Mercury 3 vs Qwen3.8-Max: Token Murah dan Jawaban Mahal

Qwen3.8-Max dan Mercury 3 adalah dua kutub dalam perdebatan soal harga yang justru sering dibalik oleh sebagian besar perbandingan model. Pada daftar tarif, Mercury 3 berbiaya $0,10 per juta token masukan dan $0,35 per juta token keluaran selama periode peluncurannya, dibandingkan dengan $2,00 dan $6,00 untuk Qwen3.8-Max. Itu tampak seperti diskon tujuh belas kali lipat pada biaya generasi. Namun Artificial Analysis mengukur berapa biaya yang sebenarnya dikeluarkan tiap model untuk menyelesaikan sebuah tugas, dan Qwen3.8-Max mencatat $5,41 per evaluasi Intelligence Index meskipun harga per tokennya tergolong sedang — karena model ini menghasilkan 190 juta token untuk mencapainya, dibandingkan median 85 juta. Mercury 3, yang dirilis oleh Inception Labs pada 19 Oktober 2026, sama sekali tidak memiliki pengukuran setara. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis semacam ini dikumpulkan dalam the OrcaRouter AI Incident Archive yang setiap entrinya mencantumkan sumbernya sendiri, tingkat keparahan, kelas keyakinan, dan penanda status sengketa.

Jadi, pertanyaan yang berguna bukanlah model mana yang lebih murah per token. Melainkan mana yang lebih murah per pekerjaan yang selesai, dan halaman peluncuran kedua vendor tidak menjawabnya. Inilah yang didukung oleh bukti, dan apa yang harus Anda ukur sendiri.

Apa itu Qwen3.8-Max, dalam versi yang benar-benar akan Anda sebut

Qwen3.8-Max adalah andalan A​libaba: model sparse mixture-of-experts dengan total 2,4 triliun parameter dan 95 miliar parameter aktif per token, multimodal secara native — teks, gambar, dan video sebagai masukan, teks sebagai keluaran — dengan konteks 1 juta token pada API terhosting dan batas keluaran 131.072 token. Model ini tersedia secara umum sejak 3 Agustus 2026, dan rekam jejak independennya tidak lagi minim.

• Intelligence Index — 45 pada Artificial Analysis Index v4.3.2, menempati peringkat ke-33 dari 217 model pada snapshot terkini halaman tersebut.

• Kecepatan output — 39,6 token per detik, berada di peringkat 183 dari 186. Ringkasan halaman itu sendiri menyebutnya "terasa lambat."

• Biaya per tugas indeks — $5,41, termasuk dalam kuartil termahal dari model yang dicantumkannya.

• Verbositas — 190M token keluaran di seluruh proses indeks, digambarkan sebagai "sangat bertele-tele" dibandingkan median 85M.

• Konteks — diukur pada 984k di endpoint, yang merupakan batas praktis dari angka satu juta yang diiklankan, bukan spesifikasi yang berbeda.

Kombinasi itu konsisten secara internal dan layak dinyatakan secara terus terang: Qwen3.8-Max adalah model dengan penalaran kuat, lambat, dan banyak bicara. Ia bagus dalam hal yang memang menjadi dasar penetapan harganya, tetapi mahal secara marginal karena butuh banyak langkah untuk melakukannya. Biaya $5.41 per tugas bukanlah kesalahan penetapan harga. Itu adalah perilaku model yang muncul di tagihan.

Catatan tentang versi, karena ini akan menjebak siapa pun yang membandingkan halaman. Pengukuran independen di atas dilakukan terhadap snapshot 2 September, yang tercantum sebagai "Qwen3.8 Max (0902)". A​libaba juga menyediakan endpoint qwen/qwen3.8-max tanpa tanggal dengan harga $2/$6 yang sama dan tarif input cache $0.25; keduanya tersedia di katalog kami, dan menyematkan snapshot bertanggal adalah langkah yang tepat untuk apa pun yang ingin Anda reproduksi.

Apa yang Mercury 3 berikan kepada Anda, dan apa yang ditahannya

Model Inception adalah model bahasa difusi yang menghasilkan token secara paralel, dan setiap angka dalam posting peluncuran berkaitan dengan kecepatan, ukuran, atau harga, bukan kualitas.

• Throughput — 1.068 token per detik, dikaitkan dengan "NVIDIA GPUs" tanpa menyebutkan perangkat keras apa pun, tanpa ukuran batch, dan tanpa keterangan tentang mana dari keempat pengaturan tingkat upaya penalaran yang menghasilkannya.

• Konteks — 1 juta token, naik dari 260 ribu pada Mercury 2.5, dengan batas output 131.072 token.

• Harga — $0,20 input dan $0,70 output per juta pada harga daftar, dipotong setengah menjadi $0,10 dan $0,35 selama jendela peluncuran. Input yang di-cache $0,02 pada harga daftar, $0,01 dalam jendela peluncuran.

• Effort — empat pengaturan: instan, rendah, sedang, tinggi. Default-nya adalah rendah, sedangkan Mercury 2.5 dan Mercury 2 secara default menggunakan sedang.

