Mercury 3 vs Muse Wonder: Tiga Puluh Dua Detik Menuju Token Pertama

Ada angka terukur dalam perbandingan ini yang seharusnya mengakhiri perdebatan sebelum dimulai. Artificial Analysis mencatat waktu Muse Wonder hingga token pertama sebesar 32,08 detik. Mercury 3 mengklaim 1.068 token keluaran per detik tanpa pengukuran independen sama sekali. Satu model butuh setengah menit untuk mulai menjawab; model lainnya mengklaim menulis seribu kata dalam waktu yang diperlukan untuk membaca kalimat ini. Dalam hal latensi, keduanya bukan berada dalam kategori produk yang sama, dan sebesar apa pun keunggulan benchmark tidak dapat menutup selisih tiga puluh kali lipat dalam kapan karakter pertama muncul. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda diperdebatkan.

Tetapi itu adalah versi mudah dari cerita ini, dan itu menyesatkan dalam satu hal penting. Muse Wonder tidak berusaha menjadi cepat. Meta merilis Muse Wonder pada 12 Oktober 2026 sebagai model penalaran terdepan dengan harga $4.00 per juta token masukan dan $20.00 per juta token keluaran, dan pada harga itu yang dibeli adalah kedalaman — model yang berpikir selama tiga puluh detik dan menyelesaikan masalah sulit dengan benar. Mercury 3, yang dirilis oleh Inception pada 19 Oktober 2026, dibanderol dua puluh hingga lima puluh kali lebih rendah karena menjual pertukaran yang berlawanan. Pertanyaan yang sebenarnya dihadapi seorang pengembang bukanlah mana yang lebih baik. Pertanyaannya adalah pertukaran mana yang dibuat produk Anda, dan apakah Anda sudah jujur pada diri sendiri tentang pertukaran yang mana itu.

Kedua model, masing-masing dalam satu paragraf.

Mercury 3 adalah model bahasa difusi — istilah Inception adalah dLLM — yang menghasilkan token secara paralel, bukan satu per satu. Model ini memiliki konteks 1 juta token, output maksimum 131.072 token, input hanya teks, tool calling dan output terstruktur pada endpoint yang kompatibel dengan OpenAI, serta empat pengaturan tingkat penalaran (instant, low, medium, high) dengan default low. Harga daftar adalah $0,20 per juta input dan $0,70 per juta output, saat ini dipotong setengah menjadi $0,10 dan $0,35 "saat peluncuran" tanpa tanggal berakhir yang dipublikasikan. Klaim kualitas Inception bersifat komparatif dan tanpa skor: Inception menyatakan model ini setara dengan atau lebih baik daripada "model yang dioptimalkan untuk kecepatan terdepan seperti GPT-6 Luna dan Claude Haiku 5.5", dan melaporkan satu hasil tugas dari harness agennya sendiri — penyelesaian 50 persen pada 50 tugas Mind2Web langsung.

Muse Wonder adalah model penalaran terdepan Meta, dirilis sebagai dua checkpoint: muse-wonder-1.0, dapat dipanggil di Meta Model API dan di dalam Muse Code, dan muse-wonder-full-1.0, konfigurasi dengan skor lebih tinggi yang menurut Meta hanya tersedia bagi pelanggan Muse Code. Keduanya memiliki konteks 1M token dan tarif yang sama $4.00/$20.00, dengan diskon cache 95 persen. Penalaran bersifat wajib — tangga upaya berjalan dari minimal hingga maks, dengan default medium, dan token penalaran ditagih sebagai output. Input berupa teks, gambar, ucapan, dan video; output berupa teks.

Berapa biaya aktual masing-masing pada tingkat permintaan

Harga per token adalah angka yang paling tidak berguna dalam perbandingan seperti ini, karena kedua model mengonsumsi volume token yang sangat berbeda untuk melakukan pekerjaan yang sama. Model penalaran yang secara default menggunakan tingkat upaya sedang dan menghabiskan 130 juta token output untuk menyelesaikan satu proses evaluasi tidak diberi harga yang sama dengan model yang dioptimalkan untuk jawaban singkat, bahkan sebelum kartu tarif diterapkan. Jadi, hitunglah harga untuk pekerjaan yang sama dengan kedua cara tersebut.

Ambil asisten peninjauan dokumen: 20.000 token teks kontrak masuk, ringkasan terstruktur 500 token dan daftar risiko keluar, 2.000 peninjauan per hari.

