Mercury 3 مقابل Muse Wonder: اثنتان وثلاثون ثانية حتى أول توكن

ثمة رقم مقيس في هذه المقارنة ينبغي أن ينهي الجدل قبل أن يبدأ. تسجّل Artificial Analysis زمن Muse Wonder حتى أول رمز عند 32.08 ثانية. وتزعم Mercury 3 إنتاج 1,068 رمزًا مخرجًا في الثانية دون أي قياس مستقل على الإطلاق. يستغرق أحد النموذجين نصف دقيقة ليبدأ الإجابة؛ أما الآخر فيقول إنه يكتب ألف كلمة في المدة التي تستغرقها قراءة هذه الجملة. من حيث زمن الاستجابة، إنهما ليسا في الفئة نفسها من المنتجات، ولا يسدّ أي تفوق في الاختبارات المعيارية فجوة تبلغ ثلاثين ضعفًا في موعد ظهور أول حرف. إن حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة التي تقف وراء إصدارات كهذا الإصدار مجموعة في أرشيف حوادث الذكاء الاصطناعي OrcaRouter حيث تحمل كل مدخلة مصادرها ودرجة خطورتها ودرجة ثقتها وعلامة كونها محل نزاع.

لكن هذه هي النسخة السهلة من القصة، وهي مضللة في جانب مهم واحد. لا تحاول Muse Wonder أن تكون سريعة. أطلقت Meta نموذج Muse Wonder في 12 أكتوبر 2026 بوصفه نموذج استدلال رائدًا بسعر 4.00 دولارات لكل مليون رمز إدخال و20.00 دولارًا لكل مليون رمز إخراج، وعند هذا السعر يكون ما يُشترى هو العمق — نموذج يفكر لمدة ثلاثين ثانية ويصل إلى الحل الصحيح للمسألة الصعبة. أما Mercury 3، الذي أطلقته Inception في 19 أكتوبر 2026، فسعره أقل بعشرين إلى خمسين مرة لأنه يبيع المقايضة المعاكسة. السؤال الذي يواجهه المطوّر فعليًا ليس أيّهما أفضل. بل أي مقايضة يقدّمها منتجك، وهل كنت صادقًا مع نفسك بشأن أي المقايضتين هي.

النموذجان، كلٌّ منهما في فقرة واحدة

Mercury 3 هو نموذج لغوي انتشارى — ويستخدم Inception مصطلح dLLM — يولّد الرموز على التوازي بدلاً من واحد تلو الآخر. يتمتع بسياق يبلغ 1M رمز، وحد أقصى للإخراج يبلغ 131,072 رمزًا، وإدخال نصي فقط، واستدعاء الأدوات ومخرجات منظمة عبر نقطة نهاية متوافقة مع OpenAI، وأربعة إعدادات لجهد الاستدلال (فوري، منخفض، متوسط، مرتفع) حيث الافتراضي هو منخفض. سعر القائمة هو 0.20 دولار لكل مليون إدخال و0.70 دولار لكل مليون إخراج، وهو حاليًا مخفّض إلى النصف ليصبح 0.10 دولار و0.35 دولار "عند الإطلاق" دون تاريخ انتهاء منشور. ادعاء الجودة من Inception مقارن وغير مُقيَّم: إذ يقول إن النموذج يعادل أو يتفوق على "النماذج الحدودية المحسّنة للسرعة مثل GPT-6 Luna وClaude Haiku 5.5"، ويُبلغ عن نتيجة مهمة واحدة من أداة الوكيل الخاصة به — إكمال بنسبة 50 في المائة على 50 مهمة Mind2Web حية.

Muse Wonder هو نموذج الاستدلال الرائد من Meta، يُطرح في صورة نسختين: muse-wonder-1.0، قابل للاستدعاء عبر Meta Model API وداخل Muse Code، وmuse-wonder-full-1.0، وهو تكوين يحقق درجات أعلى تقول Meta إنه متاح فقط لمشتركي Muse Code. يتضمن كلاهما سياقًا بسعة 1M رمز وتعرفة الأسعار نفسها البالغة $4.00/$20.00، مع خصم 95 بالمئة على التخزين المؤقت. الاستدلال إلزامي — يمتد سلّم الجهد من الأدنى إلى الأقصى، ويُضبط افتراضيًا على متوسط، وتُحتسب رموز الاستدلال ضمن الإخراج. المدخلات نص وصورة وكلام وفيديو؛ والمخرجات نص.

