Mercury 3 vs Muse Wonder: treinta y dos segundos hasta el primer token

Hay un número medido en esta comparación que debería zanjar la discusión antes de que empiece. Artificial Analysis registra el tiempo hasta el primer token de Muse Wonder en 32,08 segundos. Mercury 3 afirma 1.068 tokens de salida por segundo sin ninguna medición independiente. Un modelo tarda medio minuto en empezar a responder; el otro afirma que escribe mil palabras en el tiempo que se tarda en leer esta frase. En latencia no están en la misma categoría de producto, y ninguna superioridad en los benchmarks cierra una diferencia de treinta veces en el momento en que aparece el primer carácter. Los fallos de IA y los incidentes de agentes documentados 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, gravedad, grado de confianza y marca de disputa.

Pero esa es la versión fácil de la historia, y es engañosa en un aspecto importante. Muse Wonder no intenta ser rápido. Meta lanzó Muse Wonder el 12 de octubre de 2026 como un modelo de razonamiento de frontera con un precio de 4,00 USD por millón de tokens de entrada y 20,00 USD por millón de tokens de salida, y a ese precio lo que se compra es profundidad: un modelo que piensa durante treinta segundos y resuelve correctamente el problema difícil. Mercury 3, lanzado por Inception el 19 de octubre de 2026, tiene un precio entre veinte y cincuenta veces menor porque vende la apuesta contraria. La pregunta que realmente enfrenta quien construye no es cuál es mejor. Es qué apuesta hace tu producto, y si has sido honesto contigo mismo sobre cuál es.

Los dos modelos, en un párrafo cada uno.

Mercury 3 es un modelo de lenguaje de difusión —el término que usa Inception es dLLM— que genera tokens en paralelo en lugar de uno a la vez. Tiene un contexto de 1 millón de tokens, una salida máxima de 131.072 tokens, entrada solo de texto, llamada a herramientas y salidas estructuradas en un endpoint compatible con OpenAI, y cuatro ajustes de esfuerzo de razonamiento (instantáneo, bajo, medio, alto), donde el predeterminado es bajo. El precio de lista es de $0,20 por millón de tokens de entrada y $0,70 por millón de tokens de salida; actualmente está reducido a la mitad, a $0,10 y $0,35, "en el lanzamiento", sin fecha de finalización publicada. La afirmación de calidad de Inception es comparativa y no puntuada: dice que el modelo está a la par o es mejor que "modelos de frontera optimizados para la velocidad como GPT-6 Luna y Claude Haiku 5.5", y reporta un resultado de tarea de su propio arnés de agentes: 50 % de finalización en 50 tareas de Mind2Web en vivo.

Muse Wonder es el modelo de razonamiento de frontera de Meta, distribuido como dos checkpoints: muse-wonder-1.0, invocable en la Meta Model API y dentro de Muse Code, y muse-wonder-full-1.0, una configuración con mayor puntuación que, según Meta, solo está disponible para los suscriptores de Muse Code. Ambos cuentan con un contexto de 1M de tokens y la misma tarifa de $4.00/$20.00, con un 95 por ciento de descuento por caché. El razonamiento es obligatorio —la escala de esfuerzo va de mínimo a máximo, con un valor predeterminado de medio— y los tokens de razonamiento se facturan como salida. Las entradas son texto, imagen, voz y vídeo; la salida es texto.

Cuánto cuesta realmente cada uno a nivel de solicitud

Los precios por token son el número menos útil en una comparación como esta, porque los dos modelos consumen volúmenes de tokens radicalmente distintos para hacer el mismo trabajo. Un modelo de razonamiento que usa por defecto un esfuerzo medio y gastó 130 millones de tokens de salida al completar una ejecución de evaluación no tiene el mismo precio que un modelo optimizado para respuestas cortas, incluso antes de aplicar la tabla de tarifas. Así que calcula el precio del mismo trabajo de ambas maneras.

Toma un asistente de revisión de documentos: entrada de 20.000 tokens de texto de contrato, salida de un resumen estructurado y una lista de riesgos de 500 tokens, 2.000 revisiones al día.