• Mercury 3 dengan harga daftar — 40 juta token masukan dengan $0,20 adalah $8,00; 1 juta token keluaran dengan $0,70 adalah $0,70. Sekitar $8,70 sehari.

• Mercury 3 dengan tarif peluncuran — setengahnya, sekitar $4,35 per hari.

• Muse Wonder — 40 juta input seharga $4.00 adalah $160; 1 juta output seharga $20.00 adalah $20. Ditambah token penalaran, yang ditagih sebagai output dan tidak dapat dimatikan oleh Meta. Dengan asumsi konservatif 1.000 token penalaran per panggilan, baris output menjadi 3 juta token, atau $60, sehingga total harian menjadi $220.

Itu adalah selisih dua puluh lima kali lipat pada lalu lintas yang identik, dan itu adalah versi yang agak menguntungkan bagi Muse Wonder, karena model penalaran biasanya menghabiskan jauh lebih dari seribu token berpikir untuk tugas yang membutuhkan kecermatan. Pengaturan upaya adalah satu-satunya tuas, dan itu merupakan tuas atas biaya dan kualitas sekaligus — Anda tidak dapat menurunkan proses berpikir tanpa menurunkan jawabannya.

Inilah bagian yang membuat perbandingan ini lebih dari sekadar aritmetika. Mercury 3 tidak menerbitkan jumlah token keluaran untuk evaluasi apa pun, sehingga tidak ada yang tahu apakah model ini ringkas atau bertele-tele dibandingkan tugas baseline. Jika ternyata model ini banyak bicara, biaya harian bergeser dalam kelipatan, bukan persentase. Kesenjangan dua puluh lima kali lipat bisa menjadi lima belas kali lipat atau empat puluh kali lipat di produksi, dan tidak ada bukti terbitan untuk salah satu kemungkinan itu.

Klaim throughput, dan angka yang melemahkannya

Angka utama Inception adalah 1.068 token per detik pada GPU NVIDIA, yang dijelaskan sebagai 4 hingga 8 kali lebih cepat daripada model yang dibandingkannya. Perusahaan tidak menyebutkan perangkat keras, ukuran batch, pengaturan effort, atau apakah angka tersebut merupakan aliran tunggal atau agregat, dan keempat pilihan itu mengubah angka tersebut hingga beberapa kali lipat. Tidak ada pengukuran independen Mercury 3 per 20 Oktober 2026 — Artificial Analysis masih mencantumkan Mercury 2.5 dan Mercury 2 serta tidak memiliki halaman Mercury 3.

Apa yang menjadi pengukuran independen yang tersedia untuk generasi sebelumnya cukup memberi pelajaran. Artificial Analysis menempatkan Mercury 2.5 pada sekitar 706 token per detik dalam harness mereka sendiri. Itu adalah angka pihak ketiga yang nyata dan dapat direproduksi, dan angka itu secara signifikan lebih rendah daripada angka vendor yang dipublikasikan saat peluncuran tersebut. Selisih itu adalah diskon normal antara vendor dan pihak independen di kategori ini, bukan bukti iktikad buruk — tetapi itulah diskon yang perlu diterapkan secara mental pada 1.068 sampai ada yang mereproduksinya.

Sementara itu, Muse Wonder memiliki keluaran terukur 161 token per detik dan waktu terukur 32,08 detik ke token pertama. Kedua angka tersebut adalah model Meta yang beroperasi sesuai rancangan: token pertama tiba setelah proses berpikir yang panjang, dan sisa jawaban mengalir dengan laju sedang. Untuk pekerjaan batch, itu tidak relevan. Untuk apa pun yang melibatkan manusia yang menunggu, itulah keseluruhan pengalamannya.

Kesenjangan kualitas yang terukur justru berjalan ke arah sebaliknya. Muse Wonder mendapat skor 52 pada Artificial Analysis Intelligence Index, peringkat kesembilan dari 217 model, dengan biaya komputasi $4,52 per tugas indeks. Mercury 3 tidak memiliki skor indeks. Muse Wonder Full mendapat skor 56 dan peringkat keempat dari 696, tanpa harga yang dipublikasikan karena Meta tidak menjualnya per token. Jadi kerangka yang jujur adalah model frontier dengan plafon terukur dan masalah latensi terukur, versus model hemat dengan klaim keunggulan latensi dan sama sekali tanpa plafon terukur.

Penalaran adalah keputusan produk, bukan pengaturan

Perbedaan paling mendalam antara model-model ini bukanlah harga atau kecepatan. Melainkan apakah model diizinkan untuk berpikir sebentar.

