Mercury 3 vs Muse Wonder: trentadue secondi al primo token

C'è un numero misurato in questo confronto che dovrebbe chiudere la discussione prima ancora che inizi. Artificial Analysis registra il time to first token di Muse Wonder a 32,08 secondi. Mercury 3 dichiara 1.068 token di output al secondo senza alcuna misurazione indipendente. Un modello impiega mezzo minuto per iniziare a rispondere; l'altro sostiene di scrivere mille parole nel tempo che serve a leggere questa frase. Sul fronte della latenza non appartengono alla stessa categoria di prodotto, e nessuna superiorità nei benchmark colma un divario di trenta volte nel momento in cui compare il primo carattere. I fallimenti documentati dell'AI e gli incidenti degli agenti dietro rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Ma quella è la versione facile della storia, ed è fuorviante sotto un aspetto importante. Muse Wonder non cerca di essere veloce. Meta ha rilasciato Muse Wonder il 12 ottobre 2026 come modello di ragionamento all'avanguardia con un prezzo di $4,00 per milione di token in input e $20,00 per milione di token in output, e a quel prezzo ciò che si compra è la profondità: un modello che pensa per trenta secondi e risolve correttamente il problema difficile. Mercury 3, rilasciato da Inception il 19 ottobre 2026, costa da venti a cinquanta volte meno perché vende lo scambio opposto. La domanda che chi costruisce un prodotto si trova davvero ad affrontare non è quale sia migliore. È quale scambio faccia il tuo prodotto, e se sei stato onesto con te stesso su quale sia.

I due modelli, un paragrafo ciascuno

Mercury 3 è un modello linguistico a diffusione — il termine usato da Inception è dLLM — che genera token in parallelo anziché uno alla volta. Offre un contesto da 1M token, un output massimo di 131.072 token, input solo testuale, chiamata agli strumenti e output strutturati su un endpoint compatibile con OpenAI, e quattro impostazioni di sforzo di ragionamento (instant, low, medium, high), con il default su low. Il prezzo di listino è $0,20 per milione di token in input e $0,70 per milione in output, attualmente dimezzato a $0,10 e $0,35 "al lancio" senza una data di fine pubblicata. La dichiarazione sulla qualità di Inception è comparativa e senza punteggio: afferma che il modello è allo stesso livello o migliore di "modelli di frontiera ottimizzati per la velocità come GPT-6 Luna e Claude Haiku 5.5", e riporta un risultato su un task dal proprio harness per agenti — 50% di completamento su 50 task Mind2Web live.

Muse Wonder è il modello di ragionamento frontier di Meta, distribuito in due checkpoint: muse-wonder-1.0, richiamabile tramite la Meta Model API e all'interno di Muse Code, e muse-wonder-full-1.0, una configurazione con punteggio più alto che, secondo Meta, è disponibile solo per gli abbonati a Muse Code. Entrambi offrono un contesto da 1M token e lo stesso listino prezzi di $4.00/$20.00, con uno sconto del 95 per cento sulla cache. Il ragionamento è obbligatorio — la scala di effort va da minimo a massimo, con valore predefinito medio, e i token di ragionamento vengono fatturati come output. Gli input sono testo, immagine, voce e video; l'output è testo.

Quanto costa effettivamente ciascuno a livello di richiesta

I prezzi per token sono il numero meno utile in un confronto come questo, perché i due modelli consumano volumi di token estremamente diversi per svolgere lo stesso lavoro. Un modello di ragionamento che per impostazione predefinita usa uno sforzo medio e ha consumato 130 milioni di token di output completando una sessione di valutazione non ha lo stesso prezzo di un modello ottimizzato per risposte brevi, ancor prima di applicare il listino prezzi. Quindi calcola il prezzo dello stesso lavoro in entrambi i modi.

Prendi un assistente per la revisione di documenti: 20.000 token di testo contrattuale in ingresso, 500 token in uscita sotto forma di riepilogo strutturato e un elenco dei rischi, 2.000 revisioni al giorno.

