hardware e software ampio, una base utenti globale e un interesse evidente per agenti che possano operare su dispositivi, applicazioni e servizi. Il modello non va quindi letto solo come un esercizio di ricerca. È un tassello di una strategia più ampia, nella quale l’AI generativa può diventare uno strato operativo distribuito tra cloud, device e strumenti di sviluppo.

Dopo la fase iniziale di test pubblico, Xiaomi ha pubblicato i pesi della serie MiMo-V2.5 con licenza MIT. L’azienda consente l’impiego commerciale, il fine-tuning e l’addestramento secondario senza richiedere autorizzazioni aggiuntive. La serie comprende MiMo-V2.5-Pro, ottimizzato per coding, agenti e attività complesse, e MiMo-V2.5, modello nativamente multimodale capace di elaborare testo, immagini, video e audio. Entrambe le versioni supportano una finestra di contesto da un milione di token.

Sul piano applicativo, MiMo-V2.5-Pro alimenta ora MiMo Claw, un agente interamente basato sul cloud e ottimizzato per il framework OpenClaw. Il servizio è integrato con Kingsoft Office e permette di lavorare con documenti Word, Excel, PowerPoint e PDF, combinando generazione, anteprima ed editing. Secondo Xiaomi, il sistema può inoltre gestire più di mille chiamate consecutive a strumenti durante una singola sessione. Si tratta di dati e caratteristiche dichiarati dal produttore, che richiedono verifiche indipendenti prima di essere assunti come prestazioni generalizzabili.

Xiaomi ha inoltre introdotto MiMo-V2.5-Pro-UltraSpeed, una modalità di inferenza destinata agli scenari che richiedono risposte in tempo reale. La documentazione ufficiale indica una velocità compresa approssimativamente tra 500 e 1.000 token al secondo, rispetto ai 50-100 token al secondo della modalità ordinaria. L’accesso rimane limitato e soggetto ad approvazione quotidiana, con priorità per le organizzazioni professionali. Anche in questo caso, i valori sulla velocità provengono direttamente dall’azienda e non equivalgono a una validazione indipendente su carichi produttivi.

DeepSeek V4-Pro, chip nazionali e autonomia dei modelli AI cinesi

DeepSeek V4-Pro è il modello con la maggiore carica geopolitica. La serie V4 è stata annunciata in preview il 24 aprile 2026 in due varianti, Pro e Flash. La versione Pro conta 1,6 trilioni di parametri totali e 49 miliardi attivi; la versione Flash è più piccola e più economica, con 284 miliardi di parametri totali e 13 miliardi attivi. Entrambe supportano una finestra di contesto da un milione di token. DeepSeek presenta V4 come un rilascio open source orientato all’efficienza nei contesti lunghi, con una nuova architettura progettata per ridurre calcolo e memoria rispetto alla generazione precedente.

Il passaggio più rilevante non riguarda soltanto il modello. L’interesse per DeepSeek V4-Pro si inserisce nel tentativo cinese di collegare modelli, cloud e semiconduttori nazionali. In un settore condizionato dalle restrizioni statunitensi sulle gpu avanzate, l’integrazione tra software di frontiera e acceleratori domestici diventa un elemento di politica industriale. DeepSeek non compete solo sul prezzo o sulle prestazioni. Con V4-Pro si colloca al centro del tentativo cinese di ridurre la dipendenza dall’hardware occidentale più avanzato.

Sul piano applicativo, V4-Pro è forte dove servono contesti lunghissimi, agenti software e costi più controllabili rispetto ai modelli proprietari di frontiera. La stessa valutazione indipendente che ne riconosce il salto prestazionale segnala però una debolezza importante nella calibrazione fattuale. Nelle prove di conoscenza, il modello tende a rispondere anche quando dovrebbe astenersi. Per usi in ambito legale, sanitario, finanziario o di compliance, questo limite pesa. V4-Pro può essere un motore potente per sistemi agentici, ma richiede retrieval, controlli esterni, logging e supervisione umana quando l’accuratezza documentale è critica.

Qwen3.7-Max, la via proprietaria di Alibaba

Qwen3.7-Max è il modello più diverso del gruppo. Alibaba lo rende disponibile attraverso Model Studio, quindi come servizio e non come rilascio open weight. Questa scelta riduce la libertà di audit e deployment indipendente, ma semplifica l’adozione per chi lavora già dentro l’ecosistema Alibaba Cloud o preferisce un’integrazione via API gestita dal fornitore.