ما التكلفة الفعلية لكل واحد منها على مستوى الطلب

أسعار كل توكن هي أقل الأرقام فائدة في مقارنة كهذه، لأن النموذجين يستهلكان كميات مختلفة جدًا من التوكنات لأداء المهمة نفسها. نموذج استدلال يعمل افتراضيًا بجهد متوسط وأنفق 130 مليون توكن إخراج لإكمال تشغيل تقييم لا يُسعّر بالسعر نفسه الذي يُسعّر به نموذج مُحسّن لإجابات قصيرة، حتى قبل تطبيق بطاقة الأسعار. لذا سعّر المهمة نفسها بالطريقتين.

لنأخذ مساعدًا لمراجعة المستندات: 20,000 رمز من نص العقد كمدخل، وملخص منظم وقائمة مخاطر من 500 رمز كمخرج، و2,000 مراجعة يوميًا.

• Mercury 3 بالسعر المدرج — 40 مليون رمز إدخال بسعر 0.20 دولار تساوي 8.00 دولارات؛ ومليون رمز إخراج بسعر 0.70 دولار تساوي 0.70 دولار. أي نحو 8.70 دولارات يوميًا.

• Mercury 3 بسعر الإطلاق — نصف ذلك، حوالي 4.35 دولارًا يوميًا.

• Muse Wonder — 40 مليون رمز إدخال بسعر 4.00 دولارات تساوي 160 دولارًا؛ ومليون رمز إخراج بسعر 20.00 دولارًا تساوي 20 دولارًا. بالإضافة إلى رموز الاستدلال، التي تُحتسب ضمن الإخراج والتي لا تتيح لك Meta إيقافها. وبتقدير متحفظ يبلغ 1,000 رمز استدلال لكل استدعاء، يصبح بند الإخراج 3 ملايين رمز، أو 60 دولارًا، ليصبح الإجمالي اليومي 220 دولارًا.

تلك فجوة تبلغ خمسة وعشرين ضعفًا على نفس حركة المرور، وهي النسخة المواتية قليلًا لـ Muse Wonder، لأن نماذج الاستدلال تنفق عادةً أكثر بكثير من ألف رمز تفكير في مهمة تتطلب العناية. إعداد الجهد هو الرافعة الوحيدة، وهو رافعة على التكلفة والجودة في آنٍ واحد — لا يمكنك خفض التفكير دون خفض الإجابة.

هذا هو الجزء الذي يجعل المقارنة أكثر من مجرد حساب. لا ينشر Mercury 3 عدد رموز الإخراج لأي تقييم، لذا لا يعرف أحد ما إذا كان مقتضبًا أم مسهبًا مقابل مهمة مرجعية. وإذا تبيّن أنه نموذج كثير الكلام، فإن التكلفة اليومية تتحرك بمضاعفات، لا بنسب مئوية. وقد تكون فجوة الخمسة والعشرين ضعفًا خمسة عشر ضعفًا أو أربعين ضعفًا في الإنتاج، ولا يوجد دليل منشور في أي من الاتجاهين.

ادعاء الإنتاجية، والرقم الذي يقوّضه

عنوان Inception الرئيسي هو 1,068 توكنًا في الثانية على وحدات معالجة الرسومات NVIDIA، ويوصف بأنه أسرع من النماذج التي يقارن نفسه بها بمقدار 4 إلى 8 أضعاف. ولا تسمّي الشركة العتاد، ولا حجم الدفعة، ولا إعداد الجهد، ولا ما إذا كان الرقم خاصًا بتدفق واحد أم إجماليًا، وهذه الخيارات الأربعة تغيّر الرقم بمضاعفات. ولا يوجد قياس مستقل لـ Mercury 3 حتى 20 أكتوبر 2026 — فلا تزال Artificial Analysis تُدرج Mercury 2.5 وMercury 2 وليس لديها صفحة لـ Mercury 3.

