mimo-v2.6-pro vs gpt-6-astra：自転車に乗るペリカン、キャンディ箱ほか 8 つの遊び心あるプローブ実測 ― ついでに API 経路の「性能劣化」を 1 件捕捉

まず結論、次にその結論に割引が必要な理由。

要約#

• 8 つのプローブ × 各 3 回 = 採点対象 48 呼び出し：mimo-v2.6-pro 23/24、gpt-6-astra 24/24。
• 「古典的な引っかけ問題」7 問（キャンディ箱の心の理論、r の数え上げ、9.11 と 9.9、退化した川渡り、Alice の姉妹、中国語折句、自己言及の語数文）は両モデルとも全回正解。この種の問題はもう 2026 年のフラッグシップを区別できない。
• 唯一差がついたのは**「自転車に乗るペリカン」の SVG**。gpt-6-astra は 3/3 で描画、mimo は 2/3 で、1 回は 331 秒考え続け、16,000 トークンをすべて推論で使い切り、空文字列を返した。差は上限ではなく安定性 ― mimo の最良の 1 枚は gpt と同等。
• 実際の課金：gpt-6-astra 28 回で $0.261**、mimo 28 回で **$0.028、9.3 倍。ただしそのかなりの部分はモデル価格差ではない（次項）。
• 開示：今回 gpt-6-astra が乗った既定ルートは、毎リクエストに約 4,100 トークンの見えないプレフィックスを注入しており（単なる "hi" で prompt_tokens=4121）、サンプリングの多様性も異常に低い。本稿の gpt-6-astra の数値はすべて「2026-09-22 にその経路経由で到達した gpt-6-astra」を表し、OpenAI ネイティブ API を表すものではない。

なぜ開示が先か：API 経由で測っているのは、必ずしもモデルそのものではない#

比較の前に、両ラインのルーティングを確認した。多くのベンチマーク記事はこの手順を省くが、これが数値の価値を決める。

つまり、この回線の gpt-6-astra への各リクエストには見えないシステムプロンプトが付いている。影響は三つ：モデルの挙動が見えないプロンプトに左右されうる、毎回約 $0.013 の固定入力コストがかかる、usage フィールドの透過が不完全。mimo の回線は公式直結・注入ゼロ・usage 完備。

これが俗に言う「API での性能劣化」の具体的な一形態だ。モデルが劣化したのではなく、呼び出している対象と公式 API の間にラッパーが挟まっている。ゲートウェイ、アグリゲーター、再販回線のいずれにも起こりうる ― 私たち自身の既定ルートも含めて。確認方法はただ一つ：「hi」を送って prompt_tokens が一桁かどうかを見る。

一般的な注意をあと二つ。各プローブ 3 回はサンプルが小さく、「その日その経路で安定して解けたか」しか示さない。両ファミリーはトークナイザーが異なるためトークン数はファミリー間で割り算できず、比較するのは正答率・出力文字数・課金額・秒数のみ。

対象モデルと価格#

価格は Crazyrouter の料金ページ、課金額はトークン単位の利用ログから。

テスト環境#

両モデルとも同じ OpenAI 互換エンドポイント、システムプロンプトなし、既定の温度、非ストリーミング：

curl https://api.crazyrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $CRAZYROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.6-pro",
    "messages": [{"role": "user", "content": "Generate an SVG of a pelican riding a bicycle. Output only the SVG code, no explanation, no markdown fences."}],
    "max_tokens": 16000
  }'

各呼び出しで id、usage（reasoning_tokens 含む）、finish_reason、所要時間、本文全体を記録。SVG は Playwright で 480px PNG にレンダリングし目視採点。

8 つのプローブと結果#

いくつかのサンプル。

折句、mimo の 3 回：

路远山川阔 / 由来天地长 / 更逢春雨后 / 快马踏花香
路途远且长 / 由山入云间 / 更上一重岭 / 快马踏清风
路远行人稀 / 由来秋意深 / 更向孤村去 / 快马踏寒林

折句、gpt-6-astra の 3 回：

路远逐晨光 / 由心向远方 / 更登千仞岭 / 快意任翱翔
路远春风近 / 由心逐晓光 / 更登千仞岭 / 快意览朝阳
路远春风近 / 由心逐晓光 / 更登千里岫 / 快意向朝阳

自己言及文 ― mimo："This sentence has five words."（5、真）；gpt："This sentence contains exactly seven English words."（7、真）。

ペリカン：唯一差がついたプローブ#

Simon Willison の古典的ベンチマークで、画像を一切見せずに「自転車に乗るペリカン」の SVG コードを書かせる。二つの複雑な物体の空間関係を座標として表現できるかを測る。

SVG 原本（モデル出力そのまま、無修正）： mimo #0 · mimo #2 · gpt-6-astra #0 · gpt-6-astra #1 · gpt-6-astra #2

