Mercury 3 vs Claude Opus 5.5: Token Keluaran 57 Kali Lebih Murah Bukan Berarti Jawaban Lebih Murah

Mercury 3 berbiaya $0.35 per juta token output minggu ini. Claude Opus 5.5 berbiaya $20.00. Kalikan sebuah antrean dukungan dengan kedua angka itu, dan selisihnya tampak seperti kesalahan pada salah satu kartu tarif — 57 kali pada harga peluncuran, atau 28.6 kali setelah diskon 50% Inception berakhir dan Mercury 3 kembali ke $0.70. Pertanyaan yang menentukan perbandingan ini bukanlah angka mana yang lebih kecil. Melainkan berapa banyak panggilan Mercury 3 yang harus Anda lakukan untuk mendapatkan jawaban yang akan sudah benar didapat Opus 5.5 pada percobaan pertama, karena setiap percobaan ulang, setiap eskalasi, dan setiap tinjauan manusia ditagih dengan tarif orangnya atau panggilan keduanya, bukan dengan tarif tokennya. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan di the OrcaRouter AI Incident Archive tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda status diperdebatkan.

Cara membingkainya penting karena kedua model ini bukan pesaing dalam pengertian biasa. Claude Opus 5.5, yang dirilis Anthropic pada 22 September 2026, adalah model penalaran terdepan dengan harga $4 per juta token input dan $20 per juta token output, dirancang untuk coding agentik dan pekerjaan pengetahuan berjangka panjang, dengan pemikiran adaptif, input visual dan file, konteks 1M token, serta batas output 128K. Mercury 3, yang dirilis Inception Labs pada 19 Oktober 2026, adalah model bahasa difusi yang dirancang untuk kecepatan: 1.068 token per detik pada perangkat keras NVIDIA menurut pengukuran Inception sendiri, konteks 1M, output 131K, hanya teks, dan klaim kualitas yang menyebut GPT-6 Luna dan Claude Haiku 5.5 — kelas kecepatan — bukan Opus. Membandingkan keduanya tetap layak dilakukan, karena selisih harga justru mengundang substitusi yang tidak didukung oleh positioning tersebut.

Dari mana angka-angka itu sebenarnya berasal

Setiap angka kualitas Opus 5.5 dalam tulisan ini berasal dari Artificial Analysis, yang diukur pada harness milik mereka sendiri: Intelligence Index sebesar 57.6, Humanity's Last Exam sebesar 61.4%, SciCode sebesar 66.9%, Terminal-Bench 4.0 sebesar 59.6%, dan daya ingat konteks panjang sebesar 84.7%. Angka-angka itu independen dan mutakhir per minggu ini.

Setiap angka Mercury 3 berasal dari Inception, yang dipublikasikan kemarin, dengan satu pengecualian: perbandingan throughput dengan generasi sebelumnya. Artificial Analysis mengukur Mercury 2.5 pada 705,9 token per detik, dan Mercury 2 pada sekitar 684. Mercury 3 belum memiliki halaman Artificial Analysis — indeks modelnya masih berhenti di Mercury 2.5 — sehingga angka 1.068 tok/dtk dan klaim "mengungguli GPT-6 Luna dan Claude Haiku 5.5" merupakan laporan pihak vendor, belum direproduksi, dan setidaknya selama satu minggu ke depan harus dibaca sebagai demikian.

Asimetri itulah keseluruhan perbandingan dalam versi mini. Satu pihak memiliki skor yang diaudit secara independen dan kartu tarif yang diterbitkan; pihak lain memiliki postingan peluncuran, diskon, dan angka kecepatan yang sangat besar.

Spesifikasi demi spesifikasi, dengan bukti yang dilampirkan

• Harga output — Mercury 3 $0,35 per juta saat peluncuran, $0,70 pada harga daftar, dibandingkan dengan Opus 5.5 sebesar $20,00. Rasionya 57x selama promosi dan 28,6x setelahnya.

• Harga input — Mercury 3 $0.10 saat peluncuran, $0.20 pada harga daftar, dibandingkan dengan Opus 5.5 sebesar $4.00. Pola sama, rasio sedikit lebih lebar.

• Input cache — Mercury 3 $0.01 saat peluncuran, $0.02 pada harga daftar, dibandingkan $0.20 untuk pembacaan cache Opus 5.5. Opus juga mengenakan $5.00 per juta untuk menulis ke cache 5 menit dan $8.00 untuk cache satu jam, yang tidak dirinci dalam kartu tarif Mercury.

• Throughput — Mercury 3 pada 1.068 tok/s menurut Inception, belum dapat direproduksi; Opus 5.5 pada 75,6 tok/s output sebagaimana diukur dari lalu lintas playground kami sendiri selama tujuh hari terakhir. Itu adalah selisih empat belas kali lipat ke arah yang diklaim Inception, dan yang ini setidaknya terukur di kedua sisi, meski oleh harness yang berbeda.

