Mercury 3 vs Claude Opus 5.5: un token de salida 57 veces más barato no es lo mismo que una respuesta más barata

Mercury 3 cuesta $0.35 por millón de tokens de salida esta semana. Claude Opus 5.5 cuesta $20.00. Multiplique una cola de soporte por esos dos números y la diferencia parece un error en una de las tarifas — 57 veces, al precio de lanzamiento, o 28.6 veces cuando finalice el descuento del 50% de Inception y Mercury 3 vuelva a $0.70. La pregunta que decide la comparación no es qué número es menor. Es cuántas llamadas a Mercury 3 hay que hacer para obtener una respuesta que Opus 5.5 habría acertado a la primera, porque cada reintento, cada escalación y cada revisión humana se factura a la tarifa de la persona o de la segunda llamada, no a la tarifa del token. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Ese encuadre importa porque estos dos modelos no son competidores en el sentido habitual. Claude Opus 5.5, lanzado por Anthropic el 22 de septiembre de 2026, es un modelo de razonamiento de frontera a $4 por millón de tokens de entrada y $20 por millón de salida, diseñado para codificación agéntica y trabajo del conocimiento de horizonte largo, con pensamiento adaptativo, visión y entrada de archivos, un contexto de 1M de tokens y un límite de salida de 128K. Mercury 3, lanzado por Inception Labs el 19 de octubre de 2026, es un modelo de lenguaje de difusión diseñado para la velocidad: 1.068 tokens por segundo en hardware NVIDIA según la propia medición de Inception, contexto de 1M, salida de 131K, solo texto, y una afirmación de calidad que nombra a GPT-6 Luna y Claude Haiku 5.5 —el nivel de velocidad— en lugar de Opus. Aun así, vale la pena compararlos, porque la diferencia de precio invita exactamente a la sustitución que el posicionamiento no respalda.

De dónde vienen realmente los números

Cada cifra de calidad de Opus 5.5 en este artículo es de Artificial Analysis, medida con su propio harness: un Intelligence Index de 57.6, Humanity's Last Exam al 61.4%, SciCode al 66.9%, Terminal-Bench 4.0 al 59.6% y recuperación de contexto largo al 84.7%. Son independientes y están actualizadas a fecha de esta semana.

Todas las cifras de Mercury 3 provienen de Inception y se publicaron ayer, con una excepción: la comparación de rendimiento con la generación anterior. Artificial Analysis mide Mercury 2.5 en 705,9 tokens por segundo, y Mercury 2 en aproximadamente 684. Mercury 3 aún no tiene página en Artificial Analysis —el índice de modelos sigue llegando solo hasta Mercury 2.5—, así que sus 1.068 tok/s y su afirmación de que «supera a GPT-6 Luna y Claude Haiku 5.5» son datos reportados por el proveedor, no reproducidos, y deben interpretarse como tales durante al menos otra semana.

Esa asimetría es toda la comparación en miniatura. Un lado tiene una puntuación auditada de forma independiente y una lista de precios publicada; el otro tiene una publicación de lanzamiento, un descuento y un número de velocidad muy grande.

Especificación por especificación, con la evidencia adjunta.

• Precio de salida — Mercury 3: $0.35 por millón en el lanzamiento, $0.70 a precio de lista, frente a los $20.00 de Opus 5.5. La proporción es de 57x durante la promoción y de 28.6x después.

• Precio de entrada — Mercury 3 $0.10 en el lanzamiento, $0.20 de lista, frente a los $4.00 de Opus 5.5. Mismo patrón, proporción ligeramente mayor.

• Entrada en caché — Mercury 3: $0.01 en el lanzamiento, $0.02 de precio de lista, frente a $0.20 por lecturas de caché de Opus 5.5. Opus también cobra $5.00 por millón para escribir en la caché de 5 minutos y $8.00 para la caché de una hora, que la lista de precios de Mercury no desglosa.

• Rendimiento — Mercury 3 a 1.068 tok/s según Inception, sin reproducir; Opus 5.5 a 75,6 tok/s de salida, según lo medido en el tráfico de nuestro propio playground durante los últimos siete días. Se trata de una brecha de catorce veces en el sentido que Inception afirma, y esta al menos está medida en ambos lados, aunque por arneses diferentes.