• Mercury 3 a precio de lista — 40 millones de tokens de entrada a $0.20 son $8.00; 1 millón de tokens de salida a $0.70 son $0.70. Aproximadamente $8.70 al día.

• Mercury 3 a la tarifa de lanzamiento: la mitad de eso, unos $4.35 al día.

• Muse Wonder — 40 millones de entrada a $4.00 son $160; 1 millón de salida a $20.00 son $20. Además, los tokens de razonamiento, que se facturan como salida y que Meta no te permite desactivar. Con un cálculo conservador de 1,000 tokens de razonamiento por llamada, la línea de salida pasa a ser de 3 millones de tokens, o $60, para un total diario de $220.

Eso supone una diferencia de veinticinco veces con un tráfico idéntico, y es la versión ligeramente favorable para Muse Wonder, porque los modelos de razonamiento suelen gastar mucho más de mil tokens de pensamiento en una tarea que requiere cuidado. El ajuste de esfuerzo es la única palanca, y es una palanca que afecta a la vez al coste y a la calidad: no puedes reducir el pensamiento sin reducir la respuesta.

Aquí está la parte que hace que la comparación sea algo más que aritmética. Mercury 3 no publica un recuento de tokens de salida para ninguna evaluación, así que nadie sabe si es conciso o verboso frente a una tarea de referencia. Si resulta ser un modelo locuaz, el coste diario se mueve en múltiplos, no en porcentajes. La brecha de veinticinco veces podría ser de quince o de cuarenta veces en producción, y no hay evidencia publicada en ningún sentido.

La afirmación sobre el rendimiento, y la cifra que la socava

El titular de Inception es de 1.068 tokens por segundo en GPU NVIDIA, descrito como entre 4 y 8 veces más rápido que los modelos con los que se compara. La empresa no especifica el hardware, el tamaño de lote, el ajuste de esfuerzo ni si la cifra es de un solo flujo o agregada, y esas cuatro decisiones hacen que el número varíe en múltiplos. No hay ninguna medición independiente de Mercury 3 a fecha del 20 de octubre de 2026 — Artificial Analysis todavía incluye Mercury 2.5 y Mercury 2 y no tiene una página de Mercury 3.

La medición independiente que sí existe para la generación anterior resulta ilustrativa. Artificial Analysis sitúa a Mercury 2.5 en alrededor de 706 tokens por segundo con su propio harness. Es una cifra de terceros real y reproducible, y está significativamente por debajo de las cifras del fabricante publicadas en aquel lanzamiento. Esa brecha es el descuento habitual entre fabricante e independiente en esta categoría, más que una prueba de mala fe, pero es el descuento que conviene aplicar mentalmente a 1,068 hasta que alguien la reproduzca.

Muse Wonder, por su parte, tiene una salida medida de 161 tokens por segundo y un tiempo medido hasta el primer token de 32,08 segundos. Ambas cifras corresponden al modelo de Meta funcionando según lo diseñado: el primer token llega tras una larga pasada de razonamiento, y el resto de la respuesta se transmite en flujo a un ritmo mediocre. Para un trabajo por lotes, eso es irrelevante. Para cualquier cosa en la que haya una persona esperando, lo es todo.

La brecha de calidad medida va en la dirección opuesta. Muse Wonder obtiene 52 en el Artificial Analysis Intelligence Index, clasificado en noveno lugar entre 217 modelos, con $4.52 de cómputo por tarea del índice. Mercury 3 no tiene puntuación en el índice. Muse Wonder Full obtiene 56 y se clasifica en cuarto lugar entre 696, sin precio publicado porque Meta no lo vende por token. Por lo tanto, el planteamiento honesto es un modelo de frontera con un techo medido y un problema de latencia medido, frente a un modelo económico con una ventaja de latencia declarada y ningún techo medido en absoluto.

El razonamiento es una decisión de producto, no un ajuste.