• Waktu ke token pertama — Mercury 3 adalah model difusi yang menghasilkan secara paralel, sehingga output bergunanya yang pertama tiba lebih cepat daripada model autoregresif; Inception tidak memublikasikan angka untuk endpoint chat, dan klaim di bawah 300 ms di halaman utama perusahaan merujuk pada lini produk, bukan secara khusus Mercury 3. Latensi end-to-end p50 Opus 5.5 pada lalu lintas kami adalah 4,4 detik, yang mencakup proses berpikir.

• Konteks — keduanya 1 juta token. Batas keluaran berbeda: 131.072 untuk Mercury 3, 128.000 untuk Opus 5.5.

• Input — Opus 5.5 menerima teks, gambar, dan file; Mercury 3 menerima teks. Ini bukan item baris kecil. Dokumen, tangkapan layar, diagram, atau PDF apa pun dalam pipeline Anda secara diam-diam mendiskualifikasi Mercury 3.

• Kontrol penalaran — Mercury 3 menyediakan tingkat upaya instan, rendah, sedang, dan tinggi serta default ke rendah saat bidang dihilangkan. Opus 5.5 menggunakan pemikiran adaptif dengan dial upaya tersendiri. Keduanya memiliki default yang akan mengejutkan Anda jika Anda tidak mengatur bidang tersebut secara eksplisit: Mercury 3 pada rendah, Opus pada apa pun yang dipilih kebijakan adaptif Anthropic untuk permintaan tersebut.

• Bukti — Opus 5.5 memiliki skor indeks independen dan tabel tolok ukur vendor; Mercury 3 tidak memiliki skor pihak ketiga maupun skor numerik dari vendor.

Satu-satunya hasil agen yang diterbitkan Inception

Terkubur di bawah klaim throughput adalah satu-satunya pengukuran kualitas Mercury 3 dengan tugas yang terdefinisi: harness agen web yang dijalankan pada 50 tugas navigasi Mind2Web langsung, yang mana Mercury 3 menyelesaikan 50% dan, menurut Inception, "secara signifikan lebih banyak daripada GPT-6.1-Sol", dengan menggunakan volume token dan jumlah langkah agen yang sama.

Baca itu dengan saksama. Model pembandingnya adalah GPT-6.1 Sol, bukan Opus 5.5. Harness-nya adalah harness produksi milik Inception sendiri. Sampelnya 50 tugas. Dan "volume token yang sama dan jumlah langkah agen yang sama" adalah bagian penting untuk biaya, karena itu berarti penghematan per tugas benar-benar merupakan rasio per token, bukan artefak dari model yang mengambil lebih sedikit langkah untuk mencapainya. Tingkat penyelesaian 50% pada navigasi situs langsung adalah hasil yang kredibel untuk model cepat; itu bukan klaim bahwa Mercury 3 akan menyelesaikan tugas coding kelas Opus.

Untuk Opus 5.5, bukti yang setara adalah Terminal-Bench 4.0 pada 59.6% di harness Artificial Analysis — benchmark yang berbeda, keluarga tugas yang berbeda, dan tidak dapat dibandingkan secara langsung. Pernyataan yang jujur adalah bahwa belum ada yang menjalankan kedua model pada benchmark agen yang sama dan menerbitkan hasilnya. Sampai ada yang melakukannya, setiap klaim tentang mana yang lebih baik dalam pekerjaan agen adalah inferensi dari positioning.

Berapa biaya lalu lintas seminggu untuk masing-masing

Ambil contoh beban kerja yang masuk akal untuk keduanya: 2 juta token input dan 500.000 token output per hari, kira-kira asisten dukungan atau riset ukuran menengah dengan beberapa ratus ribu panggilan. Pada Mercury 3 dengan tarif peluncuran, itu $0.20 untuk input dan $0.175 untuk output — kurang dari empat puluh sen per hari. Pada harga daftar, itu $0.40 dan $0.35, atau 75 sen. Pada Opus 5.5, volume yang sama adalah $8.00 untuk input dan $10.00 untuk output, atau $18.00 per hari.

Sekarang tambahkan bagian yang disembunyikan oleh perhitungan token. Jika Mercury 3 memerlukan percobaan kedua pada satu dari lima panggilan, dan setiap percobaan ulang berbiaya sama dengan yang asli, harga efektifnya naik 20% — menjadi sekitar 45 sen per hari. Bahkan dalam kasus absurd ketika setiap panggilan harus diulang sekali, tagihannya akan menjadi 75 sen, masih 24 kali lebih rendah daripada Opus 5.5. Selisih harga tidaklah tipis, dan justru itulah sebabnya keputusan harus dibuat berdasarkan kualitas dan kapabilitas.

