Mercury 3 vs Muse Wonder : trente-deux secondes avant le premier token

Il y a dans cette comparaison un chiffre mesuré qui devrait clore le débat avant même qu’il ne commence. Artificial Analysis relève le temps jusqu’au premier token de Muse Wonder à 32,08 secondes. Mercury 3 revendique 1 068 tokens de sortie par seconde sans aucune mesure indépendante. Un modèle met une demi-minute à commencer à répondre ; l’autre affirme écrire mille mots le temps qu’il faut pour lire cette phrase. En matière de latence, ils n’appartiennent pas à la même catégorie de produit, et aucune supériorité aux benchmarks, aussi grande soit-elle, ne comble un écart d’un facteur trente quant au moment où le premier caractère apparaît. Les défaillances de l’IA documentées et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Mais c’est la version facile de l’histoire, et elle est trompeuse sur un point important. Muse Wonder ne cherche pas à être rapide. Meta a publié Muse Wonder le 12 octobre 2026 comme modèle de raisonnement de pointe facturé 4,00 $ par million de jetons d’entrée et 20,00 $ par million de jetons de sortie, et à ce prix, ce que l’on achète, c’est la profondeur — un modèle qui réfléchit pendant trente secondes et résout correctement le problème difficile. Mercury 3, publié par Inception le 19 octobre 2026, est facturé vingt à cinquante fois moins cher parce qu’il vend l’arbitrage inverse. La question à laquelle un concepteur est réellement confronté n’est pas de savoir lequel est le meilleur. C’est de savoir quel arbitrage votre produit opère, et si vous avez été honnête avec vous-même sur lequel il s’agit.

Les deux modèles, chacun en un paragraphe

Mercury 3 est un modèle de langage à diffusion — le terme employé par Inception est dLLM — qui génère des tokens en parallèle plutôt qu'un par un. Il dispose d'un contexte de 1 M de tokens, d'une sortie maximale de 131 072 tokens, d'entrées texte uniquement, du tool calling et des sorties structurées sur un point de terminaison compatible OpenAI, ainsi que de quatre réglages d'effort de raisonnement (instant, low, medium, high), le réglage par défaut étant low. Le prix catalogue est de 0,20 $ par million de tokens d'entrée et de 0,70 $ par million de tokens de sortie, actuellement réduit de moitié à 0,10 $ et 0,35 $ « au lancement », sans date de fin publiée. L'affirmation d'Inception sur la qualité est comparative et sans score : la société indique que le modèle est au niveau ou meilleur que « les modèles frontière optimisés pour la vitesse comme GPT-6 Luna et Claude Haiku 5.5 », et rapporte un résultat de tâche issu de son propre harnais d'agent — 50 % d'achèvement sur 50 tâches Mind2Web en conditions réelles.

Muse Wonder est le modèle de raisonnement de pointe de Meta, livré en deux checkpoints : muse-wonder-1.0, appelable sur l’API Meta Model et dans Muse Code, et muse-wonder-full-1.0, une configuration plus performante que Meta dit être réservée aux abonnés à Muse Code. Les deux offrent un contexte de 1 M de tokens et la même grille tarifaire de 4,00 $/20,00 $, avec une remise de 95 % sur le cache. Le raisonnement est obligatoire — l’échelle d’effort va de minimal à max, avec medium par défaut, et les tokens de raisonnement sont facturés comme des sorties. Les entrées sont le texte, l’image, la parole et la vidéo ; la sortie est du texte.

Ce que chacun coûte réellement au niveau de la requête

Le prix par token est le chiffre le moins utile dans une comparaison comme celle-ci, car les deux modèles consomment des volumes de tokens radicalement différents pour accomplir le même travail. Un modèle de raisonnement qui utilise par défaut un effort moyen et a dépensé 130 millions de tokens de sortie pour terminer une exécution d’évaluation n’a pas le même prix qu’un modèle optimisé pour les réponses courtes, même avant l’application de la grille tarifaire. Il faut donc chiffrer le même travail des deux façons.

Prenons un assistant de revue de documents : 20 000 tokens de texte contractuel en entrée, un résumé structuré et une liste de risques de 500 tokens en sortie, 2 000 revues par jour.