Il modello sostituisce Qwen3.6-Max-Preview come riferimento più aggiornato della traiettoria proprietaria di Alibaba. La documentazione di Alibaba Cloud, aggiornata il 2 luglio 2026, elenca qwen3.7-max tra i modelli Qwen consigliati per text generation e include, nello stesso Model Studio, anche modelli terzi come DeepSeek V4-Pro, Kimi K2.7 Code e GLM-5.2. La pagina promozionale di Qwen3.7-Max lo presenta come modello flagship progettato per scenari agentici, con miglioramenti nel ragionamento a lungo contesto, nella comprensione cross-file del codice e nell’esecuzione di task ingegneristici complessi.

Per un’impresa, Qwen3.7-Max può essere interessante quando contano stabilità del servizio, documentazione, funzioni per agenti e integrazione con infrastrutture già esistenti. È meno adatto a chi vuole pieno controllo sui pesi, personalizzazione profonda o deployment sovrano. In questo senso rappresenta la traiettoria cinese più vicina ai grandi modelli proprietari occidentali, dove il valore non sta nell’apertura, ma nell’affidabilità del servizio e nella velocità con cui il fornitore aggiorna la piattaforma.

Come scegliere un modello AI cinese: i criteri che contano davvero

La crescente qualità dei modelli cinesi rende la scelta meno banale di quanto sembri. Non esiste infatti un “migliore” in assoluto: la decisione dovrebbe partire dal caso d’uso e dall’architettura aziendale, non dalle classifiche pubblicate sui benchmark. Un modello eccellente nella programmazione può risultare mediocre nella ricerca documentale, mentre uno ottimizzato per ragionamento complesso potrebbe avere costi di inferenza incompatibili con applicazioni che richiedono milioni di richieste al giorno.

Il primo elemento da valutare è il modello di distribuzione. Un modello open weight consente maggiore controllo, possibilità di audit, personalizzazione e installazione su infrastrutture proprie o cloud privati, riducendo il lock-in verso il fornitore. Un modello disponibile solo tramite API proprietarie può invece offrire aggiornamenti continui, maggiore semplicità di integrazione e minori costi operativi iniziali, ma comporta una dipendenza tecnologica più forte.

Il secondo criterio riguarda il costo totale di utilizzo. Non bisogna guardare soltanto il prezzo delle API o dell’abbonamento, ma il costo per task realmente svolto: lunghezza dei prompt, numero di token generati, frequenza delle chiamate, eventuale utilizzo di agenti, strumenti esterni e ragionamento avanzato possono moltiplicare rapidamente la spesa. Per molte aziende il costo dell’inferenza diventerà più rilevante del costo di sviluppo.

Fondamentali sono poi gli aspetti di governance e conformità. Occorre verificare dove vengono elaborati i dati, quali condizioni di licenza disciplinano il modello, quali garanzie contrattuali offre il provider, come vengono gestiti logging e conservazione delle richieste e se l’utilizzo è compatibile con le policy aziendali e con gli obblighi derivanti dall’AI Act europeo. Per applicazioni critiche diventa inoltre importante conoscere la frequenza degli aggiornamenti del modello, la disponibilità di documentazione tecnica e la trasparenza sulle modifiche introdotte nelle nuove versioni.

Infine, nessun benchmark pubblico può sostituire una valutazione sul campo. Il vero confronto dovrebbe essere effettuato sui documenti, sul codice, sulle basi dati e sui processi reali dell’organizzazione, misurando accuratezza, tempi di risposta, affidabilità fattuale, consumo di risorse, robustezza agli errori e costo per risultato ottenuto. Sempre più imprese stanno infatti abbandonando l’idea di scegliere un unico modello universale e adottano invece strategie multi-modello, utilizzando sistemi diversi a seconda del tipo di attività da svolgere. In questa prospettiva, la domanda non è quale sia il miglior modello cinese, ma quale sia quello che produce il miglior equilibrio tra prestazioni, costi, controllo e rischio per quello specifico contesto operativo.

Cosa indicano davvero questi modelli AI cinesi

GLM-5.2, Kimi K2.7 Code, MiniMax-M3, MiMo-V2.5-Pro, DeepSeek V4-Pro e Qwen3.7-Max raccontano risposte diverse alla stessa domanda: come trasformare un modello linguistico in un’infrastruttura utile. Z.ai punta su apertura, contesto da un milione di token e prestazioni agentiche. Moonshot specializza la famiglia Kimi sul coding di lunga durata.

Con Kimi K3, Moonshot amplia però questa traiettoria e affianca al modello specializzato nel codice un nuovo flagship multimodale, progettato anche per il knowledge work, il ragionamento e gli agenti impegnati in attività di lunga durata.

