Mercury 3 vs MiniMax M3: un número contra todo un historial

Inception lanzó Mercury 3 el 19 de octubre de 2026 con una sola cifra de rendimiento —1.068 tokens por segundo— y ninguna puntuación de benchmark de ningún tipo. MiniMax lanzó MiniMax M3 el 1 de junio de 2026 con una tabla de benchmarks del proveedor, un checkpoint descargable y, cuatro meses después, una puntuación publicada por un evaluador independiente. Si los ponemos uno junto al otro, la pregunta interesante no es cuál modelo es más rápido o más barato. Es que hoy uno de estos modelos puede ser verificado por alguien distinto de su autor, y el otro no. Esa asimetría es toda la comparación, y sobrevive a cada recorte de precios que anuncie cualquiera de los dos laboratorios. Los fallos documentados de IA y los incidentes con agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter donde cada entrada incluye sus propias fuentes, nivel de gravedad, grado de confianza y marca de disputado.

Los dos modelos además resultan estar lo bastante parejos sobre el papel como para que la elección sea real. Ambos manejan una ventana de un millón de tokens. Ambos se sitúan en la gama barata. Ambos se basan en arquitecturas poco habituales para su clase —difusión para Mercury 3, atención dispersa sobre una mezcla de expertos para MiniMax M3— y ambos afirman que es esa arquitectura la que les proporciona su rentabilidad económica.

Dos publicaciones de lanzamiento, dos tipos diferentes de evidencia.

Lea el anuncio de Inception como un documento. Plantea un argumento de escalado: Mercury 3 es más de 40 veces más grande que Mercury 1 en parámetros totales, la inteligencia medida aumentó aproximadamente tres veces desde Mercury 1 (mini) hasta Mercury 3, y el modelo es «igual de rápido» que su antecesor más pequeño. Hace una afirmación comparativa de calidad: Mercury 3 está «a la par o es mejor que modelos frontera optimizados para velocidad como GPT-6 Luna y Claude Haiku 5.5». Y reporta exactamente un resultado de tarea, del propio arnés de agente web de Inception, en 50 tareas de navegación en vivo de Mind2Web, donde el modelo completó el 50 por ciento. Cada uno de esos datos está reportado por el proveedor y ninguno menciona una suite de benchmarks, un margen ni una configuración de hardware.

Lee el material de MiniMax como un documento y verás que tiene la forma opuesta. Hay una tabla de benchmarks con suites con nombre y porcentajes —SWE-Bench Pro 59.0, Terminal-Bench 2.1 66.0, BrowseComp 83.5, OSWorld-Verified 68.70—, además de una tarjeta de modelo, además de los pesos en Hugging Face y además de un listado independiente de Artificial Analysis que puntúa el modelo con 29 en su Intelligence Index. Las cifras del proveedor siguen siendo cifras del proveedor, y no hemos visto que se reproduzcan. Pero cualquiera que quiera puede descargar, ejecutar y medir el modelo, y esa es la razón por la que el número independiente existe siquiera.

Esa diferencia en lo que se publicó no es un detalle de marketing. Determina qué tipo de consejo puede darte cualquiera sobre estos dos modelos. Para MiniMax M3 hay una cifra de rendimiento medida, un costo medido por tarea de indexación y una clasificación medida. Para Mercury 3 hay una afirmación.

Las especificaciones, con la fuente de cada parte adjunta

• Precio por millón de tokens: Mercury 3, $0.20 de entrada y $0.70 de salida a precio de lista, reducidos a la mitad a $0.10 y $0.35 mientras esté vigente el descuento de lanzamiento, frente a MiniMax M3, $0.30 y $1.20 en solicitudes de hasta 512K tokens de entrada

• Entrada en caché — Mercury 3 $0.02 por millón, $0.01 durante la ventana de lanzamiento frente a MiniMax M3 $0.06 por millón

• Ventana de contexto — Mercury 3: 1,000,000 tokens frente a MiniMax M3: 1,048,576

• Salida máxima — Mercury 3, 131.072 tokens frente a MiniMax M3, 512.000 tokens en nuestra propia página de catálogo; MiniMax no publica ninguna cifra de salida máxima, así que esa cifra es nuestra, no la del proveedor

• Modalidad de entrada — Mercury 3 solo texto vs MiniMax M3 texto, imagen y video