三つの観察：

1. gpt-6-astra の 3 枚は同一テンプレートの色違い ― 同じ浜辺、雲、くちばしの形、マフラー。折句と自己言及文の「3 回ほぼ同答」と合わせると、この回線のサンプリング多様性はほぼゼロで、ラッパーが温度を固定しているように見える。経路の問題かモデルの特性かは今回は切り分けられない。
2. mimo は回ごとのばらつきが大きい。良いときは gpt と同等、悪いときは呼び出しが丸ごと無駄になる。無駄になった回の実費は $0.0139 で mimo の今回最高額、しかも呼び出し側が受け取ったのは空文字列。
3. 所要時間：gpt は 82〜96 秒で安定、mimo は 43〜331 秒。

レイテンシ#

短答は mimo がやや速く、長文出力は gpt が安定。

本番導入への助言#

mimo-v2.6-pro ― というより推論モデル全般 ― を組み込むなら「推論が予算を食い尽くす」ケースを必ず処理する：

resp = client.chat.completions.create(model="mimo-v2.6-pro", messages=msgs, max_tokens=8000)
choice = resp.choices[0]
if choice.finish_reason == "length" and not choice.message.content:
    # 思考が予算を使い切り本文が空：
    # max_tokens を絞って再試行するか別モデルへ。空文字列を結果として保存しない
    ...

max_tokens は大きいほど安全というわけではない。mimo の暴走は、16,000 トークンの予算が計画を続けさせたからこそ起きた。決定的なタスクなら 4,000〜8,000 のほうが安定することが多い。

海外フラッグシップを組み込む前に "hi" プローブを 1 回：prompt_tokens が一桁か、id が公式形式か、usage が完備しているかを確認する。どれか一つでも外れていれば間に層があり、ベンチマークもコスト見積もりもやり直しになる。Crazyrouter のルーティングインスペクタは、モデルが現在どのチャネルに乗り候補が何本あるかを表示する。登録後、モデルページで各モデルのエンドポイントと価格を確認できる。

用途別の選び方#

• 毎回必ず返ってくるべきコード・構造化出力：今回 gpt-6-astra 3/3 vs mimo 2/3 ― 安定性で明確に優位。
• 大量の短い Q&A、コスト重視：正答率は同じ、mimo は 9 倍安く、やや速い。
• 中国語の制約付き作文：両者とも制約を満たす。多様性は mimo が上。
• コスト管理に reasoning_tokens が必要：mimo は毎回返す。gpt-6-astra の回線は返すときと返さないときがある。

FAQ#

Q：なぜ標準ベンチマークではなく遊び心のあるプローブなのか？ 標準ベンチマークは学習データに混入している可能性が高い。遊び心のあるプローブ ― 特にペリカン SVG ― は空間関係をその場で座標に落とし込む必要があり、暗記のしようがない。欠点は採点が主観的になることで、そのため原本をすべて公開している。

Q：mimo の空出力はプラットフォーム側の問題？ 違う。finish_reason=length、reasoning_tokens=16003、content="" はいずれも上流からそのまま返ってきたもので、公式直結・注入ゼロの回線だ。オープンエンドな長文出力タスクにおける推論モデルの既知のリスク。

Q：gpt-6-astra に注入されている 4,100 トークンとは？ 中間層が付加するプレフィックスで、3,968 トークンがキャッシュヒット、28 回すべて同一。中身は見ていない（レスポンスに含まれない）。prompt_tokens から推定しただけ。影響を排除するには OpenAI 公式チャネルに固定して再測定する必要があり、それは次回。

Q：9.3 倍のコスト差のうち注入分はどれくらい？ 28 回で約 115K の入力トークン、うち 111K がキャッシュヒット（キャッシュ入力は入力価格の 10% で課金）― おおよそ $0.076、$0.261 の 29%。残りが実際のモデル価格差。

Q：なぜマルチモーダルを測らない？mimo はオムニモーダルでは？ 今回はテキストのみ。画像・動画入力は別計画。

Q：3 回で足りる？ 「どちらが賢いか」を言うには足りない。「ある回線が 3 回同じ答えを返す」「あるモデルが 3 回に 1 回暴走する」といった安定性のシグナルを拾うには足りる。今後、18.7K トークンの長文脈・偽前提問題（各 6 回）と重い推論問題（各 13 回）を追加する。

関連記事#

• gpt-6-astra vs Claude Fable 5.1：出力文字数 60% 減 ― ただし一部は答えが減っただけ
• Claude Fable 5.1 vs Fable 5：出力効率・正答性・エラーにならない破壊的変更
• なぜ OpenRouter ではなく Crazyrouter なのか？三つの具体的な違い
• 料金 · ドキュメント

最終判断#

2026 年 9 月時点、この二つの具体的な経路において：遊び心のあるプローブでは知能の差は測れず、測れたのは安定性（gpt は安定、mimo は暴走リスクあり）とコスト（mimo は一桁安い）。だがそれ以上に持ち帰るべきは両者の前にある一点 ― ベンチマークの前に "hi" を送り、本当に誰と話しているのかを確かめること。

次回：同じペアで長文脈と重い推論。gpt-6-astra を公式チャネルに固定して「3 回同答」を検証。その後は計画どおり mimo-v2.6-flash vs claude-sonnet-4-6、kimi-k2.7-code vs claude-opus-5。