Mercury 3 vs Qwen3.8-Max : le jeton bon marché et la réponse coûteuse

Qwen3.8-Max et Mercury 3 sont les deux pôles d'un débat tarifaire que la plupart des comparaisons de modèles prennent à l'envers. Sur la grille tarifaire, Mercury 3 coûte $0.10 par million de tokens d'entrée et $0.35 par million de tokens de sortie pendant sa fenêtre de lancement, contre $2.00 et $6.00 pour Qwen3.8-Max. Cela ressemble à une réduction de dix-sept fois sur la génération. Ensuite, Artificial Analysis mesure ce que chaque modèle dépense réellement pour accomplir une tâche, et Qwen3.8-Max s'établit à $5.41 par évaluation de l'Intelligence Index, alors que son prix par token est modéré — parce qu'il a généré 190M de tokens pour y parvenir, contre une médiane de 85M. Mercury 3, publié par Inception Labs le 19 octobre 2026, ne dispose d'aucune mesure équivalente. Les défaillances de l'IA et les incidents d'agents documentés à l'origine de sorties comme celle-ci sont recensés 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.

La question utile n’est donc pas de savoir quel modèle coûte moins cher par token. C’est de savoir lequel coûte moins cher par tâche terminée, et la page de lancement d’aucun des deux fournisseurs ne répond à cette question. Voici ce que les éléments disponibles permettent réellement d’étayer, et ce que vous devez mesurer vous-même.

Ce qu'est Qwen3.8-Max, dans la version que vous appelleriez réellement

Qwen3.8-Max est le produit phare d'Alibaba : un modèle à mélange d'experts creux (sparse mixture-of-experts) totalisant 2,4 billions de paramètres, dont 95 milliards actifs par token, nativement multimodal — texte, images et vidéo en entrée, texte en sortie — avec un contexte de 1 M de tokens sur l'API hébergée et un plafond de sortie de 131 072 tokens. Il est disponible en général depuis le 3 août 2026, et les données indépendantes ne sont plus rares.

• Indice d'intelligence — 45 sur l'Artificial Analysis Index v4.3.2, classé 33e sur 217 modèles dans l'instantané actuel de la page.

• Vitesse de sortie — 39,6 tokens par seconde, classée 183e sur 186. Le résumé de la page lui-même la qualifie de « remarquablement lente ».

• Coût par tâche d’indexation — 5,41 $, dans le quartile le plus cher des modèles qu’il liste.

• Verbosité — 190 M de jetons de sortie sur l'ensemble de l'exécution de l'index, qualifiés de « très verbeux » par rapport à une médiane de 85 M.

• Contexte — mesuré à 984k sur le point de terminaison, ce qui constitue le plafond pratique du million annoncé plutôt qu’une spécification différente.

Cette combinaison est cohérente en interne et mérite d'être dite clairement : Qwen3.8-Max est un modèle à raisonnement puissant, lent et bavard. Il excelle dans ce pour quoi il est tarifé et coûte cher à la marge parce qu'il lui faut de nombreuses étapes pour y parvenir. Les 5,41 $ par tâche ne sont pas une erreur de tarification. C'est le comportement du modèle qui apparaît sur la facture.

Une note sur les versions, car cela piégera quiconque compare des pages. Les mesures indépendantes ci-dessus se rapportent à l’instantané du 2 septembre, répertorié sous « Qwen3.8 Max (0902) ». Alibaba propose également un point de terminaison qwen/qwen3.8-max non daté au même tarif de 2 $/6 $, avec un tarif des entrées mises en cache de 0,25 $ ; les deux se résolvent dans notre catalogue, et épingler l’instantané daté est la bonne approche pour tout ce que vous comptez reproduire.

Ce que Mercury 3 vous donne, et ce qu'il vous refuse

Le modèle d’Inception est un modèle de langage à diffusion qui génère les tokens en parallèle, et chaque chiffre du billet de lancement porte sur la vitesse, la taille ou le prix plutôt que sur la qualité.

• Débit — 1 068 jetons par seconde, attribué à « NVIDIA GPUs » sans matériel précisé, sans taille de lot et sans préciser lequel des quatre réglages d’effort de raisonnement a produit ce résultat.

• Contexte — 1 M de tokens, contre 260 K sur Mercury 2.5, avec un plafond de sortie de 131 072 tokens.

• Prix — 0,20 $ en entrée et 0,70 $ en sortie par million au tarif catalogue, réduits de moitié à 0,10 $ et 0,35 $ pendant la fenêtre de lancement. L'entrée mise en cache est à 0,02 $ au tarif catalogue, 0,01 $ pendant la fenêtre.

• Effort — quatre réglages : instantané, faible, moyen, élevé. La valeur par défaut est faible, alors que Mercury 2.5 et Mercury 2 étaient par défaut sur « moyen ».

• Modalités — texte en entrée, texte en sortie. Ni vision, ni audio.