• Mercury 3 a listino — 40 milioni di token di input a $0,20 fanno $8,00; 1 milione di token di output a $0,70 fanno $0,70. Circa $8,70 al giorno.

• Mercury 3 alla tariffa di lancio — la metà, circa 4,35 $ al giorno.

• Muse Wonder — 40 milioni di input a $4,00 fanno $160; 1 milione di output a $20,00 fanno $20. In più i token di ragionamento, che vengono fatturati come output e che Meta non ti consente di disattivare. Con un valore prudenziale di 1.000 token di ragionamento per chiamata, la voce output diventa 3 milioni di token, ovvero $60, per un totale giornaliero di $220.

Si tratta di un divario di venticinque volte a parità di traffico, ed è la versione lievemente favorevole per Muse Wonder, perché i modelli di ragionamento spendono abitualmente molto più di mille token di pensiero su un compito che richiede attenzione. L'impostazione dello sforzo è l'unica leva, ed è una leva che agisce al contempo su costi e qualità — non puoi abbassare il pensiero senza abbassare la risposta.

Ecco il punto che rende il confronto più che aritmetico. Mercury 3 non pubblica un conteggio dei token di output per nessuna valutazione, quindi nessuno sa se sia conciso o prolisso rispetto a un task di riferimento. Se si rivela un modello loquace, il costo giornaliero cambia di multipli, non di percentuali. Il divario di venticinque volte potrebbe essere di quindici o di quaranta volte in produzione e non esiste alcuna prova pubblicata in un senso o nell'altro.

La dichiarazione sul throughput, e il dato che la ridimensiona

Il dato di punta di Inception è 1.068 token al secondo su GPU NVIDIA, descritto come da 4 a 8 volte più veloce rispetto ai modelli con cui si confronta. L'azienda non specifica l'hardware, la dimensione del batch, l'impostazione di effort né se il valore sia a flusso singolo o aggregato, e queste quattro scelte fanno variare il numero di più volte. Al 20 ottobre 2026 non esiste alcuna misurazione indipendente di Mercury 3: Artificial Analysis elenca ancora Mercury 2.5 e Mercury 2 e non ha una pagina per Mercury 3.

La misurazione indipendente disponibile per la generazione precedente è istruttiva. Artificial Analysis stima Mercury 2.5 a circa 706 token al secondo nel proprio harness. È un dato di terze parti reale e riproducibile, e significativamente inferiore ai numeri del fornitore pubblicati al momento del lancio. Quel divario è il normale scarto tra fornitore e indipendente in questa categoria, non una prova di malafede — ma è lo scarto da applicare mentalmente a 1.068 finché qualcuno non lo riproduce.

Muse Wonder, invece, ha una velocità di output misurata di 161 token al secondo e un tempo misurato al primo token di 32,08 secondi. Entrambi i valori corrispondono al modello di Meta che funziona come progettato: il primo token arriva dopo una lunga fase di ragionamento e il resto della risposta viene trasmesso in streaming a una velocità media. Per un processo batch è irrilevante. Per qualsiasi cosa con una persona in attesa, è l'intera esperienza.

Il divario di qualità misurato va nella direzione opposta. Muse Wonder ottiene 52 sull’Artificial Analysis Intelligence Index, classificandosi nono su 217 modelli, con 4,52 $ di calcolo per attività dell’indice. Mercury 3 non ha un punteggio nell’indice. Muse Wonder Full ottiene 56 e si classifica quarto su 696, senza un prezzo pubblicato perché Meta non lo vende per token. Quindi l’inquadramento onesto è quello di un modello di frontiera con un tetto misurato e un problema di latenza misurato, contro un modello economico con un vantaggio di latenza dichiarato e nessun tetto misurato.

Il ragionamento è una decisione di prodotto, non un'impostazione

La differenza più profonda tra questi modelli non è il prezzo o la velocità. È se al modello è consentito pensare brevemente.