ما يوجد من قياس مستقل للجيل السابق مفيد. تضع Artificial Analysis سرعة Mercury 2.5 عند نحو 706 توكنات في الثانية ضمن أداة القياس الخاصة بها. هذا رقم حقيقي قابل لإعادة الإنتاج من طرف ثالث، وهو أقل بدرجة ذات دلالة من أرقام البائع المنشورة عند ذلك الإطلاق. وتلك الفجوة هي الخصم المعتاد بين أرقام البائع والقياس المستقل في هذه الفئة، وليست دليلاً على سوء نية — لكنها الخصم الذي ينبغي تطبيقه ذهنياً على 1,068 إلى أن يتحقق أحد منها بإعادة إنتاجها.

في المقابل، يسجل Muse Wonder معدل إخراج مقاسًا عند 161 توكنًا في الثانية، وزمنًا مقاسًا للوصول إلى أول توكن قدره 32.08 ثانية. كلا الرقمين يمثلان نموذج Meta وهو يعمل كما صُمم: يصل التوكن الأول بعد تمريرة تفكير طويلة، ثم تتدفق بقية الإجابة بمعدل متوسط. بالنسبة لمهمة دفعية، هذا غير ذي صلة. أما بالنسبة لأي شيء ينتظر فيه إنسان، فهو التجربة كلها.

فجوة الجودة المقيسة تسير في الاتجاه المعاكس. تحصل Muse Wonder على 52 في مؤشر Artificial Analysis Intelligence Index، وتحتل المرتبة التاسعة من بين 217 نموذجًا، بتكلفة حوسبة قدرها 4.52 دولار لكل مهمة في المؤشر. ولا يملك Mercury 3 أي درجة في المؤشر. وتحصل Muse Wonder Full على 56 وتحتل المرتبة الرابعة من بين 696، دون سعر منشور لأن Meta لا تبيعه لكل رمز. لذا فإن الصياغة الصادقة هي: نموذج متطور ذو سقف مقيس ومشكلة زمن استجابة مقيسة، مقابل نموذج منخفض التكلفة يدّعي ميزة في زمن الاستجابة ولا يملك أي سقف مقيس على الإطلاق.

الاستدلال قرارٌ يخص المنتج، وليس إعدادًا.

أعمق فرق بين هذه النماذج ليس السعر أو السرعة. بل هو ما إذا كان يُسمح للنموذج بالتفكير لفترة وجيزة.

يعتمد Mercury 3 افتراضيًا على الجهد المنخفض عندما تُحذف معلمة الاستدلال، وتمتد الإعدادات الأربعة من الفوري إلى المرتفع. هذا الافتراضي هو التفصيل الأرجح أن يُغفل، والأرجح أن يشوّه أي مقارنة: فالنموذج الذي يجيب عند جهد منخفض سيبدو أسرع ويسجل نتيجة أدنى من النموذج نفسه عند جهد مرتفع، كما أن ادعاءات Inception المقارنة لا تنص على الإعداد الذي أنتجها. إذا قمت بقياس أداء Mercury 3 بنفسك، فحدّد مستوى الجهد صراحةً وإلا فلن تكون أرقامك قابلة للمقارنة بأرقام أي شخص آخر — بما في ذلك أرقام Inception.

Muse Wonder هو النقيض بحكم التصميم. الاستدلال إلزامي، والوضع الافتراضي هو المتوسط، ولا يوجد مفتاح لإيقافه. هذا خيار تصميمي متعمد لنموذج موجه للعمل الاحترافي والوكيلي: إطار Meta هو أن التفكير هو المنتج. ويعني ذلك أيضًا أن النموذج لا يملك مسارًا رخيصًا. كل استدعاء يدفع ضريبة الاستدلال، وبسعر 20 دولارًا لكل مليون رمز إخراج، فإن حلقة وكيلية طويلة تملأ ميزانية الإخراج البالغة 943,718 رمزًا تُعد فاتورة باهظة.

بالنسبة إلى المطوّر، النتيجة العملية هي أنه لا يمكن استبدال هذين النموذجين خلف قالب توجيه واحد ومقارنتهما على نحو منصف. إن إنجاز المهمة نفسها بشكل جيد على Mercury 3 يعني اختيار مستوى جهد؛ أما إنجازها على Muse Wonder فيعني قبول وقت التفكير. ولا تصبح المقارنة ذات معنى إلا بعد تثبيت كليهما على السلوك الفعلي نفسه، وهذا السلوك بالنسبة إلى Mercury 3 غير موثّق.