• Qualité — aucun repère numérique. L'affirmation est qu'il « surpasse GPT-6 Luna et Claude Haiku 5.5 », sans préciser de marge ni de benchmark. Le seul résultat structuré est un taux d'achèvement de 50 % sur 50 tâches de navigation Mind2Web réelles, dans le propre banc d'essai d'Inception.

Ce réglage d’effort par défaut est le détail le plus susceptible de fausser une comparaison. Un modèle qui répond avec un effort faible sera plus rapide et obtiendra un score inférieur à celui du même modèle avec un effort élevé, et les propres comparaisons d’Inception ne précisent pas quel réglage a été utilisé. Si vous évaluez Mercury 3 sans figer le paramètre, vos chiffres ne sont comparables à ceux de personne — y compris à ceux d’Inception.

Premier test : le coût par travail terminé, pas par token

Prenons un agent de triage du support qui traite 2 millions de tokens d’entrée et 300 000 tokens de sortie par jour. Sur Mercury 3 au tarif catalogue, cela représente 0,40 $ d’entrée et 0,21 $ de sortie, soit 0,61 $ par jour. Sur Qwen3.8-Max, à 2 $/6 $, cela fait 4,00 $ et 1,80 $, soit 5,80 $ par jour. Un écart d’environ un facteur dix, et au tarif de lancement, le côté Mercury descend à environ 0,31 $.

La correction qui compte, maintenant. Ces chiffres supposent une passe par tâche. Les 64 étapes mesurées par tâche GDPval-AA de Qwen3.8-Max, contre 14 pour son prédécesseur, constituent exactement le mécanisme qui transforme un tarif de sortie de 6 $ en 5,41 $ par évaluation. Si Mercury 3 a besoin de deux tentatives là où Qwen n’en a besoin que d’une, le coût effectif de Mercury double et une partie de l’écart se comble. S’il en faut quatre à Mercury, la majeure partie de l’écart se comble. La comparaison des coûts dépend donc d’une question de taux d’achèvement que personne n’a mesurée, ce qui explique pourquoi le tableau des tarifs de tokens est l’élément le moins utile sur la page de l’un ou l’autre fournisseur.

Du côté des entrées, il y a un levier qu’il vaut la peine de connaître. Qwen3.8-Max facture 0,25 $ par million de tokens d’entrée mis en cache ; Mercury 3 facture 0,02 $, ou 0,01 $ pendant le lancement. Les agents renvoient le même prompt système et les mêmes définitions d’outils à chaque étape, de sorte qu’un préambule de 20 000 tokens coûte 0,0004 $ par appel au tarif des entrées en cache de Mercury, contre 0,005 $ chez Qwen. Sur une exécution de cinquante étapes, cela fait 2 cents contre 25 cents. Aucun des deux modèles n’affiche cela dans son prix de référence, et pour les charges de travail d’agents, c’est ce chiffre qui détermine le budget.

Test deux : ce que coûte un modèle lent lorsqu’une personne attend

La vitesse est le domaine où les deux modèles ne sont pas du tout dans la même catégorie, et il vaut la peine de préciser ce que signifie chaque mesure.

Les 1 068 jetons par seconde de Mercury sont un chiffre du fournisseur sans reproduction indépendante. Ce dont nous disposons en revanche chez Artificial Analysis concerne la génération précédente : Mercury 2.5 mesuré à environ 706 jetons par seconde avec son propre harnais, soit un chiffre inférieur à celui du fournisseur qui accompagnait ce lancement. Cet écart correspond à la décote habituelle entre chiffres fournisseur et mesures indépendantes dans cette catégorie, et non à une preuve de mauvaise foi — mais c’est la décote qu’il faut appliquer mentalement à 1 068 tant que personne ne l’a reproduit.

Les 39,6 tokens par seconde de Qwen3.8-Max sont mesurés indépendamment et s'accompagnent d'un classement : 183e sur 186. À ce rythme, une réponse de 1 500 tokens prend environ 38 secondes de génération seule, avant le préremplissage. Pour un agent en arrière-plan qui rend compte, c'est acceptable. Pour tout cas où un humain regarde le curseur, c'est éliminatoire en soi, quelle que soit la qualité.

C’est la ligne de faille sur laquelle repose réellement cette comparaison. La vitesse de Mercury 3 n’est pas vérifiée, mais elle est plausible compte tenu de l’architecture, et son prix est vraiment bas. La vitesse de Qwen3.8-Max est vérifiée et médiocre, et son prix est vraiment élevé. Aucun de ces faits ne vous dit quel modèle rédige une meilleure réponse, et pour la plupart des équipes, la question de la qualité des réponses est celle qu’elles ne peuvent pas encore trancher.

Test trois : confiez à chaque modèle la tâche pour laquelle il est conçu.