• Arquitectura — Mercury 3 es un modelo de lenguaje de difusión que refina bloques de tokens en paralelo, mientras que MiniMax M3 es una mezcla de expertos, con aproximadamente 428B en total y aproximadamente 23B activos por token, con MiniMax Sparse Attention

• Pesos — Mercury 3 cerrado, solo API, frente a MiniMax M3 descargable bajo la Licencia Comunitaria de MiniMax

• Rendimiento — Mercury 3: 1.068 tokens por segundo, según datos del proveedor en hardware NVIDIA no identificado, con un tamaño de lote y un ajuste de esfuerzo no especificados, frente a MiniMax M3: 106,4 tokens por segundo medidos por Artificial Analysis

• Índice de Inteligencia Independiente — Mercury 3: sin entrada a fecha del 20 de octubre de 2026, frente a MiniMax M3 29, clasificado en el puesto 23 de 121 modelos en la revisión vigente ese día

• Control de razonamiento — Mercury 3: cuatro ajustes de esfuerzo, desde instantáneo hasta alto, con valor predeterminado bajo cuando se omite el parámetro, frente a MiniMax M3: un parámetro de pensamiento con modos enabled, adaptive y disabled

• Llamada a herramientas y salidas estructuradas — ambas se admiten en un endpoint de chat completions compatible con OpenAI

Dos de esas líneas necesitan una advertencia adjunta antes de que se citen en cualquier parte. La cifra de 1.068 es una medición del proveedor sin un arnés de evaluación declarado, por lo que no es comparable con una cifra producida por un evaluador independiente bajo una metodología fija. Además, Artificial Analysis recalcula periódicamente las puntuaciones de su índice; el 29 mencionado arriba es la lectura del 20 de octubre de 2026, y MiniMax M3 ha arrojado lecturas distintas en revisiones anteriores. Los números de ese índice cambian; el hecho de que exista uno para M3 y no para Mercury 3 no cambia.

Qué significan 1.068 tokens por segundo a nivel de solicitud

Los tokens por segundo son una mala unidad para decidir cualquier cosa, porque nadie compra tokens. Compran solicitudes completadas. Convierte ambas cifras en lo que el usuario realmente experimenta: cuánto tarda en generarse una respuesta de mil tokens.

Con los 1.068 tokens por segundo que Inception afirma, una respuesta de 1000 tokens tarda unos 0,94 segundos en generarse. Con los 106,4 medidos de MiniMax M3, la misma respuesta tarda unos 9,4 segundos. Incluya un tiempo medido hasta el primer token de 1,13 segundos para M3, y la diferencia entre las dos experiencias es de aproximadamente diez veces, antes de que nadie añada latencia de red, colas o la sobrecarga propia del proveedor.

Ese es el caso de Mercury 3, y es un caso real. Una diferencia de diez veces en el tiempo de generación es la diferencia entre una respuesta de búsqueda que se siente instantánea y una que se siente como la carga de una página. Toda la línea de productos de Inception gira en torno a esto: la empresa vende Mercury Voice por su tiempo hasta el primer token de respuesta, Mercury Decide para clasificación, y posiciona su producto insignia en atención al cliente, tutoría, búsqueda y agentes web, todas ellas cargas de trabajo en las que una respuesta lenta es un producto roto en lugar de uno ligeramente peor.

Lo que la cifra multiplicada por diez no te dice es si Mercury 3 vale algo. El resultado de Mind2Web —50 por ciento de finalización en 50 tareas en vivo, «significativamente más que GPT-6.1-Sol»— es la única señal estructurada de calidad que publicó Inception, y 50 tareas son una muestra lo bastante pequeña como para que un solo sitio difícil mueva el porcentaje dos puntos. El arnés de pruebas es de Inception. El modelo de comparación se nombra sin una puntuación. Es una señal genuina de que el modelo puede controlar un navegador, y no es una medición que se pueda incorporar a una decisión de adquisición.

Lo que realmente dice el historial de MiniMax M3

El panorama independiente de M3 es poco glamuroso y útil. Un Índice de Inteligencia de 29 frente a una mediana de 19 para los modelos de su clase de comparación, 106,4 tokens de salida por segundo frente a una mediana de 77,4, un tiempo hasta el primer token de 1,13 segundos frente a una mediana de 1,70 segundos, y un coste de $0.51 por ejecutar el índice por modelo. Es un modelo que está muy por encima de la media en calidad para su clase, claramente por encima de la media en velocidad para su tamaño, y barato de ejecutar.