حول لوحة النتائج الخاصة بـ Meta، ولماذا ليست الكلمة الأخيرة

نشرت Meta عند الإطلاق جدول قياسات مرجعية يغطي كلا نقطتي التحقق إلى جانب Claude Fable 5.1 وGPT-6 Astra وClaude Opus 5.5 بأقصى قدرة استدلال. كل رقم فيه مُبلَّغ عنه من المورّد، وأُنتج داخل منصة الاختبار الخاصة بـ Meta، ولم يُعِد أحد إنتاجه بشكل مستقل. ومع ذلك، ثمّة صفّان يستحقّان النقل إلى هذه المقارنة، لأنهما يُظهران النموذج وهو يفعل ما يُسوَّق له من أجله.

• JobBench، مهام مهنية طويلة المدى — Muse Wonder Full 75.3، Muse Wonder 30.8، Claude Fable 5.1 27.6، GPT-6 Astra 34.2، Claude Opus 5.5 30.6

• Vals Finance Agent V2 — Muse Wonder Full 59.1، Muse Wonder 10.0، Claude Fable 5.1 6.4، GPT-6 Astra 8.6، Claude Opus 5.5 4.2

• OSWorld V2.1، استخدام الحاسوب — Muse Wonder Full ‏78.4، Muse Wonder ‏72.6، Claude Fable 5.1 ‏73.1، GPT-6 Astra ‏66.1، Claude Opus 5.5 ‏75.4

حين تختلف ميتا مع المُقيِّم المستقل، فإن الرقم المستقل هو الذي يُخطَّط على أساسه. يُدرج جدول ميتا Muse Wonder Full عند 59.0 على مؤشر Artificial Analysis؛ في حين أن Artificial Analysis نفسها تنشر 56. وفارق ثلاث نقاط على المؤشر نفسه ليس فضيحة، لكنه يحدد أي الرقمين تقف خلفه منهجية.

لا يملك Mercury 3 جدولًا مكافئًا يمكن مجادلته به. نتيجة الجودة المُهيكلة الوحيدة لديه هي اختبار وكيل Mind2Web: 50 مهمة تنقّل حية في بيئة الاختبار الإنتاجية الخاصة بـ Inception، اكتمل 50 بالمئة منها، و«أكثر بكثير من GPT-6.1-Sol»، باستخدام الحجم نفسه من الرموز والعدد نفسه من خطوات الوكيل، وبالتالي جزء يسير من التكلفة لكل رمز. خمسون مهمة عيّنة صغيرة، وبيئة الاختبار مملوكة لـ Inception، ويُذكَر نموذج المقارنة دون درجة. إنها إشارة حقيقية إلى أن النموذج قادر على تشغيل متصفح بجزء يسير من تكلفة نموذج متقدم يقوم بالشيء نفسه. لكنها ليست معيارًا قياسيًا.

أيّ هذين الاثنين ينبغي عليك فعليًا أن تقيّمه؟

عادةً ما يُحسم القرار بناءً على سؤال واحد: هل ينتظر إنسانٌ هذه المخرجات، أم تستهلكها قائمة انتظار؟

إذا كان على إنسان أن ينتظر، فإن Muse Wonder يكاد يُستبعد بحسب قياساته الخاصة. اثنتان وثلاثون ثانية حتى أول رمز ليست زمن استجابة يمكن تقديمه أمام عميل، ولا أحد يختاره لواجهة محادثة. صُمّم Mercury 3 لهذه الحالة تحديدًا، وسعره يجعل التجربة رخيصة. وحتى لو هبطت الإنتاجية إلى نصف الادعاء في إطار اختبار محايد، فسيظل أسرع عدة مرات من أي شيء في فئة الطراز الأول.

إذا كان الاستخدام يجري ضمن قائمة انتظار — كمعالجة المستندات طوال الليل، أو تشغيلات وكلاء تُسلّم تقريرًا، أو سير عمل للمكاتب الخلفية لا يراقبه أحد — فإن زمن الرمز الأول البالغ 32 ثانية يتوقف عن كونه مهمًا، وتبدأ فجوة الجودة المقيسة في الأهمية. أما Muse Wonder عند 52 على المؤشر، مع سجل مستقل كامل، فهو خيار معروف. وأما Mercury 3 بدرجة غير معروفة على المؤشر، في عبء عمل تكون فيه الإجابة الخاطئة مكلفة وغير مراقبة، فهو رهان.