Les deux modèles échouent dans des directions opposées, ce qui rend une évaluation côte à côte plus informative qu’un classement unique.

Confiez à Qwen3.8-Max le volet long, multimodal et à forts enjeux. Un dossier de 400 pages, un enregistrement d’écran d’un parcours de paiement défaillant, un graphique qu’il faut lire correctement. C’est le seul des deux à pouvoir accepter ne serait-ce que l’entrée, et il dispose d’un score indépendant sur lequel fonder les attentes. Prévoyez un budget pour la verbosité : avec le raisonnement activé, les tokens de sortie sont facturés 6 $ par million, et il y en aura plus que vous ne l’imaginez. L’écart de suivi des instructions est ce qu’il faut tester en premier — le tableau publié par Q​wen lui-même plaçait IFBench comme son score le plus faible, et le chiffre indépendant du coût par tâche découle directement du fait qu’il dépasse le périmètre.

Confiez à Mercury 3 l’extrémité courte, texte uniquement et critique en latence, où une réponse erronée est peu coûteuse à détecter. L’autocomplétion, la réécriture de requêtes, une classification de premier passage, un indice dans un parcours de tutorat. Fixez le réglage d’effort. Définissez un budget de nouvelles tentatives. Traitez chaque affirmation de qualité comme une hypothèse, car c’est ce qu’elle est actuellement.

Et ne confiez à aucun des deux modèles une tâche qui dépende de la force de l'autre. On ne rend pas Qwen3.8-Max rapide en le demandant poliment ; Mercury 3 ne sait pas lire une page PDF. Choisir entre eux sur la base de leur position dans les benchmarks agrégés, c'est choisir la mauvaise variable.

Où se situe OrcaRouter dans tout cela, qui n’est que d’un seul côté

Qwen3.8-Max est dans notre catalogue sous qwen/qwen3.8-max, au prix catalogue du fournisseur avec 0 % de marge répercuté — donc si A​libaba modifie le tarif, le changement est effectif ici le jour même plutôt qu'au prochain cycle de facturation. Il se trouve derrière le même point de terminaison compatible OpenAI que tout le reste de ce que nous servons, ce qui signifie qu'une évaluation se résume à un changement de chaîne de modèle et qu'un essai en production est un pourcentage de trafic, pas une migration.

Mercury 3 ne figure pas dans notre catalogue. Notre API de modèles ne renvoie rien pour aucun modèle Inception, donc la voie d’accès à Mercury 3 passe par la plateforme propre à Inception, qui offre 100 millions de jetons gratuits aux nouveaux comptes. Nous acheminons le côté Qwen et nous n’acheminons pas le côté Mercury, et l’asymétrie dans la manière d’accéder à chacun découle de cela plutôt que d’une préférence.

L’intérêt pratique de la couche de routage est que l’évaluation peut se faire en aveugle et à moindre coût. Envoyez une partie du trafic à qwen/qwen3.8-max, maintenez le fournisseur actuel sur une autre, et comparez le coût par tâche terminée plutôt que le coût par token — qui, comme le montrent les chiffres ci-dessus, ne constituent pas la même mesure et peuvent pointer dans des directions opposées. Le basculement automatique entre fournisseurs signifie qu’une mauvaise semaine sur un point de terminaison devient une décision de routage plutôt qu’un incident, et le DSL de routage vous permet de conserver la répartition sous forme de règle, de sorte que clore l’expérience se résume à un changement de configuration.

Ce qui permettrait de trancher, et que faire en attendant

Trois mesures suffiraient à clore ce débat. Une page Artificial Analysis pour Mercury 3, qui placerait les deux modèles sur un même banc d'essai et remplacerait une phrase de fournisseur par un chiffre. Un taux d'achèvement publié pour Mercury 3 sur un benchmark de codage ou d'agents, qui convertirait la remise sur les tokens en coût par tâche. Et une mesure de latence de Qwen3.8-Max dans vos propres conditions de concurrence, car 39,6 tokens par seconde est un chiffre d'indice, et non une garantie de service, et un modèle simplement lent dans un benchmark peut être inutilisable sous charge.

Jusqu’à ce qu’ils existent, la position défendable est plus étroite que ne le laisse entendre l’un ou l’autre des articles de lancement. Qwen3.8-Max est un modèle mesuré, multimodal, lent et coûteux, dont vous pouvez prévoir le coût avec confiance et qui ne vous surprendra pas sur les formats d’entrée. Mercury 3 est un modèle bon marché, rapide et uniquement textuel, dont la qualité est inconnue et dont le chiffre de vitesse n’a pas été reproduit. Achetez Qwen3.8-Max pour les tâches que vous ne lirez pas avant leur livraison. Essayez Mercury 3 pour les tâches où une personne attend et où une nouvelle tentative est gratuite — et verrouillez le réglage d’effort, sinon vous comparerez votre exécution à faible effort à celle à effort élevé de quelqu’un d’autre.