La diferencia más profunda entre estos modelos no es el precio ni la velocidad. Es si se le permite al modelo pensar brevemente.

Mercury 3 usa esfuerzo bajo de forma predeterminada cuando se omite el parámetro de razonamiento, y los cuatro ajustes van de instantáneo a alto. Ese valor predeterminado es el detalle que más probablemente se pase por alto y que más probablemente distorsione cualquier comparación: un modelo que responde con esfuerzo bajo parecerá más rápido y obtendrá una puntuación menor que el mismo modelo con esfuerzo alto, y las propias afirmaciones comparativas de Inception no indican qué ajuste las produjo. Si evalúas Mercury 3 por tu cuenta, fija explícitamente el nivel de esfuerzo o tus cifras no serán comparables con las de nadie más, incluidas las de Inception.

Muse Wonder es lo contrario por construcción. El razonamiento es obligatorio, el valor predeterminado es medio y no hay ningún interruptor para desactivarlo. Esa es una decisión de diseño deliberada para un modelo orientado al trabajo profesional y agéntico: el planteamiento de Meta es que el pensamiento es el producto. También significa que el modelo no tiene una ruta barata. Cada llamada paga el impuesto de razonamiento y, a 20 $ por millón de tokens de salida, un bucle agéntico largo que llene el presupuesto de salida de 943.718 tokens es una factura considerable.

Para quien desarrolla, la consecuencia práctica es que estos dos modelos no se pueden intercambiar detrás de una única plantilla de prompt y comparar de forma justa. Hacer bien la misma tarea en Mercury 3 implica elegir un nivel de esfuerzo; hacerlo en Muse Wonder implica aceptar el tiempo de pensamiento. La comparación solo cobra sentido cuando ambos se fijan al mismo comportamiento efectivo, y en Mercury 3 ese comportamiento no está documentado.

Sobre el propio marcador de Meta, y por qué no es la última palabra

Meta publicó una tabla comparativa en el lanzamiento que abarcaba ambos checkpoints junto con Claude Fable 5.1, GPT-6 Astra y Claude Opus 5.5 con razonamiento máximo. Todas las cifras son reportadas por el proveedor, producidas en el harness de Meta, y ninguna ha sido reproducida de forma independiente. Aun así, vale la pena incorporar dos filas a esta comparación, porque muestran al modelo haciendo aquello para lo que se vende.

• JobBench, tareas profesionales de largo horizonte — 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, uso de computadora — 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

Cuando Meta y el evaluador independiente no coinciden, la cifra independiente es la que hay que tomar como referencia para planificar. La tabla de Meta sitúa a Muse Wonder Full en 59,0 en el Artificial Analysis Index; Artificial Analysis, por su parte, publica 56. Tres puntos de diferencia en el mismo índice no constituyen un escándalo, pero dejan claro qué cifra tiene una metodología detrás.

Mercury 3 no tiene una tabla equivalente con la que discutir. Su único resultado estructurado de calidad es la prueba del agente Mind2Web: 50 tareas de navegación en vivo en el arnés de pruebas de producción propio de Inception, 50 por ciento completadas, «significativamente más que GPT-6.1-Sol», usando el mismo volumen de tokens y el mismo número de pasos del agente y, por lo tanto, una fracción del coste por token. Cincuenta tareas son una muestra pequeña, el arnés es de Inception y el modelo de comparación se nombra sin una puntuación. Es una señal real de que el modelo puede controlar un navegador a una fracción del coste de un modelo de frontera haciendo lo mismo. No es un benchmark.

¿Cuál de estos dos deberías estar evaluando en realidad?

La decisión suele reducirse a una sola pregunta: ¿hay una persona esperando esta salida o hay una cola que la consume?

Si un humano tiene que esperar, Muse Wonder queda casi descalificado por sus propias mediciones. Treinta y dos segundos hasta el primer token no es una latencia que se pueda poner delante de un cliente, y nadie lo elige para una interfaz de chat. Mercury 3 está diseñado exactamente para este caso, y su precio hace que el experimento sea barato. Incluso si el rendimiento cae a la mitad de lo que se afirma bajo un entorno de pruebas neutral, sigue siendo varias veces más rápido que cualquier cosa en el nivel de frontera.