ثلاث حالات تقع خارج كليهما:

• فيديو أو صور أو صوت في الموجّه — يستقبل Muse Wonder الثلاثة جميعها، بينما لا يستقبل Mercury 3 أيًا منها. لا يوجد ما يُقايض به.

أي شيء يتطلب نقطة التحقق الأعلى تقييمًا — Muse Wonder Full ليس منتجًا بواجهة API. بل هو اشتراك شهري في Muse Code بقيمة تتراوح بين 50 و200 دولار، ولم تذكر Meta أنها ستتيحه.

أي شيء تحتاج فيه إلى التخطيط استنادًا إلى سعر مستقر — خصم الإطلاق الخاص بـ Mercury 3 ليس له تاريخ انتهاء، وسيتم سحب الطرازات السابقة من الخدمة للمستخدمين الجدد. ولا يوجد تغيير معلن بشأن سعر $4/$20 الخاص بـ Muse Wonder.

ما الذي يفعله OrcaRouter وما لا يفعله هنا

لا يتوفر Muse Wonder ولا Mercury 3 في كتالوجنا. إن التحقق من واجهة برمجة تطبيقات النماذج لدينا لا يُرجع أي نتيجة عن meta/muse-wonder ولا عن أي طراز من Inception، ولن نصف مسارًا لا نملكه. ما نوفره من مختبر Meta هو خط Muse Spark — Muse Spark 1.2 وMuse Spark 1.1، وكلاهما بسياق يبلغ 1M رمز مقابل 1.25 دولار للإدخال و4.25 دولار للإخراج لكل مليون رمز.

هذا مهم لهذه المواجهة تحديدًا أكثر مما يبدو. سبب تشغيل Muse Wonder هو العمق، وسبب تشغيل Mercury 3 هو السرعة. ويمكن اختبار كليهما مقابل نموذج يمكنك استدعاؤه بالفعل: يمنحك Muse Spark 1.2 عائلة استدلال من Meta مع بطاقة أسعار منشورة من جانبنا، والنماذج التي يزيد عددها على 200 والمتاحة عبر مفتاح واحد متوافق مع OpenAI تمنحك مقارنة زمن الاستجابة دون عقد ثانٍ. إذا كان سعر Muse Wonder البالغ $4/$20 سيُبرَّر لعبء العمل لديك، فعليه التغلّب على شيء ما — وينبغي أن يكون هذا الشيء نموذجًا يمكنك قياسه بعد ظهر اليوم.

الميزة الجوهرية الجديرة بالذكر هي تمرير الأسعار. أسعار قائمة المزوّد تصل إلى فاتورتك دون تغيير، لذا فإن أي خفض من البائع — مثل خصم الإطلاق بنسبة 50 في المئة من Inception أو خفض افتراضي من Meta — يسري لدينا في اليوم الذي يُعلن فيه، لا عند التجديد التالي. وهذا أمر صغير حتى يأتي اليوم الذي لم يعد كذلك.

ما الذي سيحسم هذا؟

سيكون لقياسين معظم الأثر. الأول هو رقم مستقل لإنتاجية Mercury 3 ضمن إطار اختبار معلن ومستوى جهد وحجم دفعة محددين؛ والثاني هو أي درجة جودة مستقلة لـ Mercury 3 على الإطلاق. وإلى أن يتوفر كلا القياسين، فإن أسرع نموذج في هذه المقارنة هو أيضاً النموذج الذي تعرف عنه أقل، والأقدر هو النموذج الذي لا يمكنك استدعاؤه إلا عبر اشتراك أو بسعر يصعب تبريره دون حالة استخدام تتحمل نصف دقيقة من الصمت.

ما يجعل هذا قرارًا سهلًا لا صعبًا هو أن النموذجين لا يتنافسان على الموضع نفسه. الخطر الحقيقي الوحيد هو اختيار الموضع الخاطئ — نشر نموذج يستغرق ثلاثين ثانية في نافذة محادثة لأن أداءه في المعيار أفضل، أو نشر نموذج غير مُقاس في خط أنابيب غير مُراقب لأن سعره أفضل. كلاهما قراران يتعلقان بمنتجك، لا بالنموذجين، ولا يحسم أيًّا منهما رقمٌ على لوحة صدارة.