Mercury 3 secara default menggunakan effort rendah saat parameter reasoning dihilangkan, dan keempat pengaturan tersebut berkisar dari instan hingga tinggi. Default itu adalah detail yang paling mungkin terlewat dan paling mungkin mendistorsi perbandingan apa pun: model yang menjawab dengan effort rendah akan tampak lebih cepat dan mendapat skor lebih rendah daripada model yang sama pada effort tinggi, dan klaim komparatif Inception sendiri tidak menyatakan pengaturan mana yang menghasilkan angka tersebut. Jika Anda melakukan benchmark Mercury 3 sendiri, tetapkan tingkat effort secara eksplisit atau angka Anda tidak akan sebanding dengan milik siapa pun — termasuk milik Inception.

Muse Wonder adalah kebalikannya secara desain. Penalaran bersifat wajib, default-nya medium, dan tidak ada sakelar untuk mematikannya. Itu adalah pilihan desain yang disengaja untuk model yang ditujukan bagi pekerjaan profesional dan agentic: framing Meta adalah bahwa pemikiran itu sendiri adalah produknya. Ini juga berarti model tidak memiliki jalur murah. Setiap panggilan membayar pajak penalaran, dan pada $20 per juta token keluaran, loop agentic panjang yang mengisi anggaran keluaran 943,718 token adalah tagihan yang serius.

Bagi seorang pengembang, konsekuensi praktisnya adalah bahwa kedua model ini tidak dapat ditukar di balik satu templat prompt yang sama dan dibandingkan secara adil. Mengerjakan tugas yang sama dengan baik di Mercury 3 berarti memilih tingkat upaya; mengerjakannya di Muse Wonder berarti menerima waktu berpikir. Perbandingan baru menjadi bermakna setelah keduanya dipatok pada perilaku efektif yang sama, dan untuk Mercury 3 perilaku tersebut tidak terdokumentasi.

Tentang papan skor Meta sendiri, dan mengapa itu bukan kata terakhir

Meta menerbitkan tabel tolok ukur saat peluncuran yang mencakup kedua checkpoint bersama Claude Fable 5.1, GPT-6 Astra, dan Claude Opus 5.5 pada penalaran maksimum. Setiap angka dilaporkan oleh vendor, dihasilkan dalam harness Meta, dan tidak satu pun telah direproduksi secara independen. Namun, dua baris tetap layak dibawa ke perbandingan ini, karena menunjukkan model melakukan apa yang dijual untuk dilakukannya.

• JobBench, tugas profesional jangka panjang — 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, penggunaan komputer — 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

Ketika Meta dan penilai independen tidak sepakat, angka independenlah yang harus menjadi dasar perencanaan. Tabel Meta mencantumkan Muse Wonder Full pada 59,0 di Artificial Analysis Index; Artificial Analysis sendiri menerbitkan 56. Selisih tiga poin pada indeks yang sama bukanlah skandal, tetapi itu menetapkan angka mana yang memiliki metodologi di baliknya.

Mercury 3 tidak memiliki tabel setara untuk diperdebatkan. Satu-satunya hasil kualitas terstruktur adalah uji agen Mind2Web: 50 tugas navigasi langsung dalam harness produksi milik Inception sendiri, 50 persen selesai, "jauh lebih banyak daripada GPT-6.1-Sol", menggunakan volume token yang sama dan jumlah langkah agen yang sama sehingga hanya sebagian kecil dari biaya per token. Lima puluh tugas adalah sampel kecil, harness tersebut milik Inception, dan model pembanding disebutkan tanpa skor. Ini adalah sinyal nyata bahwa model dapat menjalankan browser dengan sebagian kecil dari biaya model frontier yang melakukan hal yang sama. Ini bukan tolok ukur.

Manakah dari dua ini yang sebenarnya harus Anda evaluasi

Keputusan biasanya bergantung pada satu pertanyaan: apakah manusia menunggu keluaran ini, atau apakah antrean yang mengonsumsinya?

Jika manusia harus menunggu, Muse Wonder hampir didiskualifikasi oleh pengukurannya sendiri. Tiga puluh dua detik untuk token pertama bukanlah latensi yang bisa Anda sajikan kepada pelanggan, dan tidak ada yang memilihnya untuk antarmuka chat. Mercury 3 dibangun tepat untuk kasus ini, dan harganya membuat eksperimennya murah. Bahkan jika throughput hanya mencapai setengah dari klaim di bawah harness netral, ia tetap beberapa kali lebih cepat daripada apa pun di tier terdepan.