MiniMax porta nella fascia alta la multimodalità nativa. Xiaomi collega agenti e visione industriale di prodotto. DeepSeek spinge su efficienza, costo e hardware nazionale. Alibaba mantiene una strategia cloud-first, con un modello proprietario pensato per integrazioni rapide.

Restano fuori nomi importanti come Baidu, Tencent, ByteDance e StepFun. Non significa che siano marginali. Alcuni laboratori cinesi sono forti in video, applicazioni consumer, multimodalità o prodotti verticali. La scelta dei modelli qui analizzati risponde a un criterio preciso: rappresentare le traiettorie più visibili della fascia alta cinese tra aprile e luglio 2026, senza trasformare una fotografia temporanea in una graduatoria definitiva.

La conclusione più solida è che la competizione si è spostata. Non basta più chiedere quale modello risponda meglio a una domanda. Conta sapere quale modello può lavorare su un repository per ore, leggere un contesto da centinaia di migliaia o un milione di token, usare strumenti esterni senza perdere coerenza, costare abbastanza poco da essere adottato su larga scala e integrarsi con l’infrastruttura disponibile. Su questo terreno la Cina è ormai un attore di primo piano. Non ha chiuso ogni distanza con i migliori sistemi proprietari occidentali, ma ha costruito una fascia open weight molto competitiva e una filiera sempre più autonoma. È questo, più del singolo punteggio in una leaderboard, il fatto tecnologico da osservare.

Bibliografia

Z.ai, “GLM-5.2”, scheda modello su Hugging Face
https://huggingface.co/zai-org/GLM-5.2

Z.ai, “GLM-5.2: Built for Long-Horizon Tasks”, blog ufficiale
https://z.ai/blog/glm-5.2

Artificial Analysis, “GLM-5.2 is the new leading open weights model on the Artificial Analysis Intelligence Index”, 16 giugno 2026
https://artificialanalysis.ai/articles/glm-5-2-is-the-new-leading-open-weights-model-on-the-artificial-analysis-intelligence-index

Moonshot AI, “Kimi K2.7 Code”, scheda modello su Hugging Face
https://huggingface.co/moonshotai/Kimi-K2.7-Code

Kimi API Platform, documentazione ufficiale su Kimi K2.7 Code e Kimi K2.6
https://platform.kimi.ai/docs/overview

MiniMax AI, “MiniMax M3: Frontier Coding, 1M Context, Native Multimodality — All in One Model”, 1 giugno 2026
https://www.minimax.io/blog/minimax-m3

MiniMax AI, “MiniMax-M3”, scheda modello su Hugging Face
https://huggingface.co/MiniMaxAI/MiniMax-M3

Xiaomi MiMo Team, “MiMo-V2.5-Pro”, pagina ufficiale, 27 aprile 2026
https://mimo.xiaomi.com/mimo-v2-5-pro/

Xiaomi MiMo Team, “MiMo-V2.5-Pro”, scheda modello su Hugging Face
https://huggingface.co/XiaomiMiMo/MiMo-V2.5-Pro

DeepSeek, “DeepSeek V4 Preview Release”, documentazione API ufficiale, 24 aprile 2026
https://api-docs.deepseek.com/news/news260424

DeepSeek, “DeepSeek-V4-Pro”, scheda modello su Hugging Face
https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro

Alibaba Cloud Model Studio, “Recommended models”, aggiornato al 2 luglio 2026
https://www.alibabacloud.com/help/en/model-studio/models

Alibaba Cloud, “Qwen3.7-Max limited-time offer”, giugno 2026
https://help.aliyun.com/en/lingma/product-overview/qwen3-7-max-limited-time-offer

Moonshot AI, “Kimi K3”, documentazione ufficiale e guida API, 16 luglio 2026.

Moonshot AI, “Model List”, catalogo ufficiale dei modelli Kimi.

MiniMax, “MiniMax M3: Frontier Coding, 1M Context, Native Multimodality — All in One Model”, documentazione ufficiale.

Xiaomi MiMo, “Xiaomi MiMo-V2.5 series open-sourced”, documentazione ufficiale.

Xiaomi MiMo, “MiMo-V2.5-Pro-UltraSpeed”, scheda ufficiale del servizio.

Xiaomi MiMo, “Xiaomi MiMo Claw Official Release”, documentazione ufficiale, 29 giugno 2026.

DeepSeek, “DeepSeek V4 Preview Release”, documentazione API ufficiale, 24 aprile 2026.

Alibaba Cloud Model Studio, “Recommended Models”, aggiornato il 15 luglio 2026.