Mercury 3 vs. Muse Wonder: Zweiunddreißig Sekunden bis zum ersten Token

In diesem Vergleich gibt es eine gemessene Zahl, die die Debatte beenden müsste, bevor sie überhaupt beginnt. Artificial Analysis verzeichnet für Muse Wonder die Zeit bis zum ersten Token mit 32,08 Sekunden. Mercury 3 beansprucht 1.068 Ausgabe-Token pro Sekunde – ohne jede unabhängige Messung. Das eine Modell braucht eine halbe Minute, um mit der Antwort zu beginnen; das andere behauptet, tausend Wörter in der Zeit zu schreiben, die man zum Lesen dieses Satzes braucht. Bei der Latenz gehören sie nicht zur selben Produktkategorie, und keine noch so große Benchmark-Überlegenheit schließt die dreißigfache Lücke beim Zeitpunkt, an dem das erste Zeichen erscheint. Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Releases wie diesem sind gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensgrad und Disputed-Flag enthält.

Aber das ist die einfache Version der Geschichte, und sie ist in einem wichtigen Punkt irreführend. Muse Wonder versucht nicht, schnell zu sein. Meta veröffentlichte Muse Wonder am 12. Oktober 2026 als Frontier-Reasoning-Modell zum Preis von 4,00 US-Dollar pro Million Input-Token und 20,00 US-Dollar pro Million Output-Token, und zu diesem Preis kauft man Tiefe – ein Modell, das dreißig Sekunden nachdenkt und das schwierige Problem richtig löst. Mercury 3, veröffentlicht von Inception am 19. Oktober 2026, ist zwanzig- bis fünfzigmal günstiger, weil es den entgegengesetzten Trade-off verkauft. Die Frage, vor der ein Builder tatsächlich steht, ist nicht, welches besser ist. Sie lautet, welchen Trade-off dein Produkt eingeht und ob du dir selbst gegenüber ehrlich gewesen bist, welcher das ist.

Die beiden Modelle, jeweils in einem Absatz

Mercury 3 ist ein Diffusions-Sprachmodell – Inceptions Bezeichnung dafür ist dLLM –, das Tokens parallel statt nacheinander generiert. Es bietet einen Kontext von 1M Tokens, eine maximale Ausgabe von 131.072 Tokens, reine Texteingabe, Tool Calling und strukturierte Ausgaben über einen OpenAI-kompatiblen Endpunkt sowie vier Einstellungen für den Reasoning-Aufwand (instant, low, medium, high), wobei der Standard low ist. Der Listenpreis beträgt 0,20 US-Dollar pro Million Eingabe- und 0,70 US-Dollar pro Million Ausgabe-Tokens, aktuell halbiert auf 0,10 US-Dollar und 0,35 US-Dollar „at launch“ ohne veröffentlichtes Enddatum. Inceptions Qualitätsaussage ist vergleichend und ohne Punktwert: Das Modell sei gleichauf mit oder besser als „frontier speed-optimized models like GPT-6 Luna and Claude Haiku 5.5“, und es wird ein Aufgabenergebnis aus dem eigenen Agent-Harness gemeldet – 50 Prozent Abschluss bei 50 Live-Mind2Web-Aufgaben.

Muse Wonder ist Metas Frontier-Reasoning-Modell und wird als zwei Checkpoints ausgeliefert: muse-wonder-1.0, abrufbar über die Meta Model API und in Muse Code, und muse-wonder-full-1.0, eine höher bewertete Konfiguration, die laut Meta nur für Muse Code-Abonnenten verfügbar ist. Beide haben ein Kontextfenster von 1 Mio. Token und dieselbe Preisliste von 4,00 $/20,00 $, mit 95 Prozent Cache-Rabatt. Reasoning ist obligatorisch – die Effort-Leiter reicht von minimal bis max und ist standardmäßig auf medium gesetzt; Reasoning-Token werden als Output abgerechnet. Eingaben sind Text, Bild, Sprache und Video; Ausgabe ist Text.