• Tiempo hasta el primer token: Mercury 3 es un modelo de difusión que genera en paralelo, por lo que su primera salida útil llega antes que la de un modelo autorregresivo; Inception no publica una cifra para el endpoint de chat, y su afirmación de menos de 300 ms en la página de inicio de la empresa se refiere a la línea de productos, no específicamente a Mercury 3. La latencia de extremo a extremo p50 de Opus 5.5 en nuestro tráfico es de 4,4 segundos, lo que incluye el pensamiento.

• Contexto — ambos con 1 M de tokens. El límite de salida difiere: 131.072 para Mercury 3 y 128.000 para Opus 5.5.

• Entradas — Opus 5.5 acepta texto, imágenes y archivos; Mercury 3 acepta texto. Esto no es un detalle menor. Cualquier documento, captura de pantalla, diagrama o PDF en tu flujo de trabajo descalifica a Mercury 3 sin que te des cuenta.

• Control de razonamiento — Mercury 3 ofrece esfuerzo instantáneo, bajo, medio y alto, y usa bajo por defecto cuando se omite el campo. Opus 5.5 utiliza pensamiento adaptativo con su propio control de esfuerzo. Ambos tienen valores por defecto que te sorprenderán si no defines el campo explícitamente: Mercury 3 en bajo, Opus en lo que la política adaptativa de Anthropic elija para la solicitud.

• Evidencia — Opus 5.5 tiene una puntuación independiente en el índice y una tabla comparativa del proveedor; Mercury 3 no tiene ni puntuación de terceros ni puntuación numérica del proveedor.

El único resultado de agente que Inception sí publicó

Enterrada bajo las afirmaciones de rendimiento está la única medición de calidad de Mercury 3 con una tarea definida: un arnés de agente web ejecutado sobre 50 tareas de navegación reales de Mind2Web, en el que Mercury 3 completó el 50 % y, según Inception, «significativamente más que GPT-6.1-Sol», usando el mismo volumen de tokens y el mismo número de pasos del agente.

Lee eso con detenimiento. El modelo de comparación es GPT-6.1 Sol, no Opus 5.5. El arnés es el de producción propio de Inception. La muestra es de 50 tareas. Y "el mismo volumen de tokens y el mismo número de pasos del agente" es la parte importante en cuanto a coste, porque significa que el ahorro por tarea es realmente la proporción por token y no un artefacto de que el modelo dé menos pasos para llegar hasta ahí. Una tasa de finalización del 50 % en navegación por sitios en vivo es un resultado creíble para un modelo rápido; no es una afirmación de que Mercury 3 completaría una tarea de programación del nivel de Opus.

Para Opus 5.5, la evidencia equivalente es Terminal-Bench 4.0 con un 59,6 % en el harness de Artificial Analysis — un benchmark distinto, una familia de tareas distinta y no directamente comparable. La afirmación honesta es que nadie ha ejecutado ambos modelos en el mismo benchmark de agentes y publicado el resultado. Hasta que alguien lo haga, toda afirmación sobre cuál es mejor en trabajo de agentes es una inferencia a partir del posicionamiento.

Cuánto cuesta una semana de tráfico en cada uno

Tomemos una carga de trabajo que sea plausible para ambos: 2 millones de tokens de entrada y 500,000 tokens de salida al día, aproximadamente un asistente de soporte o de investigación de tamaño medio con unos cientos de miles de llamadas. En Mercury 3, con la tarifa de lanzamiento, eso es $0.20 de entrada y $0.175 de salida — menos de cuarenta centavos al día. A precio de lista, es $0.40 y $0.35, o 75 centavos. En Opus 5.5, el mismo tráfico es $8.00 de entrada y $10.00 de salida, o $18.00 al día.

Ahora añade la parte que esconde el cálculo de tokens. Si Mercury 3 necesita un segundo intento en una de cada cinco llamadas, y cada reintento cuesta lo mismo que el original, el precio efectivo sube un 20%, hasta unos 45 centavos al día. Incluso en el caso absurdo de que cada una de las llamadas tuviera que repetirse una vez, la factura sería de 75 centavos, todavía 24 veces inferior a Opus 5.5. El argumento del precio no está ni cerca, y es precisamente por eso por lo que la decisión tiene que tomarse en función de la calidad y la capacidad.

Démosle la vuelta y la misma aritmética explica por qué la gente sigue pagando por Opus. A 18 dólares al día, una escalada evitada por día —una interacción de soporte que no llega a una persona, un cambio de código que no necesita una segunda revisión— paga varias veces la factura completa de Opus. El modelo es caro por token porque el trabajo que sustituye lo es aún más.