Jika dibalik, aritmetika yang sama menjelaskan mengapa orang masih membayar Opus. Dengan $18 per hari, satu eskalasi yang berhasil dihindari per hari — satu giliran dukungan yang tidak perlu sampai ke manusia, satu perubahan kode yang tidak perlu tinjauan kedua — membayar seluruh tagihan Opus beberapa kali lipat. Model ini mahal per token karena pekerjaan yang digantikannya bahkan lebih mahal.

Baris kemampuan yang tidak muncul di tabel harga

Opus 5.5 menerima gambar dan file, yang berarti model ini dapat membaca tangkapan layar yang dilampirkan pengguna, PDF tempat kontrak berada, atau diagram dalam dokumen desain. Mercury 3 hanya teks masuk, teks keluar. Jika beban kerja Anda menyentuh salah satu dari hal tersebut, perbandingannya selesai sampai di situ dan selisih harganya tidak relevan.

Opus 5.5 juga membawa rangkaian alat Anthropic: structured outputs, tool use, API batch dengan harga setengah untuk pekerjaan asinkron, dan prompt caching dengan tarif tulis dan baca yang eksplisit. Mercury 3 memiliki tool calling dan structured outputs pada endpoint yang kompatibel dengan OpenAI, yang benar-benar praktis — dapat langsung dipasang ke kode yang sudah ada tanpa penulisan ulang — tetapi strategi cache-nya berupa diskon pada input, bukan siklus hidup penulisan cache yang terdokumentasi.

Garis kemampuan yang berlawanan adalah kecepatan. Opus 5.5 pada 75.6 token per detik cukup baik untuk agen coding yang mengerjakan tugas panjang dan menyakitkan untuk apa pun yang ditunggu seseorang. Pitch Mercury 3 adalah bahwa seseorang yang menunggunya tidak menyadari penantian itu. Jika produk Anda berupa giliran suara, pelengkapan otomatis, jawaban pencarian, atau petunjuk tutor, perbedaan itu adalah produknya, bukan sekadar nilai tambah.

Cara menjalankan keduanya tanpa bertaruh pada salah satu

Claude Opus 5.5 ada di katalog kami sebagai anthropic/claude-opus-5.5 dengan tarif daftar Anthropic — $4 input, $20 output, $0,20 pembacaan cache — dengan markup 0%, sehingga perubahan pada kartu tarif Anthropic tercermin di sisi kami pada hari yang sama, bukan pada siklus penagihan berikutnya. Mercury 3 tidak ada di katalog kami: API model kami tidak mengembalikan model Inception sama sekali, dan instruksi yang jujur adalah menjangkaunya melalui platform milik Inception sendiri. Kami tidak akan berpura-pura sebaliknya agar pitch perutean berhasil.

Pemisahan ini berguna tepat untuk keputusan ini. Tempatkan Mercury 3 di balik kunci Inception pada tier yang kritis terhadap latensi, pertahankan Opus 5.5 sebagai jalur eskalasi di balik satu endpoint yang kompatibel dengan OpenAI bersama lebih dari 200 model lainnya, dan biarkan failover otomatis menangani kasus ketika penyedia baru itu goyah pada bulan pertamanya. DSL perutean dapat menyatakan serah-terima — model cepat lebih dulu, eskalasi saat sinyal keyakinannya rendah atau saat pemanggilan alat gagal — tanpa integrasi kedua untuk fallback. Pada akhirnya Anda mengukur Mercury 3 terhadap trafik Anda sendiri, bukan terhadap postingan peluncuran, dan Anda tetap memakai model yang dapat membaca tangkapan layar untuk permintaan yang membutuhkannya.

Mana yang harus dipilih

Jika beban kerja Anda hanya teks, terikat latensi, dan toleran terhadap jawaban salah sesekali yang bisa ditangkap manusia atau retry, Mercury 3 dengan harga peluncuran adalah salah satu opsi kredibel termurah yang tersedia minggu ini, dan 100 juta token gratis di platform Inception membuat uji cobanya nyaris gratis. Cobalah pada trafik Anda sendiri, kunci pengaturan effort, dan ukur tingkat retry alih-alih throughput.

Jika beban kerja Anda melibatkan dokumen, gambar, perubahan kode jangka panjang, atau jawaban yang tidak diperiksa siapa pun sebelum ditindaklanjuti, Opus 5.5 tetap menjadi pilihan yang dapat dipertahankan dan harga bukanlah variabel yang menarik. Skor indeks independennya, input multimodalnya, dan tabel benchmark yang dipublikasikan adalah hal-hal yang Anda beli, dan belum ada satu pun yang memiliki padanan di Mercury 3.

Kesalahan yang harus dihindari adalah memperlakukan 57x sebagai mandat migrasi. Itu adalah diskon untuk token, dan token adalah bagian termurah dari sebagian besar sistem AI. Bagian-bagian mahal — manusia yang meninjau keluaran, jawaban salah yang sampai ke pelanggan, pipeline yang dibangun ulang di sekitar model yang tidak dapat melihat — justru merupakan bagian yang tidak ditunjukkan oleh tabel harga.