Mercury 3 vs Mistral Large 4: Dos modelos inacabados y las promesas asociadas a cada uno

Ninguno de estos dos modelos está terminado, y las formas en que están inacabados son opuestas. Mercury 3 fue lanzado por Inception Labs el 19 de octubre de 2026 como un producto comercial a $0,20 por millón de tokens de entrada y $0,70 por millón de salida, y no tiene ninguna evaluación independiente de ningún tipo: ninguna puntuación de Artificial Analysis, ningún arnés de terceros, nada. Mistral Large 4 fue anunciado por Mistral el 6 de octubre de 2026 como una vista previa pública a $1,36 y $4,18 por millón, y tiene una puntuación independiente de 38 en el Artificial Analysis Intelligence Index y un costo medido de $1,13 por tarea del índice, pero sus pesos —que Mistral prometió que se publicarían "a finales de mes"— no se habían publicado en Hugging Face cuando se escribió esto, y la propia ejecución de aprendizaje por refuerzo de la vista previa seguía en curso en el momento del anuncio. Las fallas documentadas de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en the OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, calificación de confianza y marca de disputa.

Así que la comparación es entre un modelo cuyas cifras son todas reportadas por el proveedor y un modelo cuyas cifras no son todas definitivas. Además, ocupan categorías de producto diferentes: Mercury 3 es un modelo de lenguaje de difusión solo de texto con un contexto de un millón de tokens y una afirmación de rendimiento de 1.068 tokens por segundo, mientras que Mistral Large 4 es un mezcla de expertos nativamente multimodal de 1 billón de parámetros con 52.000 millones de parámetros activos, entrenado con 3.800 GPU NVIDIA Grace Blackwell en centros de datos franceses y posicionado explícitamente en torno a la soberanía europea en IA. Si tu carga de trabajo es texto y tu restricción es el costo, esa diferencia es decisiva antes de consultar cualquier benchmark. Si no lo es, los dos modelos apenas compiten entre sí.

Mercury 3, y la cosa específica que falta

El modelo de Inception es la tercera generación de su apuesta por la decodificación en paralelo. En lugar de un token por pasada hacia adelante, Mercury elimina el ruido de un bloque de posiciones y las confirma en conjunto, de ahí provienen los más de 1.000 tokens por segundo. Según Inception, Mercury 3 tiene más de 40 veces el número total de parámetros de Mercury 1, con una ventana de contexto que creció de 260.000 a 1.000.000 de tokens y un límite de salida de 131.072 tokens, y se ejecuta a 1.068 tokens por segundo en hardware NVIDIA no especificado.

Lo que falta es cualquier medición que Inception no haya realizado. El único resultado estructurado de calidad del anuncio es una prueba de agente en sitios en vivo: 50 tareas de navegación de Mind2Web contra sitios web reales dentro del propio arnés de producción de Inception, donde Mercury 3 completó el 50 % —25 tareas—, lo que, según Inception, es «significativamente más que GPT-6.1-Sol» con el mismo volumen de tokens y el mismo número de pasos. Eso es más interesante que una tabla de benchmarks porque los sitios estaban en vivo, y menos fiable por la misma razón por la que siempre lo es una demo de un proveedor: Inception eligió el arnés, los objetivos y la puntuación. A 20 de octubre de 2026 no hay ninguna página de Artificial Analysis para Mercury 3, así que no hay una cifra neutral de rendimiento, ni un coste neutral por tarea, ni una curva de recall neutral para esa ventana de un millón de tokens.

La consecuencia es concreta, no filosófica. Un contexto de un millón de tokens con una curva de recuperación no medida es una afirmación de capacidad: los tokens caben, y nadie ha establecido cuántos de ellos usa realmente el modelo. Mercury 2.5 obtuvo 12 en el Artificial Analysis Intelligence Index, lo que indica dónde se situaba la generación anterior y nada sobre esta.

Mistral Large 4, y lo concreto que está sin terminar

El modelo de Mistral es una propuesta completamente distinta y el anuncio es inusualmente específico al respecto. Es un modelo nativamente multimodal de 1 billón de parámetros con 52.000 millones de parámetros activos —mezcla dispersa de expertos, por lo que la mayor parte del billón no trabaja en un token determinado. Maneja documentos, gráficos, imágenes naturales, dibujos técnicos e imágenes satelitales de gigapíxeles, y fue entrenado con datos que abarcan más de 160 idiomas, incluidos todos los idiomas oficiales de la UE.

• Programación — 61,7 % en DeepSWE v1.1, 59,4 % en SWE-Atlas-QnA, 28,3 % en Terminal-Bench 4, para un Coding Agent Index combinado del 49,8 %. Todo según datos reportados por Mistral.