Jika yang mengonsumsinya adalah antrean — pemrosesan dokumen semalaman, proses agentik yang menghasilkan laporan, alur kerja back-office yang tidak diawasi siapa pun — maka token pertama dalam 32 detik tidak lagi menjadi masalah, dan kesenjangan kualitas yang terukur mulai menjadi masalah. Muse Wonder pada 52 di indeks, dengan rekam jejak independen yang lengkap, adalah besaran yang sudah diketahui. Mercury 3 dengan skor indeks yang tidak diketahui, pada beban kerja yang jawaban salahnya mahal dan tidak terpantau, adalah taruhan.

Tiga kasus berada di luar keduanya:

• Video, gambar, atau audio di dalam prompt — Muse Wonder menerima ketiganya, Mercury 3 tidak menerima satu pun. Tidak ada yang perlu dikorbankan.

• Apa pun yang memerlukan checkpoint dengan skor tertinggi — Muse Wonder Full bukan produk API. Ini adalah langganan bulanan Muse Code seharga $50 hingga $200, dan Meta belum mengatakan akan membukanya.

• Apa pun yang mengharuskan Anda merencanakan berdasarkan harga yang stabil — diskon peluncuran Mercury 3 tidak memiliki tanggal berakhir, dan pendahulunya dipensiunkan untuk pengguna baru. Harga $4/$20 Muse Wonder tidak memiliki perubahan yang diumumkan.

Apa yang OrcaRouter lakukan dan tidak lakukan di sini

Baik Muse Wonder maupun Mercury 3 tidak ada di katalog kami. Pemeriksaan API model kami tidak mengembalikan apa pun untuk meta/muse-wonder dan tidak mengembalikan apa pun untuk model Inception mana pun, dan kami tidak akan menjelaskan rute yang tidak kami miliki. Yang kami sediakan dari lab Meta adalah lini Muse Spark — Muse Spark 1.2 dan Muse Spark 1.1, keduanya dengan konteks 1 juta token seharga $1,25 untuk input dan $4,25 untuk output per juta token.

Hal itu lebih penting untuk pertandingan spesifik ini daripada kedengarannya. Alasan menjalankan Muse Wonder adalah kedalaman, dan alasan menjalankan Mercury 3 adalah kecepatan. Keduanya dapat diuji terhadap model yang sudah bisa Anda panggil: Muse Spark 1.2 memberi Anda keluarga penalaran Meta dengan kartu tarif yang dipublikasikan di sisi kami, dan lebih dari 200 model yang dapat diakses melalui satu kunci yang kompatibel dengan OpenAI memberi Anda perbandingan latensi tanpa kontrak kedua. Jika harga $4/$20 Muse Wonder akan dibenarkan untuk beban kerja Anda, harga itu harus mengalahkan sesuatu — dan sesuatu itu seharusnya model yang dapat Anda ukur sore ini.

Keunggulan mekanis yang layak disebut adalah pass-through harga. Harga daftar penyedia sampai ke tagihan Anda tanpa perubahan, sehingga potongan dari vendor — seperti diskon peluncuran 50 persen Inception atau pengurangan Meta yang hipotetis — langsung berlaku di sisi kami pada hari diumumkan, bukan pada perpanjangan berikutnya. Itu hal kecil sampai suatu hari tidak lagi.

Apa yang akan menyelesaikan ini?

Dua pengukuran akan menyelesaikan sebagian besar pekerjaan. Yang pertama adalah angka throughput Mercury 3 independen dengan harness, tingkat effort, dan ukuran batch yang dinyatakan; yang kedua adalah skor kualitas Mercury 3 independen apa pun. Sampai keduanya ada, model tercepat dalam perbandingan ini juga merupakan model yang paling sedikit Anda ketahui, dan yang paling mampu adalah model yang hanya dapat Anda panggil dengan langganan atau dengan harga yang sulit dibenarkan tanpa kasus penggunaan yang tahan terhadap setengah menit keheningan.

Yang membuat ini menjadi keputusan yang mudah, bukan sulit, adalah bahwa kedua model tidak bersaing untuk slot yang sama. Satu-satunya risiko nyata adalah memilih slot yang salah — men-deploy model tiga puluh detik ke jendela chat karena benchmark-nya lebih baik, atau men-deploy model yang belum diukur ke pipeline tanpa pemantauan karena harganya lebih baik. Keduanya adalah keputusan tentang produk Anda, bukan tentang modelnya, dan tidak satu pun diselesaikan oleh angka di papan peringkat.