Mercury 3 vs Muse Wonder：最初のトークンまで32秒

この比較には、議論が始まる前に終わらせるはずの実測値がある。Artificial AnalysisはMuse Wonderの最初のトークンまでの時間を32.08秒と記録している。Mercury 3は毎秒1,068出力トークンを主張しているが、独立した測定は一切ない。一方のモデルは回答を始めるのに30秒かかり、もう一方はこの文を読む間に千語を書くという。レイテンシーにおいて両者は同じ製品カテゴリーにはなく、ベンチマークでどれほど優れていても、最初の文字が現れるまでの30倍の差を埋めることはできない。このようなリリースの背後にある、文書化されたAIの障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各項目には独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付いている。

しかし、それは物語の簡単な版であり、一つ重要な点で誤解を招く。Muse Wonder は速さを目指しているわけではない。Meta は 2026年10月12日に Muse Wonder をフロンティア推論モデルとしてリリースし、価格は入力100万トークンあたり4.00ドル、出力100万トークンあたり20.00ドルに設定した。その価格で買っているものは深さだ——30秒考えて難問を正しく解くモデルである。Inception が2026年10月19日にリリースした Mercury 3 は、その20〜50倍低い価格だが、それは逆のトレードオフを売っているからだ。ビルダーが実際に直面する問いは、どちらが優れているかではない。自分のプロダクトがどちらのトレードオフを選ぶのか、そしてそれがどちらなのかについて自分に正直でいられているか、だ。

2つのモデルについて、それぞれ1段落で

Mercury 3は拡散言語モデルであり、InceptionではこれをdLLMと呼んでいる。トークンを1つずつではなく並列に生成する。100万トークンのコンテキスト、最大出力131,072トークン、テキストのみの入力、OpenAI互換エンドポイントでのツール呼び出しと構造化出力、そして4段階の推論強度設定（instant、low、medium、high。デフォルトはlow）を備える。定価は入力100万トークンあたり0.20ドル、出力100万トークンあたり0.70ドルで、現在は「ローンチ時」として半額の0.10ドルと0.35ドルになっているが、終了日は公表されていない。Inceptionの品質に関する主張は比較にとどまりスコアは示されていない。「GPT-6 LunaやClaude Haiku 5.5のようなフロンティアの速度最適化モデルと同等かそれ以上」と述べており、自社のエージェントハーネスによるタスク結果を1件——実際のMind2Webタスク50件で完了率50パーセント——報告している。

Muse WonderはMetaのフロンティア推論モデルで、2つのチェックポイントとして提供されています：muse-wonder-1.0はMeta Model APIおよびMuse Code内で呼び出し可能、muse-wonder-full-1.0はより高いスコアを記録する構成で、MetaによればMuse Codeのサブスクライバーのみが利用できます。どちらも100万トークンのコンテキストと同一の$4.00/$20.00の料金体系を持ち、キャッシュ割引は95パーセントです。推論は必須で、エフォートの段階はminimalからmaxまであり、デフォルトはmedium、推論トークンは出力として課金されます。入力はテキスト、画像、音声、動画で、出力はテキストです。

リクエストレベルでそれぞれに実際にかかるコスト

このような比較では、トークン単価は最も役に立たない数値です。なぜなら、同じ作業を行うのに2つのモデルが消費するトークン量は大きく異なるからです。既定の推論強度が中程度で、評価実行を完了するのに1億3000万出力トークンを使った推論モデルは、料金表を適用する前の段階でも、短い回答に最適化されたモデルと同じ価格にはなりません。だからこそ、同じ作業を両方のやり方で価格付けすべきです。

文書レビュー支援アシスタントを想定します。契約書テキスト2万トークンを入力し、500トークンの構造化要約とリスク一覧を出力、1日2,000件のレビューを行います。

• Mercury 3をリスト価格で — 入力トークン4,000万個×$0.20で$8.00、出力トークン100万個×$0.70で$0.70。1日あたり約$8.70。

• Mercury 3をローンチ時の料金で — その半額、1日あたり約4.35ドル。

• Muse Wonder — 入力4,000万トークンが$4.00で$160、出力100万トークンが$20.00で$20。さらに推論トークンが加算され、これは出力として課金され、Metaはこれをオフにできないようにしています。控えめに見積もって1回の呼び出しあたり1,000推論トークンとすると、出力の行は300万トークン、つまり$60になり、1日の合計は$220になります。