Si lo consume una cola —procesamiento de documentos durante la noche, ejecuciones agénticas que entregan un informe, flujos de trabajo de back office en los que nadie está mirando—, entonces el primer token de 32 segundos deja de importar y la brecha de calidad medida empieza a importar. Muse Wonder, con 52 en el índice y un historial independiente completo, es un valor conocido. Mercury 3, con una puntuación desconocida en el índice, en una carga de trabajo donde una respuesta incorrecta es costosa y no se supervisa, es una apuesta.

Tres casos quedan fuera de ambos:

• Vídeo, imágenes o audio en el prompt: Muse Wonder acepta los tres, Mercury 3 no acepta ninguno. No hay ningún intercambio que hacer.

• Cualquier cosa que requiera el checkpoint con la puntuación más alta: Muse Wonder Full no es un producto de API. Es una suscripción mensual a Muse Code de entre $50 y $200, y Meta no ha dicho que vaya a abrirlo.

• Cualquier cosa en la que necesites planificar con un precio estable — el descuento de lanzamiento de Mercury 3 no tiene fecha de finalización, y sus predecesores se están retirando para nuevos usuarios. El $4/$20 de Muse Wonder no tiene ningún cambio anunciado.

Qué hace y qué no hace OrcaRouter aquí

Ni Muse Wonder ni Mercury 3 están en nuestro catálogo. Una consulta a nuestra API de modelos no devuelve nada para meta/muse-wonder ni para ningún modelo de Inception, y no vamos a describir una ruta que no tenemos. Lo que ofrecemos del laboratorio de Meta es la línea Muse Spark: Muse Spark 1.2 y Muse Spark 1.1, ambas con un contexto de 1 millón de tokens a $1,25 de entrada y $4,25 de salida por millón de tokens.

Eso importa más para este enfrentamiento concreto de lo que parece. La razón para usar Muse Wonder es la profundidad, y la razón para usar Mercury 3 es la velocidad. Ambas cosas se pueden probar contra un modelo al que ya puedes llamar: Muse Spark 1.2 te ofrece una familia de razonamiento de Meta con una lista de precios publicada por nosotros, y los más de 200 modelos accesibles mediante una sola clave compatible con OpenAI te dan la comparación de latencia sin un segundo contrato. Si los $4/$20 de Muse Wonder se van a justificar para tu carga de trabajo, tiene que superar a algo, y ese algo debería ser un modelo que puedas medir esta tarde.

La ventaja mecánica que vale la pena nombrar es el traslado de precios. Los precios de lista del proveedor llegan a tu factura sin cambios, así que un recorte del proveedor —como el descuento de lanzamiento del 50 por ciento de Inception o una hipotética reducción de Meta— está vigente de nuestro lado el día en que se anuncia, no en la próxima renovación. Es poca cosa hasta el día en que deja de serlo.

¿Qué resolvería esto?

Dos mediciones harían la mayor parte del trabajo. La primera es una cifra de rendimiento independiente de Mercury 3 bajo un entorno de pruebas, nivel de esfuerzo y tamaño de lote declarados; la segunda es cualquier puntuación de calidad independiente de Mercury 3 que exista. Hasta que existan ambas, el modelo más rápido de esta comparación es también el que menos conoces, y el más capaz es al que solo puedes llamar con una suscripción o a un precio difícil de justificar sin un caso de uso que tolere medio minuto de silencio.

Lo que convierte esto en una decisión fácil y no en una difícil es que los dos modelos no compiten por la misma ranura. El único riesgo real es elegir la ranura equivocada: desplegar un modelo de treinta segundos en una ventana de chat porque su benchmark es mejor, o desplegar un modelo no medido en un pipeline no monitoreado porque su precio es mejor. Ambas son decisiones sobre tu producto, no sobre los modelos, y ninguna se resuelve con un número en una tabla de clasificación.