• Modalitas — teks masuk, teks keluar. Tanpa visi, tanpa audio.

• Kualitas — tanpa tolok ukur numerik. Klaimnya adalah bahwa model ini "mengungguli GPT-6 Luna dan Claude Haiku 5.5", tanpa selisih margin dan tanpa menyebut tolok ukur apa pun. Satu-satunya hasil terstruktur adalah 50% penyelesaian pada 50 tugas navigasi Mind2Web langsung dalam harness milik Inception sendiri.

Pengaturan effort default itulah detail yang paling mungkin merusak sebuah perbandingan. Model yang menjawab dengan effort rendah akan lebih cepat dan memperoleh skor lebih rendah daripada model yang sama dengan effort tinggi, dan perbandingan milik Inception sendiri tidak menyebutkan pengaturan mana yang mereka gunakan. Jika Anda melakukan benchmark Mercury 3 tanpa mengunci parameter tersebut, angka Anda tidak dapat dibandingkan dengan milik siapa pun — termasuk milik Inception.

Uji satu: biaya per pekerjaan selesai, bukan per token

Ambil agen triase dukungan yang memproses 2 juta token masukan dan 300.000 token keluaran per hari. Pada Mercury 3 dengan harga daftar, itu $0,40 untuk masukan dan $0,21 untuk keluaran, atau $0,61 per hari. Pada Qwen3.8-Max dengan $2/$6, itu $4,00 dan $1,80, atau $5,80 per hari. Selisihnya sekitar sepuluh kali lipat, dan pada tarif peluncuran, sisi Mercury turun menjadi sekitar $0,31.

Kini koreksi yang penting. Angka-angka itu mengasumsikan satu kali proses per tugas. 64 langkah terukur Qwen3.8-Max per tugas GDPval-AA, dibandingkan 14 untuk pendahulunya, adalah mekanisme persis yang mengubah tarif output $6 menjadi $5,41 per evaluasi. Jika Mercury 3 memerlukan dua percobaan sementara Qwen hanya satu, biaya efektif Mercury menjadi dua kali lipat dan sebagian selisihnya menutup. Jika Mercury memerlukan empat percobaan, sebagian besar selisih itu menutup. Perbandingan biaya karenanya berada di hilir pertanyaan tingkat penyelesaian yang belum diukur siapa pun, itulah sebabnya tabel tarif token adalah hal paling tidak berguna di halaman kedua vendor tersebut.

Di sisi input, ada faktor yang perlu diketahui. Qwen3.8-Max mengenakan biaya $0.25 per juta token input yang di-cache; Mercury 3 mengenakan $0.02, atau $0.01 selama peluncuran. Agen mengirim ulang system prompt dan definisi alat yang sama pada setiap langkah, sehingga preambul 20.000 token biayanya $0.0004 per panggilan pada tarif cache Mercury versus $0.005 pada Qwen. Dalam proses lima puluh langkah, itu dua sen versus dua puluh lima sen. Harga yang ditonjolkan kedua model tidak mencerminkan hal itu, dan untuk beban kerja agen, angka itulah yang menentukan anggaran.

Uji dua: berapa biaya model lambat saat seseorang menunggu

Soal kecepatan, kedua model sama sekali tidak berada dalam kategori yang sama, dan penting untuk menjelaskan secara tepat apa arti masing-masing pengukuran.

1,068 token per detik milik Mercury adalah angka dari vendor tanpa reproduksi independen. Yang kita miliki dari Artificial Analysis adalah generasi sebelumnya: Mercury 2.5 terukur sekitar 706 token per detik dengan harness miliknya sendiri, yang lebih rendah daripada angka vendor yang menyertai peluncuran tersebut. Selisih itu adalah diskon normal dari vendor ke independen dalam kategori ini, bukan bukti iktikad buruk — tetapi itulah diskon yang perlu diterapkan secara mental pada 1,068 sampai ada yang mereproduksinya.

Laju 39,6 token per detik Qwen3.8-Max diukur secara independen dan disertai peringkat: ke-183 dari 186. Pada laju itu, jawaban 1.500 token membutuhkan sekitar 38 detik hanya untuk generasi, sebelum prefill. Bagi agen latar belakang yang melapor kembali, itu tidak masalah. Untuk apa pun yang membuat manusia mengawasi kursor, itu sudah mendiskualifikasi dengan sendirinya, apa pun kualitasnya.

Itulah garis patahan yang sebenarnya menjadi landasan perbandingan ini. Kecepatan Mercury 3 belum terverifikasi tetapi masuk akal mengingat arsitekturnya, dan harganya benar-benar rendah. Kecepatan Qwen3.8-Max terverifikasi dan buruk, dan harganya benar-benar tinggi. Tak satu pun dari fakta-fakta itu memberi tahu Anda model mana yang menulis jawaban lebih baik, dan bagi sebagian besar tim, pertanyaan tentang kualitas jawaban adalah hal yang belum bisa mereka pastikan.

Tes tiga: beri setiap model pekerjaan yang memang dirancang untuknya

Kedua model tersebut gagal pada arah yang berlawanan, sehingga evaluasi secara berdampingan lebih informatif dibandingkan peringkat tunggal.