• Mercury 3 au tarif catalogue — 40 millions de tokens d’entrée à 0,20 $ font 8,00 $ ; 1 million de tokens de sortie à 0,70 $ font 0,70 $. Environ 8,70 $ par jour.

• Mercury 3 au tarif de lancement — la moitié de cela, environ 4,35 $ par jour.

• Muse Wonder — 40 millions de tokens d’entrée à 4,00 $ font 160 $ ; 1 million de tokens de sortie à 20,00 $ font 20 $. À quoi s’ajoutent les tokens de raisonnement, facturés comme des tokens de sortie et que Meta ne permet pas de désactiver. Avec une estimation prudente de 1 000 tokens de raisonnement par appel, la ligne de sortie passe à 3 millions de tokens, soit 60 $, pour un total quotidien de 220 $.

Cela représente un écart d’un facteur vingt-cinq sur un trafic identique, et c’est la version légèrement favorable pour Muse Wonder, car les modèles de raisonnement dépensent régulièrement bien plus d’un millier de tokens de réflexion sur une tâche qui exige du soin. Le réglage de l’effort est le seul levier, et c’est un levier sur le coût comme sur la qualité à la fois — on ne peut pas réduire la réflexion sans réduire la qualité de la réponse.

Voici la partie qui fait que la comparaison dépasse l’arithmétique. Mercury 3 ne publie aucun nombre de tokens de sortie pour quelque évaluation que ce soit, donc personne ne sait s’il est concis ou verbeux par rapport à une tâche de référence. S’il s’avère être un modèle bavard, le coût quotidien varie par multiples, et non en pourcentages. L’écart de vingt-cinq fois pourrait être de quinze ou de quarante fois en production, et aucune preuve publiée ne permet de trancher dans un sens ou dans l’autre.

L’affirmation sur le débit, et le chiffre qui la contredit

Le chiffre phare d'Inception est de 1 068 tokens par seconde sur les GPU NVIDIA, présenté comme 4 à 8 fois plus rapide que les modèles auxquels il se compare. L'entreprise ne précise ni le matériel, ni la taille du lot, ni le réglage d'effort, ni si le chiffre correspond à un seul flux ou à un agrégat — et ces quatre choix font varier le nombre par plusieurs fois. Il n'existe aucune mesure indépendante de Mercury 3 au 20 octobre 2026 — Artificial Analysis répertorie encore Mercury 2.5 et Mercury 2 et n'a pas de page Mercury 3.

Ce qui existe comme mesure indépendante pour la génération précédente est instructif. Artificial Analysis mesure Mercury 2.5 à environ 706 tokens par seconde selon son propre protocole de test. Il s’agit d’un chiffre tiers réel et reproductible, et il est nettement inférieur aux chiffres du fournisseur publiés lors de ce lancement. Cet écart correspond à la décote habituelle entre chiffres du fournisseur et mesures indépendantes dans cette catégorie, plutôt qu’à une preuve de mauvaise foi — mais c’est la décote à appliquer mentalement à 1 068 jusqu’à ce que quelqu’un le reproduise.

Muse Wonder, en revanche, affiche un débit de sortie mesuré de 161 tokens par seconde et un délai mesuré jusqu’au premier token de 32,08 secondes. Ces deux chiffres correspondent au modèle de Meta fonctionnant comme prévu : le premier token arrive après une longue phase de réflexion, et le reste de la réponse est diffusé à un rythme moyen. Pour une tâche par lots, cela n’a aucune importance. Pour tout ce qui implique un humain qui attend, c’est toute l’expérience.

L’écart de qualité mesuré va dans l’autre sens. Muse Wonder obtient 52 à l’Artificial Analysis Intelligence Index, se classant neuvième sur 217 modèles, pour 4,52 $ de calcul par tâche de l’indice. Mercury 3 n’a aucun score à l’indice. Muse Wonder Full obtient 56 et se classe quatrième sur 696, sans prix publié, car Meta ne le vend pas au token. La formulation honnête est donc celle d’un modèle de pointe avec un plafond mesuré et un problème de latence mesuré, face à un modèle économique avec un avantage de latence revendiqué et aucun plafond mesuré du tout.

Le raisonnement est une décision produit, pas un réglage.