• Agentes y ciberseguridad — 59,9% en AutomationBench, 1.393 de Elo en AA-Briefcase, 82% en una prueba de reproducción y parcheo de vulnerabilidades reales que, según Mistral, lidera a todos los modelos, 93% en Cybench y 93,3% de resistencia a ataques en B3 de Lakera.

• Visión — 42% en Dense 200 visual grounding, apenas por delante de GPT-6 Astra con 41%.

• Evaluación humana: 3,74 sobre 5 en la evaluación ciega de programación de Surge AI, segundo de cinco modelos, por detrás de Claude Opus 5 con 4,22. Un tercero realizó el estudio; Mistral lo encargó y lo publicó.

• Agregado independiente: 38 en el Índice de Inteligencia de Artificial Analysis, puesto 66 de 217, a $1.13 por tarea del índice, 67,5 tokens de salida por segundo y 1,65 segundos hasta el primer token.

• Estado — vista previa, pesos prometidos para finales de octubre de 2026, ejecución de RL aún en curso en el momento del anuncio.

La clasificación merece cautela. La propia documentación de Mistral incluye la generación v26.10 como «Open» y de pesos abiertos; la página de Artificial Analysis, consultada el 20 de octubre, sigue diciendo «proprietary» y que «los pesos del modelo no están disponibles públicamente». Ambas afirmaciones son correctas en momentos distintos: la licencia es la intención, los pesos aún no están en disco. Cualquiera que esté preparando un despliegue con la suposición de que Mistral Large 4 se podrá descargar en noviembre debería tener en cuenta que la promesa tiene fecha, pero todavía no repositorio.

Las dos tarjetas de tarifas, y la cifra que hace que la brecha sea menor de lo que parece

En teoría, Mercury 3 es drásticamente más barato: $0.70 por millón de salida frente a $4.18, y $0.20 de entrada frente a $1.36. Eso supone una diferencia de 6 veces a precio de lista, o de 12 veces durante la ventana de lanzamiento de Mercury a $0.10 y $0.35, mientras que el propio precio promocional de Mistral, de $0.68 y $2.09, la reduce a aproximadamente 6 veces.

El número por respuesta es donde se comprime aún más, y es el único número de este artículo que fue medido por alguien distinto del proveedor que vende el modelo. Artificial Analysis sitúa a Mistral Large 4 Preview en 1,13 dólares por tarea del Intelligence Index. Mercury 3 no tiene un equivalente, así que la única forma de construir uno es suponer un volumen de tokens, y las comparaciones anteriores de Mercury mostraron por qué importa esa suposición: un modelo que gasta 31.000 tokens de salida donde otro gasta 193.000 puede ser 20 veces más caro por token y aun así resultar más barato por respuesta. A 0,70 dólares por millón, Mercury 3 necesitaría alrededor de 1,6 millones de tokens de salida para costar 1,13 dólares por una sola tarea. No gastará eso. Con cualquier volumen realista queda muy por debajo de 1,13 dólares, que es el núcleo honesto de su argumento: la ventaja por token sobrevive aquí a la corrección por respuesta de una manera en que no lo hizo frente a GPT-6 Sol.

• Contexto — Mercury 3: 1.000.000 de tokens según la documentación de Inception. Mistral Large 4: 1.000.000 según la ficha del modelo de Mistral, frente a 524.288 en la configuración probada de Artificial Analysis.

• Multimodalidad — Mercury 3: entra texto, sale texto, sin imágenes a ningún precio. Mistral Large 4: documentos, gráficos, fotografías, dibujos técnicos, imágenes de satélite.

• Velocidad — Mercury 3: 1.068 tokens por segundo, medido por el proveedor. Mistral Large 4: 67,5 tokens por segundo según Artificial Analysis, con un tiempo hasta el primer token de 1,65 segundos que es realmente rápido para un modelo de este tamaño.

• Pesos — Mercury 3: ninguno publicado, y la organización de Inception en Hugging Face no tiene repositorios de modelos. Mistral Large 4: prometido para finales de octubre, aún no publicado.

• Gobernanza — Mercury 3: no hay declaración publicada sobre los datos de entrenamiento ni sobre el despliegue en la UE. Mistral Large 4: entrenado en centros de datos europeos, despliegue operado en Europa, en todos los idiomas oficiales de la UE.

La línea de contexto largo es la que hay que leer dos veces. La documentación de Mistral indica un millón de tokens; Artificial Analysis probó con 524,288. Eso no es una contradicción —los proveedores prueban con la potencia de dos que admita su sistema de pruebas—, pero recuerda que una cifra de contexto es un máximo, no una capacidad probada, y la recuperación de contexto largo de Mistral Large 4 tampoco se ha publicado con la ventana completa.