Was jede einzelne auf Anfrageebene tatsächlich kostet

Preise pro Token sind die am wenigsten nützliche Zahl in einem solchen Vergleich, weil die beiden Modelle völlig unterschiedliche Token-Mengen verbrauchen, um dieselbe Aufgabe zu erledigen. Ein Reasoning-Modell, das standardmäßig mit mittlerem Aufwand arbeitet und 130 Millionen Ausgabe-Token für einen Evaluationslauf verbraucht hat, wird nicht genauso bepreist wie ein Modell, das auf kurze Antworten optimiert ist – selbst bevor die Preisliste angewendet wird. Bepreise also dieselbe Aufgabe auf beide Arten.

Nehmen Sie einen Assistenten zur Dokumentenprüfung: 20.000 Token Vertragstext als Eingabe, eine strukturierte Zusammenfassung und Risikoliste mit 500 Token als Ausgabe, 2.000 Prüfungen pro Tag.

• Mercury 3 zum Listenpreis — 40 Millionen Eingabe-Tokens zu $0.20 sind $8.00; 1 Million Ausgabe-Tokens zu $0.70 sind $0.70. Etwa $8.70 pro Tag.

• Mercury 3 zum Einführungspreis — die Hälfte davon, etwa 4,35 $ pro Tag.

• Muse Wonder — 40 Millionen Eingabe-Tokens zu 4,00 $ sind 160 $; 1 Million Ausgabe-Tokens zu 20,00 $ sind 20 $. Hinzu kommen Reasoning-Tokens, die als Ausgabe abgerechnet werden und die sich bei Meta nicht abschalten lassen. Bei konservativen 1.000 Reasoning-Tokens pro Aufruf werden aus der Ausgabezeile 3 Millionen Tokens, also 60 $, was einer Tagessumme von 220 $ entspricht.

Das ist eine 25-fache Differenz bei identischem Traffic – und es ist die leicht vorteilhafte Variante für Muse Wonder, denn Reasoning-Modelle geben routinemäßig weit mehr als tausend Denk-Tokens für eine Aufgabe aus, die Sorgfalt erfordert. Die Effort-Einstellung ist der einzige Hebel, und sie ist zugleich ein Hebel für Kosten und Qualität – man kann das Denken nicht herunterdrehen, ohne auch die Antwort herunterzudrehen.

Hier ist der Teil, der den Vergleich zu mehr als reiner Arithmetik macht. Mercury 3 veröffentlicht für keine Bewertung eine Anzahl der Ausgabe-Token, daher weiß niemand, ob es im Vergleich zu einer Baseline-Aufgabe knapp oder ausführlich ist. Sollte sich herausstellen, dass es ein redseliges Modell ist, ändern sich die täglichen Kosten um ein Vielfaches, nicht um Prozent. Die fünfundzwanzigfache Lücke könnte im Produktivbetrieb fünfzehnfach oder vierzigfach sein, und es gibt keine veröffentlichten Belege in die eine oder andere Richtung.

Die Durchsatzbehauptung – und die Zahl, die sie untergräbt

Inceptions Schlagzeile lautet 1.068 Tokens pro Sekunde auf NVIDIA-GPUs, beschrieben als 4- bis 8-mal schneller als die Modelle, mit denen es sich vergleicht. Das Unternehmen nennt weder die Hardware, die Batch-Größe, die Effort-Einstellung noch, ob die Zahl Single-Stream oder aggregiert ist, und diese vier Entscheidungen verschieben die Zahl um ein Vielfaches. Stand 20. Oktober 2026 gibt es keine unabhängige Messung von Mercury 3 — Artificial Analysis führt weiterhin Mercury 2.5 und Mercury 2 auf und hat keine Seite für Mercury 3.