同一のトラフィックで25倍の差があり、しかもこれはMuse Wonderにとってやや有利なケースです。推論モデルは通常、注意深さを要するタスクで1000をはるかに超える思考トークンを使うからです。エフォート設定が唯一のレバーであり、それはコストと品質の両方に同時に作用するレバーです。思考を抑えずに回答の質を下げることはできません。

ここが、この比較を単なる算術以上のものにしている部分です。Mercury 3はどの評価についても出力トークン数を公開していないため、ベースラインタスクに対して簡潔なのか冗長なのかは誰にも分かりません。もしこれがおしゃべりなモデルだと判明すれば、日次コストは数パーセントではなく数倍単位で動きます。25倍の差は、本番環境では15倍にも40倍にもなり得ますが、どちらを裏付ける公開証拠もありません。

スループットの主張と、それを打ち消す数字

Inceptionの見出し数値はNVIDIA GPU上で毎秒1,068トークンで、比較対象としているモデルより4～8倍高速だと説明されている。同社はハードウェア、バッチサイズ、エフォート設定、またこの数値が単一ストリームか集計値かを明示しておらず、これら4つの選択によって数値は数倍変動する。2026年10月20日時点でMercury 3の独立した測定値は存在しない。Artificial Analysisは依然としてMercury 2.5とMercury 2を掲載しており、Mercury 3のページはない。

前世代について実際に存在する独立測定は示唆に富む。Artificial Analysisは独自のハーネスでMercury 2.5を毎秒約706トークンと評価している。これは実際に再現可能な第三者による数値であり、そのローンチ時に公表されたベンダー数値を意味のある程度下回っている。この差は、このカテゴリーにおけるベンダー値から独立値への通常の割引であり、悪意の証拠ではない。ただし、誰かが再現するまでは1,068に頭の中で適用すべき割引である。

一方、Muse Wonder は、実測で毎秒161トークンの出力と、実測32.08秒の初回トークン到達時間を備えています。どちらの数値も、Meta のモデルが設計どおりに動作している結果です。最初のトークンは長い思考パスを経て到着し、残りの回答は中程度の速度でストリーミングされます。バッチジョブにとっては無関係です。人間が待っているあらゆる場面では、それが体験のすべてです。

実測された品質差は逆方向に生じている。Muse WonderはArtificial Analysis Intelligence Indexで52点を記録し、217モデル中9位、インデックスタスクあたりの計算コストは4.52ドルだ。Mercury 3にはインデックススコアがない。Muse Wonder Fullは56点で696モデル中4位だが、Metaはトークン単位で販売していないため公開価格はない。したがって正直に言えば、実測された上限と実測されたレイテンシ問題を抱えるフロンティアモデルと、レイテンシ優位性を主張しつつ実測された上限がまったくない低価格モデルの対比だ。

推論は設定ではなく、製品の意思決定です。

これらのモデルの最も本質的な違いは、価格や速度ではありません。そのモデルが短時間考えることを許されているかどうかです。

Mercury 3 は reasoning パラメータを省略すると、デフォルトで low effort になります。4つの設定は instant から high までです。このデフォルト設定は、最も見落とされやすく、あらゆる比較を最も歪めやすい詳細です。low effort で応答するモデルは、high の同じモデルよりも速く見え、スコアは低くなります。また、Inception 自身の比較主張には、どの設定で得られた結果なのかが示されていません。自分で Mercury 3 をベンチマークする場合は、エフォートレベルを明示的に固定してください。そうしないと、あなたの数値は他の誰のものとも比較できません — Inception の数値とも。

Muse Wonder は設計上、正反対だ。推論は必須で、デフォルトは medium、オフにするスイッチはない。これはプロフェッショナル向けおよびエージェント作業を狙ったモデルにおける意図的な設計判断だ。Meta の位置づけでは、思考そのものが製品だ。つまり、このモデルには安価な経路が存在しない。すべての呼び出しが推論コストを払うことになり、出力100万トークンあたり20ドルでは、943,718トークンの出力予算を使い切る長いエージェントループは重大な請求額になる。