Beri Q​wen3.8-Max ujung yang panjang, multimodal, dan berisiko tinggi. Dokumen setebal 400 halaman, rekaman layar alur checkout yang rusak, grafik yang harus dibaca dengan benar. Ini satu-satunya dari kedua model yang sama sekali dapat menerima input, dan ia memiliki skor independen untuk dijadikan patokan ekspektasi. Anggarkan verbositasnya: dengan penalaran aktif, token output ditagih $6 per juta dan jumlahnya akan lebih banyak dari yang Anda perkirakan. Kesenjangan dalam mengikuti instruksi adalah hal yang harus diuji pertama — tabel terbitan Q​wen sendiri menempatkan IFBench sebagai angka terlemahnya, dan angka biaya per tugas independen adalah konsekuensi langsung dari cakupannya yang melampaui batas.

Beri Mercury 3 ujung yang singkat, hanya teks, dan kritis terhadap latensi, di mana jawaban yang salah murah untuk dideteksi. Autocomplete, penulisan ulang kueri, klasifikasi tahap pertama, petunjuk dalam alur tutor. Patok pengaturan upaya. Tetapkan anggaran percobaan ulang. Perlakukan setiap klaim kualitas sebagai hipotesis, karena memang itulah statusnya saat ini.

Dan jangan beri model mana pun pekerjaan yang bergantung pada kekuatan model lainnya. Qwen3.8-Max tidak dapat dibuat cepat hanya dengan meminta dengan sopan; Mercury 3 tidak dapat membaca halaman PDF. Memilih di antara keduanya berdasarkan posisi benchmark agregat berarti memilih variabel yang salah.

Di mana posisi OrcaRouter dalam hal ini, yang hanya berada di satu sisi saja

Qwen3.8-Max tersedia di katalog kami sebagai qwen/qwen3.8-max, dengan harga daftar penyedia dengan markup 0% yang diteruskan — jadi jika A​libaba mengubah tarif, perubahan langsung berlaku di sini pada hari yang sama, bukan pada siklus penagihan berikutnya. Layanan ini berada di belakang endpoint yang sama yang kompatibel dengan OpenAI seperti semua layanan lain yang kami sediakan, yang berarti evaluasi hanyalah perubahan string model dan uji coba produksi hanyalah persentase lalu lintas, bukan migrasi.

Mercury 3 tidak ada dalam katalog kami. API model kami tidak mengembalikan apa pun untuk model Inception mana pun, jadi rute ke sana adalah platform Inception sendiri, yang memberikan 100 juta token gratis kepada akun baru. Kami merutekan sisi Q​wen dan kami tidak merutekan sisi Mercury, dan asimetri dalam cara Anda menjangkau masing-masing mengikuti hal itu, bukan karena preferensi.

Kegunaan praktis dari lapisan routing adalah bahwa evaluasi dapat dilakukan secara buta dan murah. Kirim satu potongan lalu lintas ke qwen/qwen3.8-max, pertahankan penyedia yang ada di potongan lain, dan bandingkan biaya per tugas yang diselesaikan alih-alih biaya per token — yang, seperti ditunjukkan angka-angka di atas, bukan pengukuran yang sama dan dapat mengarah ke arah yang berlawanan. Failover otomatis lintas penyedia berarti minggu buruk di satu endpoint menjadi keputusan routing alih-alih insiden, dan routing DSL memungkinkan Anda mempertahankan pembagian sebagai aturan sehingga menutup eksperimen hanyalah perubahan konfigurasi.

Apa yang akan menyelesaikannya, dan apa yang harus dilakukan sampai saat itu

Tiga pengukuran akan mengakhiri perdebatan ini. Halaman Artificial Analysis untuk Mercury 3, yang akan menempatkan kedua model pada satu harness dan menggantikan satu kalimat vendor dengan sebuah angka. Tingkat penyelesaian yang dipublikasikan untuk Mercury 3 pada benchmark coding atau agentic, yang akan mengubah diskon token menjadi biaya per pekerjaan. Dan pengukuran latensi Qwen3.8-Max pada konkurensi Anda sendiri, karena 39,6 token per detik adalah angka indeks, bukan jaminan penyajian, dan model yang sekadar lambat dalam benchmark bisa jadi tidak dapat digunakan di bawah beban.

Sampai hal-hal itu ada, posisi yang dapat dipertahankan lebih sempit daripada yang disiratkan oleh kedua postingan peluncuran. Qwen3.8-Max adalah model multimodal yang terukur, lambat, dan mahal yang biayanya dapat Anda perkirakan dengan yakin dan yang tidak akan mengejutkan Anda pada format masukan. Mercury 3 adalah model hanya teks yang murah dan cepat yang kualitasnya tidak diketahui dan angka kecepatannya belum direproduksi. Beli Qwen3.8-Max untuk pekerjaan yang tidak akan Anda baca sebelum dikirim. Coba Mercury 3 untuk pekerjaan di mana ada orang yang menunggu dan percobaan ulang gratis — dan tetapkan pengaturan upaya, atau Anda akan membandingkan eksekusi upaya rendah Anda dengan upaya tinggi orang lain.