Die unabhängige Messung, die es für die vorherige Generation gibt, ist aufschlussreich. Artificial Analysis gibt Mercury 2.5 mit rund 706 Tokens pro Sekunde in seinem eigenen Testaufbau an. Das ist eine echte, reproduzierbare Zahl eines Drittanbieters, und sie liegt deutlich unter den zum damaligen Launch veröffentlichten Herstellerwerten. Diese Lücke ist der übliche Abschlag von Herstellerangaben auf unabhängige Messungen in dieser Kategorie und kein Hinweis auf böse Absicht – aber es ist der Abschlag, den man bei 1.068 gedanklich anwenden sollte, bis jemand diesen Wert reproduziert.

Muse Wonder erreicht unterdessen eine gemessene Ausgabegeschwindigkeit von 161 Token pro Sekunde und eine gemessene Zeit bis zum ersten Token von 32,08 Sekunden. Beide Werte entsprechen Metas Modell, das wie vorgesehen arbeitet: Das erste Token kommt nach einem langen Denkprozess, und der Rest der Antwort wird mit mittlerer Geschwindigkeit gestreamt. Für einen Batch-Job ist das irrelevant. Für alles, bei dem ein Mensch wartet, ist es die gesamte Erfahrung.

Die gemessene Qualitätslücke verläuft in die andere Richtung. Muse Wonder erreicht 52 Punkte im Artificial Analysis Intelligence Index und rangiert auf Platz neun von 217 Modellen, bei 4,52 US-Dollar Rechenkosten pro Index-Aufgabe. Mercury 3 hat keinen Indexwert. Muse Wonder Full erreicht 56 Punkte und rangiert auf Platz vier von 696, ohne veröffentlichten Preis, weil Meta es nicht pro Token verkauft. Die ehrliche Einordnung ist also: ein Frontier-Modell mit gemessener Obergrenze und gemessenem Latenzproblem gegen ein Budget-Modell mit behauptetem Latenzvorteil und ganz ohne gemessene Obergrenze.

Reasoning ist eine Produktentscheidung, keine Einstellung.

Der tiefste Unterschied zwischen diesen Modellen ist nicht der Preis oder die Geschwindigkeit. Er liegt darin, ob das Modell kurz nachdenken darf.

Mercury 3 verwendet standardmäßig geringen Aufwand, wenn der Reasoning-Parameter weggelassen wird, und die vier Einstellungen reichen von Instant bis High. Diese Voreinstellung ist das Detail, das am ehesten übersehen wird und am ehesten jeden Vergleich verzerrt: Ein Modell, das mit geringem Aufwand antwortet, wirkt schneller und erzielt niedrigere Werte als dasselbe Modell mit hohem Aufwand, und die eigenen Vergleichsaussagen von Inception geben nicht an, welche Einstellung sie hervorgebracht hat. Wenn Sie Mercury 3 selbst benchmarken, legen Sie die Aufwandsstufe explizit fest, sonst sind Ihre Zahlen mit niemandem sonst vergleichbar – auch nicht mit denen von Inception.

Muse Wonder ist konstruktionsbedingt das Gegenteil. Reasoning ist Pflicht, der Standard ist mittel, und es gibt keinen Schalter, um es abzuschalten. Das ist eine bewusste Designentscheidung für ein Modell, das auf professionelle und agentische Arbeit ausgerichtet ist: Metas Framing lautet, dass das Denken das Produkt ist. Das bedeutet auch, dass das Modell keinen günstigen Weg hat. Jeder Aufruf zahlt die Reasoning-Steuer, und bei 20 US-Dollar pro Million Ausgabe-Tokens ist eine lange agentische Schleife, die das Ausgabebudget von 943,718 Tokens ausschöpft, eine ernstzunehmende Rechnung.

Für einen Entwickler bedeutet das praktisch, dass diese beiden Modelle nicht hinter einer einzigen Prompt-Vorlage ausgetauscht und fair verglichen werden können. Dieselbe Aufgabe auf Mercury 3 gut zu erledigen bedeutet, eine Aufwandsstufe zu wählen; sie auf Muse Wonder zu erledigen bedeutet, die Denkzeit zu akzeptieren. Der Vergleich wird erst aussagekräftig, wenn beide auf dasselbe effektive Verhalten festgelegt sind, und bei Mercury 3 ist dieses Verhalten nicht dokumentiert.