La différence la plus profonde entre ces modèles n’est ni le prix ni la vitesse. C’est de savoir si le modèle est autorisé à réfléchir brièvement.

Mercury 3 utilise par défaut un effort faible lorsque le paramètre de raisonnement est omis, et les quatre réglages s’échelonnent d’instantané à élevé. Ce choix par défaut est le détail le plus susceptible d’être manqué et de fausser toute comparaison : un modèle qui répond avec un effort faible semblera plus rapide et obtiendra un score inférieur au même modèle avec un effort élevé, et les propres affirmations comparatives d’Inception ne précisent pas quel réglage les a produites. Si vous évaluez Mercury 3 vous-même, fixez explicitement le niveau d’effort, sinon vos chiffres ne seront comparables à ceux de personne d’autre — y compris ceux d’Inception.

Muse Wonder est à l’opposé par construction. Le raisonnement y est obligatoire, le niveau par défaut est moyen, et aucun interrupteur ne permet de le désactiver. C’est un choix de conception délibéré pour un modèle destiné au travail professionnel et agentique : selon le cadrage de Meta, la réflexion est le produit. Cela signifie aussi que le modèle n’a pas de voie économique. Chaque appel paie le coût du raisonnement, et à 20 $ par million de jetons de sortie, une longue boucle agentique qui remplit le budget de sortie de 943 718 jetons représente une facture sérieuse.

Pour un développeur, la conséquence pratique est que ces deux modèles ne peuvent pas être interchangés derrière un même modèle de prompt et comparés équitablement. Bien accomplir la même tâche sur Mercury 3 implique de choisir un niveau d’effort ; le faire sur Muse Wonder signifie accepter le temps de réflexion. La comparaison ne devient pertinente qu’une fois les deux fixés sur le même comportement effectif, et pour Mercury 3, ce comportement n’est pas documenté.

Sur le propre tableau de bord de Meta, et pourquoi ce n’est pas le dernier mot

Meta a publié au lancement un tableau de benchmarks couvrant les deux checkpoints, aux côtés de Claude Fable 5.1, GPT-6 Astra et Claude Opus 5.5 en raisonnement maximal. Chaque chiffre est déclaré par l'éditeur, produit dans le harnais de Meta, et aucun n'a été reproduit de manière indépendante. Deux lignes méritent néanmoins d'être retenues dans cette comparaison, car elles montrent le modèle en train de faire ce pour quoi il est vendu.

• JobBench, tâches professionnelles à long horizon — 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, utilisation de l'ordinateur — 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

Là où Meta et l’évaluateur indépendant ne sont pas d’accord, c’est le chiffre indépendant qu’il faut retenir pour planifier. Le tableau de Meta indique Muse Wonder Full à 59,0 sur l’Artificial Analysis Index ; Artificial Analysis publie lui-même 56. Trois points d’écart sur un même indice ne constituent pas un scandale, mais cela établit quel chiffre s’appuie sur une méthodologie.

Mercury 3 n’a pas de tableau équivalent avec lequel argumenter. Son seul résultat de qualité structuré est le test d’agent Mind2Web : 50 tâches de navigation en direct dans le propre harnais de production d’Inception, 50 pour cent terminées, « nettement plus que GPT-6.1-Sol », en utilisant le même volume de tokens et le même nombre d’étapes d’agent, et donc une fraction du coût par token. Cinquante tâches constituent un petit échantillon, le harnais est celui d’Inception, et le modèle de comparaison est nommé sans score. C’est un véritable signal que le modèle peut piloter un navigateur pour une fraction du coût d’un modèle de pointe accomplissant la même chose. Ce n’est pas un benchmark.

Lequel de ces deux devriez-vous réellement évaluer

La décision se résout généralement sur une seule question : un humain attend-il cette sortie, ou est-ce une file d'attente qui la consomme ?

Si un humain doit attendre, Muse Wonder est proche d'être disqualifié par ses propres mesures. Trente-deux secondes avant le premier token, ce n'est pas une latence qu'on peut présenter à un client, et personne ne le choisit pour une interface de chat. Mercury 3 est conçu exactement pour ce cas de figure, et son prix rend l'expérience peu coûteuse. Même si le débit tombe à la moitié de ce qui est annoncé sur un banc d'essai neutre, il reste plusieurs fois plus rapide que tout ce qui existe dans le segment de pointe.