Mercury 3 usa per impostazione predefinita low effort quando il parametro di ragionamento viene omesso, e le quattro impostazioni vanno da instant a high. Quel valore predefinito è il dettaglio che più facilmente sfugge e che più probabilmente distorce qualsiasi confronto: un modello che risponde con l'impostazione low effort sembrerà più veloce e otterrà un punteggio inferiore rispetto allo stesso modello con l'impostazione high, e le stesse dichiarazioni comparative di Inception non specificano quale impostazione le abbia prodotte. Se esegui tu stesso il benchmark di Mercury 3, fissa esplicitamente il livello di sforzo o i tuoi numeri non saranno confrontabili con quelli di nessun altro — compresi quelli di Inception.

Muse Wonder è l'opposto per costruzione. Il ragionamento è obbligatorio, il valore predefinito è medio e non c'è alcun interruttore per disattivarlo. È una scelta progettuale deliberata per un modello pensato per il lavoro professionale e agentico: secondo l'impostazione di Meta, il ragionamento è il prodotto. Ciò significa anche che il modello non ha un percorso economico. Ogni chiamata paga il costo del ragionamento e, a 20 $ per milione di token di output, un lungo ciclo agentico che satura il budget di output di 943.718 token rappresenta una fattura considerevole.

Per chi sviluppa, la conseguenza pratica è che questi due modelli non possono essere scambiati dietro un unico template di prompt e confrontati in modo equo. Svolgere bene lo stesso compito su Mercury 3 significa scegliere un livello di impegno; farlo su Muse Wonder significa accettare il tempo di riflessione. Il confronto diventa significativo solo quando entrambi sono fissati allo stesso comportamento effettivo, e per Mercury 3 tale comportamento non è documentato.

Sulla classifica di Meta stessa, e perché non è l'ultima parola

Meta ha pubblicato al lancio una tabella di benchmark che copre entrambi i checkpoint insieme a Claude Fable 5.1, GPT-6 Astra e Claude Opus 5.5 al massimo del ragionamento. Ogni numero è dichiarato dal fornitore, prodotto nell'harness di Meta, e nessuno è stato riprodotto in modo indipendente. Due righe meritano comunque di essere riportate in questo confronto, perché mostrano il modello fare ciò per cui viene venduto.

• JobBench, attività professionali a lungo orizzonte — 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, uso del computer — 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

Laddove Meta e il valutatore indipendente non sono d'accordo, è sul numero indipendente che bisogna basare la pianificazione. La tabella di Meta indica Muse Wonder Full a 59,0 sull'Artificial Analysis Index; Artificial Analysis stessa pubblica 56. Tre punti sullo stesso indice non sono uno scandalo, ma stabiliscono quale cifra abbia una metodologia alle spalle.

Mercury 3 non ha una tabella equivalente con cui confrontarsi. Il suo unico risultato qualitativo strutturato è il test dell'agente Mind2Web: 50 attività di navigazione dal vivo nell'harness di produzione di Inception, il 50 per cento completate, "significativamente più di GPT-6.1-Sol", usando lo stesso volume di token e lo stesso numero di passaggi dell'agente e quindi una frazione del costo per token. Cinquanta attività sono un campione piccolo, l'harness è di Inception e il modello di confronto è nominato senza un punteggio. È un segnale reale che il modello può pilotare un browser a una frazione del costo di un modello frontier che fa la stessa cosa. Non è un benchmark.

Quale di questi due dovresti effettivamente valutare

La decisione di solito si risolve su una domanda: un essere umano attende questo output, oppure una coda lo consuma?

Se un essere umano deve aspettare, Muse Wonder è vicino alla squalifica secondo le sue stesse misurazioni. Trentadue secondi al primo token non sono una latenza che puoi mettere davanti a un cliente, e nessuno lo sceglie per un'interfaccia di chat. Mercury 3 è costruito esattamente per questo caso, e il suo prezzo rende l'esperimento economico. Anche se il throughput si attesta alla metà di quanto dichiarato in un harness neutrale, resta comunque diverse volte più veloce di qualsiasi cosa nella fascia di frontiera.