Über Metas eigenes Scoreboard – und warum es nicht das letzte Wort ist

Meta veröffentlichte zum Start eine Benchmark-Tabelle, die beide Checkpoints zusammen mit Claude Fable 5.1, GPT-6 Astra und Claude Opus 5.5 bei maximalem Reasoning abdeckt. Jede Zahl ist vom Anbieter angegeben, in Metas Testumgebung erzeugt und keine wurde unabhängig reproduziert. Zwei Zeilen lohnen sich dennoch, in diesen Vergleich mitgenommen zu werden, weil sie zeigen, dass das Modell das tut, wofür es verkauft wird.

• JobBench, langfristige professionelle Aufgaben — 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, Computer-Nutzung — 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

Wo Meta und der unabhängige Prüfer nicht übereinstimmen, ist die unabhängige Zahl diejenige, mit der man planen sollte. Metas Tabelle führt Muse Wonder Full mit 59,0 auf dem Artificial Analysis Index; Artificial Analysis selbst gibt 56 an. Drei Punkte auf demselben Index sind kein Skandal, aber sie belegen, welche Zahl eine Methodik hinter sich hat.

Mercury 3 hat keine vergleichbare Tabelle, mit der man sich auseinandersetzen könnte. Sein einziges strukturiertes Qualitätsergebnis ist der Mind2Web-Agententest: 50 Live-Navigationsaufgaben in Inceptions eigenem Produktions-Harness, 50 Prozent abgeschlossen, „deutlich mehr als GPT-6.1-Sol“, bei demselben Tokenvolumen und derselben Anzahl von Agentenschritten und daher einem Bruchteil der Kosten pro Token. Fünfzig Aufgaben sind eine kleine Stichprobe, der Harness stammt von Inception, und das Vergleichsmodell wird ohne Punktzahl genannt. Es ist ein echtes Signal dafür, dass das Modell einen Browser zu einem Bruchteil der Kosten eines Frontier-Modells steuern kann, das dasselbe tut. Es ist kein Benchmark.

Welche dieser beiden du eigentlich bewerten solltest

Die Entscheidung hängt meist an einer einzigen Frage: Wartet ein Mensch auf diese Ausgabe, oder verarbeitet sie eine Warteschlange?

Wenn ein Mensch wartet, ist Muse Wonder gemessen an seinen eigenen Messwerten nahezu disqualifiziert. Zweiunddreißig Sekunden bis zum ersten Token sind keine Latenz, die man einem Kunden zumuten kann, und niemand würde es für eine Chat-Oberfläche wählen. Mercury 3 ist genau für diesen Fall gebaut, und sein Preis macht das Experiment günstig. Selbst wenn der Durchsatz unter einer neutralen Testumgebung bei der Hälfte der Behauptung landet, ist er immer noch mehrere Male schneller als alles in der Frontier-Kategorie.

Wenn eine Warteschlange es verarbeitet – nächtliche Dokumentenverarbeitung, agentische Läufe, die einen Bericht liefern, Backoffice-Workflows, bei denen niemand zusieht –, dann spielt das erste Token nach 32 Sekunden keine Rolle mehr, und die gemessene Qualitätslücke beginnt zu zählen. Muse Wonder mit 52 im Index und einem vollständigen unabhängigen Nachweis ist eine bekannte Größe. Mercury 3 mit unbekanntem Indexwert ist bei einer Arbeitslast, bei der eine falsche Antwort teuer und unüberwacht ist, ein Glücksspiel.

Drei Fälle liegen außerhalb beider:

• Video, Bilder oder Audio im Prompt – Muse Wonder nimmt alle drei, Mercury 3 nimmt keine davon. Es gibt keinen Trade-off.