Si une file d’attente le consomme — traitement de documents pendant la nuit, exécutions agentiques qui livrent un rapport, workflows back-office que personne ne surveille — alors le premier jeton à 32 secondes cesse d’avoir de l’importance, et l’écart de qualité mesuré commence à en avoir. Muse Wonder, à 52 sur l’indice, avec un historique indépendant complet, est une valeur connue. Mercury 3, à un score d’indice inconnu, sur une charge de travail où une mauvaise réponse coûte cher et n’est pas surveillée, est un pari.

Trois cas se situent en dehors des deux :

• Vidéo, images ou audio dans le prompt — Muse Wonder prend les trois, Mercury 3 aucun. Il n’y a pas d’arbitrage à faire.

• Tout ce qui exige le checkpoint le plus performant — Muse Wonder Full n’est pas un produit API. Il s’agit d’un abonnement mensuel de 50 à 200 $ à Muse Code, et Meta n’a pas annoncé qu’elle l’ouvrirait.

Tout ce qui exige de planifier en fonction d’un prix stable — la remise de lancement de Mercury 3 n’a pas de date de fin, et ses prédécesseurs sont retirés pour les nouveaux utilisateurs. Le tarif de 4 $/20 $ de Muse Wonder n’a fait l’objet d’aucun changement annoncé.

Ce qu’OrcaRouter fait et ne fait pas ici

Ni Muse Wonder ni Mercury 3 ne figurent dans notre catalogue. Une vérification de notre API de modèles ne renvoie rien pour meta/muse-wonder ni pour aucun modèle Inception, et nous ne décrirons pas une route que nous n'avons pas. Ce que nous proposons du laboratoire de Meta, c'est la gamme Muse Spark — Muse Spark 1.2 et Muse Spark 1.1, toutes deux dotées d'un contexte de 1 M de tokens, à 1,25 $ en entrée et 4,25 $ en sortie par million de tokens.

Cela compte plus qu'il n'y paraît pour cette confrontation précise. La raison d'utiliser Muse Wonder est la profondeur, et la raison d'utiliser Mercury 3 est la vitesse. Les deux peuvent être testés face à un modèle que vous pouvez déjà appeler : Muse Spark 1.2 vous offre une famille de modèles de raisonnement Meta avec une grille tarifaire publiée de notre côté, et les plus de 200 modèles accessibles via une seule clé compatible OpenAI vous donnent la comparaison de latence sans second contrat. Si le tarif de 4 $/20 $ de Muse Wonder doit se justifier pour votre charge de travail, il doit battre quelque chose — et ce quelque chose devrait être un modèle que vous pouvez mesurer cet après-midi.

L'avantage mécanique qui mérite d'être nommé, c'est la répercussion des prix. Les prix catalogue des fournisseurs arrivent sur votre facture sans modification, de sorte qu'une baisse consentie par un fournisseur — comme la remise de lancement de 50 % d'Inception ou une hypothétique réduction de Meta — est effective de notre côté le jour même de son annonce, et non au prochain renouvellement. C'est un détail jusqu'au jour où ça ne l'est plus.

Qu'est-ce qui réglerait cela ?

Deux mesures feraient l’essentiel. La première est un chiffre de débit indépendant pour Mercury 3 avec un banc d’essai, un niveau d’effort et une taille de lot précisés ; la seconde est un score de qualité indépendant pour Mercury 3, quel qu’il soit. Tant que les deux n’existent pas, le modèle le plus rapide de cette comparaison est aussi celui que vous connaissez le moins, et le plus capable est celui que vous ne pouvez solliciter qu’avec un abonnement ou à un prix difficile à justifier sans un cas d’usage qui tolère une demi-minute de silence.

Ce qui rend cette décision facile plutôt que difficile, c’est que les deux modèles ne sont pas en concurrence pour le même créneau. Le seul vrai risque est de choisir le mauvais créneau — déployer un modèle de trente secondes dans une fenêtre de chat parce que son benchmark est meilleur, ou déployer un modèle non mesuré dans un pipeline non surveillé parce que son prix est meilleur. Ces deux choix concernent votre produit, pas les modèles, et aucun des deux ne se règle par un chiffre sur un classement.