Las líneas de capacidad que no aparecen en una tabla de precios

Opus 5.5 acepta imágenes y archivos, lo que significa que puede leer la captura de pantalla que adjunta un usuario, el PDF en el que reside un contrato o el diagrama de un documento de diseño. Mercury 3 es texto que entra, texto que sale. Si tu carga de trabajo toca cualquiera de esos, la comparación termina ahí y la diferencia de precio es irrelevante.

Opus 5.5 también incluye la superficie de herramientas de Anthropic: salidas estructuradas, uso de herramientas, una API por lotes a mitad de precio para trabajo asíncrono, y almacenamiento en caché de prompts con tarifas explícitas de escritura y lectura. Mercury 3 tiene llamada a herramientas y salidas estructuradas en un endpoint compatible con OpenAI, lo cual es realmente conveniente —se integra en código existente sin reescribirlo—, pero su enfoque de caché es un descuento en la entrada en lugar de un ciclo de vida documentado de escritura de caché.

La línea de capacidad inversa es la velocidad. Opus 5.5 a 75,6 tokens por segundo va bien para un agente de programación que trabaja en una tarea larga y resulta doloroso para cualquier cosa en la que una persona esté esperando. La propuesta de Mercury 3 es que una persona que espera por él no nota la espera. Si tu producto es un turno de voz, un autocompletado, una respuesta de búsqueda o una pista de un tutor, esa diferencia es el producto, no un extra opcional.

Cómo ejecutar ambos sin apostar por ninguno

Claude Opus 5.5 está en nuestro catálogo como anthropic/claude-opus-5.5 a las tarifas de lista de Anthropic — 4 $ de entrada, 20 $ de salida, 0,20 $ por lecturas de caché — con 0 % de margen, así que un cambio en la tabla de tarifas de Anthropic se refleja de nuestro lado el mismo día en lugar de en el siguiente ciclo de facturación. Mercury 3 no está en nuestro catálogo: nuestra API de modelos no devuelve ningún modelo de Inception, y la instrucción honesta es acceder a él a través de la propia plataforma de Inception. No vamos a fingir lo contrario para que una propuesta de enrutamiento tenga éxito.

Para lo que sirve esta división es exactamente para esta decisión. Coloca Mercury 3 detrás de la clave de Inception en el nivel crítico para la latencia, mantén Opus 5.5 como la ruta de escalado detrás de un único endpoint compatible con OpenAI junto a más de otros 200 modelos, y deja que el failover automático cubra el caso en el que el nuevo proveedor falle en su primer mes. El DSL de enrutamiento puede expresar el traspaso —primero el modelo rápido, escalar ante una señal de baja confianza o un fallo en la llamada a una herramienta— sin necesidad de una segunda integración para el respaldo. Acabas midiendo Mercury 3 con tu propio tráfico en lugar de con una publicación de lanzamiento, y conservas el modelo capaz de leer una captura de pantalla para las solicitudes que lo requieran.

¿Cuál elegir?

Si tu carga de trabajo es solo de texto, está limitada por la latencia y tolera una respuesta errónea ocasional que una persona o un reintento puedan detectar, Mercury 3 con precio de lanzamiento es una de las opciones creíbles más baratas disponibles esta semana, y los 100 millones de tokens gratuitos en la plataforma de Inception hacen que la prueba sea casi gratuita. Pruébalo con tu propio tráfico, fija el ajuste de esfuerzo y mide la tasa de reintentos en lugar del rendimiento.

Si tu carga de trabajo implica documentos, imágenes, cambios de código a largo plazo o respuestas que nadie verifica antes de actuar en función de ellas, Opus 5.5 sigue siendo la opción defendible y el precio no es la variable interesante. Su puntuación independiente en el índice, su entrada multimodal y su tabla de resultados comparativos publicada son lo que estás comprando, y ninguno de ellos tiene todavía un equivalente en Mercury 3.

El error que hay que evitar es tratar el 57x como un mandato de migración. Es un descuento en tokens, y los tokens son la parte más barata de la mayoría de los sistemas de IA. Las partes caras —una persona que revisa los resultados, una respuesta incorrecta que llega a un cliente, un pipeline reconstruido en torno a un modelo que no puede ver— son exactamente las partes que la tabla de precios no muestra.