Se a consumarlo è una coda — elaborazione notturna dei documenti, esecuzioni agentiche che consegnano un report, flussi di lavoro back-office in cui nessuno guarda — allora il primo token a 32 secondi smette di importare e inizia a contare il divario di qualità misurato. Muse Wonder a 52 sull'indice, con un record indipendente completo, è un valore noto. Mercury 3 con un punteggio dell'indice sconosciuto, su un carico di lavoro in cui una risposta sbagliata è costosa e non monitorata, è una scommessa.

Tre casi restano fuori da entrambi:

• Video, immagini o audio nel prompt — Muse Wonder li accetta tutti e tre, Mercury 3 nessuno. Non c'è alcun compromesso da fare.

• Qualunque cosa richieda il checkpoint con il punteggio più alto — Muse Wonder Full non è un prodotto API. È un abbonamento mensile da 50 a 200 dollari a Muse Code, e Meta non ha dichiarato che lo renderà disponibile.

• Qualsiasi situazione in cui devi pianificare in base a un prezzo stabile: lo sconto di lancio di Mercury 3 non ha una data di fine, e i suoi predecessori vengono ritirati per i nuovi utenti. Il $4/$20 di Muse Wonder non ha variazioni annunciate.

Che cosa fa e che cosa non fa OrcaRouter qui

Né Muse Wonder né Mercury 3 figurano nel nostro catalogo. Una verifica sulla nostra API dei modelli non restituisce nulla per meta/muse-wonder né per alcun modello Inception, e non descriveremo una rotta che non abbiamo. Ciò che offriamo dal laboratorio di Meta è la linea Muse Spark — Muse Spark 1.2 e Muse Spark 1.1, entrambi con una finestra di contesto da 1M di token a $1,25 in entrata e $4,25 in uscita per milione di token.

Per questo specifico confronto, conta più di quanto sembri. Il motivo per usare Muse Wonder è la profondità, quello per usare Mercury 3 è la velocità. Entrambi gli aspetti si possono testare con un modello che puoi già chiamare: Muse Spark 1.2 ti offre una famiglia di reasoning Meta con un listino pubblicato dalla nostra parte, e i oltre 200 modelli raggiungibili tramite un'unica chiave compatibile con OpenAI ti danno il confronto della latenza senza un secondo contratto. Se i $4/$20 di Muse Wonder devono essere giustificati per il tuo carico di lavoro, deve pur battere qualcosa — e quel qualcosa dovrebbe essere un modello che puoi misurare già questo pomeriggio.

Il vantaggio meccanico che vale la pena menzionare è il trasferimento dei prezzi. I prezzi di listino dei fornitori arrivano sulla tua fattura invariati, così un taglio del fornitore — come lo sconto di lancio del 50 per cento di Inception o un'ipotetica riduzione di Meta — è attivo dalla nostra parte il giorno stesso in cui viene annunciato, non al rinnovo successivo. È una piccola cosa, finché un giorno non smette di esserlo.

{{1}}Cosa risolverebbe questo{{/1}}

Due misurazioni farebbero la maggior parte del lavoro. La prima è un valore di throughput indipendente per Mercury 3 rilevato con un harness, un livello di effort e una dimensione del batch dichiarati; la seconda è un qualsiasi punteggio di qualità indipendente per Mercury 3. Finché non esistono entrambi, il modello più veloce in questo confronto è anche quello di cui si sa meno, e il più capace è quello che si può chiamare solo con un abbonamento o a un prezzo difficile da giustificare senza un caso d'uso che tolleri mezzo minuto di silenzio.

Ciò che rende questa una decisione facile anziché difficile è che i due modelli non competono per lo stesso slot. L'unico vero rischio è scegliere lo slot sbagliato — distribuire un modello da trenta secondi in una finestra di chat perché il suo benchmark è migliore, oppure distribuire un modello non misurato in una pipeline non monitorata perché il suo prezzo è migliore. Entrambe sono decisioni che riguardano il tuo prodotto, non i modelli, e nessuna delle due si risolve con un numero su una classifica.