Dónde muerde de verdad el argumento europeo

El argumento de la soberanía no es un adorno en este modelo; es la razón por la que varios compradores lo elegirán frente a algo más barato y mejor. Entrenado con GPU Blackwell en centros de datos franceses, operado desde Europa y multilingüe en todas las lenguas oficiales de la UE, para un comprador del sector público o una empresa europea regulada, esa combinación puede pesar más que doce puntos en el índice de inteligencia, porque puede que la alternativa ni siquiera se pueda adquirir.

Mercury 3 no ofrece nada de eso. Inception no ha publicado nada sobre dónde se ejecuta el modelo, con qué datos se entrenó ni qué condiciones de retención se aplican, más allá de señalar que los clientes empresariales pueden comprar capacidad dedicada, escalado automático, controles de cumplimiento y retención configurable. Son las cosas correctas que vender a una empresa, y no son lo mismo que una postura publicada sobre el tratamiento de datos.

Hay un detalle más en la historia europea que merece la pena señalar en lugar de resolver: la promesa de los pesos abiertos. Si Mistral publica los pesos a finales de octubre, un comprador europeo obtiene algo que ningún laboratorio estadounidense ofrece actualmente a esta escala: un modelo multimodal cercano a la frontera que puede ejecutarse dentro de su propio perímetro, en su propio hardware, sin ningún proveedor en la ruta de la solicitud. Ese es un producto sustancialmente distinto de una API de vista previa, y es la razón por la que el repositorio ausente importa más que los puntos de benchmark ausentes.

Ambos modelos están fuera de nuestro catálogo, lo que cambia la recomendación.

Mercury 3 no está en el catálogo de OrcaRouter, y Mistral Large 4 tampoco: nuestra API de modelos no devuelve nada para ninguno de los dos, con todas las variantes de slug que probamos. Es lo bastante inusual como para decirlo sin rodeos, porque significa que esta comparación no puede terminar con «poner ambos en una sola clave». Quien llame a cualquiera de los dos modelos tendrá que acudir directamente al proveedor o a alguna de las diversas plataformas de terceros que lo alojan.

Lo que una capa de enrutamiento sigue haciendo en esa situación es la parte que no requiere alojar el modelo: mantiene los modelos que sí enrutamos detrás de un único endpoint compatible con OpenAI, y te permite expresar una regla sobre qué tráfico va a dónde. Si los pesos de Mistral llegan a finales de octubre, la arquitectura interesante no es «usar Mistral Large 4 para todo», sino una ruta de Mistral autoalojada para los documentos que no pueden salir de tu perímetro, un modelo de frontera enrutado para el trabajo que sí puede, y una regla que decide entre ambos. Esa misma regla sirve para Mercury 3 si Inception lo lanza en algún lugar al que podamos acceder, y también cubre el caso de que termine el precio promocional de cualquiera de los dos proveedores, que en el caso de Mercury 3 no tiene fecha anunciada.

¿Quién debería elegir qué, y qué cambiaría la respuesta?

Elige Mercury 3 si el trabajo es texto, el volumen es alto y las respuestas son baratas de verificar. La tarifa es entre seis y doce veces más barata que Mistral Large 4 según qué precios estén vigentes, la ventana de contexto tiene el mismo tamaño anunciado, y la ausencia de una puntuación neutral es un riesgo que puedes medir en tu propia tasa de error en un día. A lo que renuncias es a toda forma de entrada que no sea texto, y a cualquier capacidad de auditar el comportamiento del modelo antes de desplegarlo.

Elige Mistral Large 4 si la entrada incluye imágenes, dibujos o escaneos; si adquisiciones exige entrenamiento y operación europeos; si un tiempo hasta el primer token de 1,65 segundos importa más que el rendimiento bruto; o si la promesa de pesos abiertos es la razón real por la que te interesa, en cuyo caso espera el repositorio en lugar del anuncio. Lo que cedes es un factor de seis en el precio y cualquier pretensión de ser lo más rápido disponible.

Dos fechas resolverían la mayoría de las preguntas abiertas en este artículo. La primera es finales de octubre, cuando Mistral publique o no los pesos. La segunda es cuando Artificial Analysis ejecute Mercury 3, lo que reemplazaría cada cifra de proveedor de la primera sección por una medida. Ninguna de las dos fechas se ha anunciado. Hasta que lleguen, el resumen defendible es que Mercury 3 es el motor de texto más barato y Mistral Large 4 es el producto más completo, y que ambos se venden con afirmaciones que el comprador actualmente tiene que aceptar por fe.