• Alles, was den am höchsten bewerteten Checkpoint erfordert — Muse Wonder Full ist kein API-Produkt. Es ist ein monatliches Abonnement für Muse Code zwischen 50 und 200 US-Dollar, und Meta hat nicht gesagt, dass es das öffnen wird.

• Alles, bei dem Sie mit einem stabilen Preis rechnen müssen — der Einführungsrabatt von Mercury 3 hat kein Enddatum, und seine Vorgängermodelle werden für neue Nutzer eingestellt. Bei Muse Wonders $4/$20 gibt es keine angekündigte Änderung.

Was OrcaRouter hier tut und was nicht

Weder Muse Wonder noch Mercury 3 ist in unserem Katalog. Eine Prüfung unserer Modell-API liefert nichts für meta/muse-wonder und nichts für irgendein Inception-Modell, und wir werden keine Route beschreiben, die wir nicht haben. Was wir aus Metas Labor führen, ist die Muse-Spark-Reihe — Muse Spark 1.2 und Muse Spark 1.1, beide mit einem Kontext von 1 Mio. Tokens zu $1,25 für Eingabe und $4,25 für Ausgabe pro Million Tokens.

Das ist für diesen speziellen Vergleich wichtiger, als es klingt. Der Grund, Muse Wonder einzusetzen, ist Tiefe, und der Grund, Mercury 3 einzusetzen, ist Geschwindigkeit. Beides lässt sich gegen ein Modell testen, das du bereits aufrufen kannst: Muse Spark 1.2 bietet dir eine Meta-Reasoning-Familie mit einer auf unserer Seite veröffentlichten Preisliste, und die über 200 Modelle, die über einen einzigen OpenAI-kompatiblen Key erreichbar sind, liefern dir den Latenzvergleich ohne zweiten Vertrag. Wenn Muse Wonders $4/$20 für deinen Workload gerechtfertigt sein sollen, muss es etwas schlagen – und dieses Etwas sollte ein Modell sein, das du heute Nachmittag messen kannst.

Der mechanische Vorteil, der eine Erwähnung verdient, ist die Preisweitergabe. Die Listenpreise der Anbieter erreichen Ihre Rechnung unverändert, sodass eine Preissenkung eines Anbieters – wie Inceptions 50-prozentiger Einführungsrabatt oder eine hypothetische Reduzierung von Meta – bei uns am Tag der Ankündigung aktiv ist, nicht erst bei der nächsten Verlängerung. Das ist eine Kleinigkeit, bis zu dem Tag, an dem es keine mehr ist.

Was würde das klären

Zwei Messungen würden das Meiste erledigen. Die erste ist ein unabhängiger {{1}}Durchsatzwert für Mercury 3 unter einem angegebenen Harness, Aufwandsniveau und einer Batchgröße{{/1}}; die zweite ist überhaupt irgendein unabhängiger {{2}}Qualitätswert für Mercury 3{{/2}}. Solange beides nicht existiert, ist das schnellste Modell in diesem Vergleich auch dasjenige, über das Sie am wenigsten wissen, und das leistungsfähigste ist dasjenige, das Sie nur mit einem Abonnement oder zu einem Preis aufrufen können, der ohne einen Anwendungsfall, der eine halbe Minute Stille toleriert, schwer zu rechtfertigen ist.

Was dies zu einer einfachen statt schwierigen Entscheidung macht, ist, dass die beiden Modelle nicht um denselben Platz konkurrieren. Das einzige echte Risiko besteht darin, den falschen Platz zu wählen – ein Dreißig-Sekunden-Modell in ein Chatfenster zu bringen, weil sein Benchmark besser ist, oder ein nicht vermessenes Modell in eine nicht überwachte Pipeline zu bringen, weil sein Preis besser ist. Beides sind Entscheidungen über Ihr Produkt, nicht über die Modelle, und keine von beiden wird durch eine Zahl auf einem Leaderboard entschieden.