Las subpuntuaciones que circulan a partir de la republicación por terceros de la misma familia de índices cuentan una historia más específica: sólidas en comprensión de documentos y seguimiento de instrucciones, más débiles en trabajo de agente autónomo de varios pasos. La brecha entre sus subpuntuaciones de programación y de agente es la mayor dispersión interna de su historial. Si su carga de trabajo es «leer este documento largo y responder con precisión», M3 está bien respaldado por la evidencia. Si es «ejecutar durante veinte minutos y entregar», la evidencia es más escasa y apunta en la dirección contraria.

Para Mercury 3 no hay un párrafo equivalente que escribir, porque los datos no existen. Artificial Analysis no tiene página de Mercury 3 —su índice sigue listando Mercury 2.5 y Mercury 2—, así que un día después del lanzamiento el modelo no tiene puntuación independiente, ni cifra de velocidad independiente, ni dato de coste por tarea. El conjunto de comparación de Inception (GPT-6 Luna, Claude Haiku 5.5) corresponde al nivel rápido y no a la frontera, lo cual es el comparador adecuado para un producto de latencia, pero la afirmación no incluye margen ni nombres de pruebas.

La diferencia de precio es menor de lo que sugiere la etiqueta.

El reflejo es llamar a Mercury 3 la opción económica y a M3 la cara. Por token, eso es cierto en cuanto a la dirección y mucho menos dramático de lo que parece: la entrada es 1,5 veces más barata en Mercury 3, la salida 1,7 veces más barata. Eso no es otra liga. Es otro estante.

Ejecuta una carga de trabajo concreta. Toma un asistente de soporte o búsqueda que gestiona 10.000 respuestas al día, cada una con 1.500 tokens de entrada de contexto recuperado y estructura del prompt, y 300 tokens de salida. Eso equivale a 15 millones de tokens de entrada y 3 millones de tokens de salida al día.

• Mercury 3 a precio de lista: 15 × $0.20 más 3 × $0.70, o $5.10 al día

• Mercury 3 a la tarifa de lanzamiento — 15 × $0.10 más 3 × $0.35, o $2.55 al día

• MiniMax M3 a su tarifa de solicitudes pequeñas: 15 × $0.30 más 3 × $1.20, o $8.10 al día

Así que la diferencia diaria entre los dos precios de lista es de unos tres dólares en diez mil conversaciones. Si la eficiencia de tokens de Mercury 3 en su ajuste predeterminado de esfuerzo bajo es peor que la de M3 —y nadie fuera de Inception lo sabe, porque no hay un recuento medido de tokens de salida para Mercury 3—, esa brecha de tres dólares puede cerrarse o invertirse en tráfico real. Esta es la razón concreta por la que es difícil presupuestar un modelo sin puntuación: no se puede calcular el coste por tarea completada sin una tasa de finalización medida y una verbosidad medida.

La línea de entrada en caché importa más que el titular para las cargas de trabajo de agentes, porque los agentes reenvían el mismo prompt de sistema y las mismas definiciones de herramientas en cada paso. Los $0.02 por millón de tokens en caché de Mercury 3 hacen que un preámbulo de 20,000 tokens cueste cuatro diezmilésimas de dólar por llamada. Los $0.06 de M3 cuestan tres veces eso, lo que sigue siendo poco, pero en una ejecución de cincuenta pasos la diferencia son centavos, no fracciones de centavo, y el tráfico de agentes es donde los centavos se multiplican.

Licencia, salida y lo que no puedes descargar

MiniMax M3 se distribuye bajo la M​iniMax Community License. El uso no comercial es gratuito; el uso comercial requiere mostrar «Built with MiniMax M3» —un aviso único si los ingresos anuales son inferiores a 20 millones de dólares— y autorización previa por escrito si superan esa cifra, además de cumplir un apéndice de usos prohibidos. Se trata de una revisión legal más que de una formalidad, pero es una licencia que puedes leer antes de empezar a desarrollar.

Mercury 3 no tiene licencia que leer, porque no hay nada que licenciar. Es cerrado. Eso no lo descalifica automáticamente —la mayoría de los equipos que llaman a un modelo mediante una API nunca tocan los pesos—, pero cambia lo que sucede si Inception cambia su precio, sus condiciones o su disponibilidad. La salida es una migración, no un redespliegue.

Otra asimetría que vale la pena nombrar: M3 tiene un historial de cuatro meses. Ha estado en nuestro catálogo el tiempo suficiente para acumular percentiles de tráfico y latencia, y su tarifa ha sido estable. Mercury 3 tiene un día de vida, su precio de lanzamiento no tiene una fecha de finalización publicada, y sus modelos predecesores ya están cerrados a nuevos usuarios: la propia nota de migración de Inception dice que Mercury 2 y Mercury 2.5 dejan de aceptar nuevos registros y que los clientes existentes pierden el acceso el 15 de noviembre de 2026. Un proveedor que retira una línea de modelos tan rápido te está diciendo algo sobre cómo espera que consumas sus productos.

Donde un router cambia la aritmética

Esta comparativa es un buen argumento para no elegir nada durante la primera semana. MiniMax M3 está en OrcaRouter a 0,30 $ de entrada y 1,20 $ de salida por millón de tokens, el precio de lista del proveedor sin ningún margen añadido, junto a más de 200 modelos más detrás de un único endpoint compatible con OpenAI. Mercury 3 no está en nuestro catálogo —una consulta a nuestra API de modelos no devuelve nada para ningún modelo de Inception—, así que quien quiera usarlo tendrá que acudir a la plataforma propia de Inception o a uno de los proveedores externos que Inception enumera. Preferimos decirlo con claridad antes que insinuar una vía que no tenemos.

El patrón que encaja con un lanzamiento no medido e inusualmente rápido es un diseño de dos rutas. Coloca el nivel crítico para la latencia en Mercury 3 a través del proveedor, y mantén el respaldo medido en M3 u otro modelo que ofrecemos, con la conmutación por error automática configurada para que un 429 o un endpoint degradado no tumben la funcionalidad. El DSL de enrutamiento existe precisamente para que la división pueda ser una regla en lugar de una bifurcación en tu base de código, y porque los precios de lista del proveedor se trasladan sin cambios, un recorte de precios de Inception o un cambio de nivel de M​iniMax llega a tu factura el día en que se anuncia y no en el siguiente contrato.

Lo que ese diseño no te aporta es una garantía de calidad por parte del Mercury 3. Nada lo hace, todavía.

La regla que se aplicará esta semana

• Si la respuesta debe llegar en aproximadamente un segundo y una respuesta incorrecta es recuperable —sugerencias de búsqueda, triaje de soporte, pistas de tutoría, pasos del agente con una ruta de escalado—, Mercury 3 merece una semana de evaluación solo por la promesa de latencia. Presupuesta con base en el precio de lista, no en la tarifa de lanzamiento del 50 %, ya que el descuento no tiene una fecha de finalización publicada.

• Si necesitas saber qué tan bueno es el modelo antes de decidirte, MiniMax M3 es el único de estos dos que te permite averiguarlo. También es el único que puedes descargar, cuantizar, afinar o ejecutar en tu propio hardware.

• Si tu carga de trabajo lee vídeo o imágenes, la comparación está decidida. M3 los admite; Mercury 3 no.

• Si lo que optimizas es el coste por tarea completada en lugar del coste por token, ninguno de los dos modelos te da todavía la cifra que necesitas: M3 porque su debilidad en tareas agénticas está medida y es real, y Mercury 3 porque no se ha medido absolutamente nada sobre su comportamiento de finalización.

Lo que hay que vigilar no es el precio de Mercury 3, sino la primera evaluación independiente de Mercury 3, cuando quiera que llegue. Si la afirmación sobre el throughput se reproduce en algún punto cercano a los 1.068 tokens por segundo bajo un harness neutral y la calidad queda en la clase Haiku que Inception dice, esto deja de ser un enfrentamiento y se convierte en una cuestión de migración para todo producto web limitado por la latencia. Si acaba en el descuento habitual entre proveedor e independiente y la calidad es meramente competitiva, entonces el resumen honesto es el de arriba: un modelo rápido, barato y no probado frente a uno más lento, barato y probado; y para la mayoría de los equipos, el lado probado es el que se queda con la ruta de producción hasta que el otro lado tenga una cifra.