ビルダーにとっての実際的な帰結は、これら2つのモデルを単一のプロンプトテンプレートの背後で入れ替えて公平に比較することはできない、ということだ。Mercury 3で同じタスクをうまくこなすにはエフォートレベルを選ぶ必要があり、Muse Wonderでこなすには思考時間を受け入れる必要がある。比較が意味を持つのは、両方が同じ実効的な振る舞いに固定されてからであり、Mercury 3についてはその振る舞いが文書化されていない。

Meta自身のスコアボードと、それが最終的な決め手ではない理由

Metaはローンチ時に、両チェックポイントをClaude Fable 5.1、GPT-6 Astra、Claude Opus 5.5と最大推論設定で並べたベンチマーク表を公開した。数値はすべてベンダー報告によるもので、Metaのハーネスで生成されたものであり、独立に再現されたものは一つもない。それでもこの比較に持ち込む価値のある2行がある。モデルが売り文句どおりの働きをしていることを示しているからだ。

• JobBench、長期的な専門タスク — 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、コンピュータ操作 — 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

Metaと独立評価者が食い違う場合、計画の基準にすべきは独立側の数値だ。Metaの表ではMuse Wonder FullがArtificial Analysis Indexで59.0と記載されているが、Artificial Analysis自身は56を公表している。同じ指標での3ポイント差はスキャンダルではないが、どちらの数字に方法論があるかを示すものだ。

Mercury 3には、議論できる同等の表がない。唯一の構造化された品質結果はMind2Webエージェントテストだ。Inception自身の本番ハーネスにおける50件のライブナビゲーションタスクで、50パーセントが完了し、「GPT-6.1-Solより有意に多い」とされ、同じトークン量と同じエージェントステップ数を使用しているため、トークン単価はその何分の一かである。50件のタスクは小さなサンプルであり、ハーネスはInceptionのもので、比較モデルはスコアなしで名前だけが挙げられている。これは、このモデルが同じことをするフロンティアモデルのコストの何分の一かでブラウザを操作できるという実質的なシグナルではある。ただし、ベンチマークではない。

この2つのうち、実際に評価すべきなのはどちらですか

判断は通常、ひとつの問いで決まる。この出力を人間が待っているのか、それともキューが消費するのか。

もし人間が待つことを前提にするなら、Muse Wonderは自らの測定値によって失格に近い。最初のトークンまで32秒というのは、顧客の前に出せるレイテンシーではなく、チャット画面として誰も選ばない。Mercury 3はまさにこのケースのために作られており、その価格なら実験のコストは安く済む。中立的なハーネス下でスループットが公称値の半分に落ちたとしても、それでもフロンティア層のどれよりも数倍速い。

キューがそれを消費する場合——夜間の文書処理、レポートを納品するエージェント型実行、誰も監視していないバックオフィス業務——なら、32秒かかる最初のトークンは問題にならなくなり、測定された品質ギャップが問題になり始める。インデックスで52のMuse Wonderは、完全な独立記録を伴う既知の存在だ。未知のインデックススコアにあるMercury 3は、誤った回答が高コストで監視もされないワークロードにおいては、賭けである。

3つのケースはどちらにも当てはまらない：

• プロンプト内の動画、画像、音声 — Muse Wonderはその3つすべてに対応し、Mercury 3はどれにも対応していません。トレードオフはありません。

• 最高スコアのチェックポイントを必要とするものは何でも — Muse Wonder Full は API 製品ではありません。これは Muse Code への月額 $50〜$200 のサブスクリプションであり、Meta はそれを開放するとは述べていません。

• 安定した価格を前提に計画を立てたいあらゆる場面 — Mercury 3のローンチ割引には終了日がなく、その前世代モデルは新規ユーザー向けに提供終了となります。Muse Wonderの$4/$20については変更の発表はありません。

OrcaRouter がここで行うことと行わないこと

ミューズ・ワンダーもマーキュリー3も当社のカタログにはありません。モデルAPIを確認しても、meta/muse-wonder には何も返らず、Inceptionのどのモデルにも何も返りません。また、当社が提供していないルートについて説明することはしません。当社がMetaのラボから提供しているのはMuse Sparkシリーズです — Muse Spark 1.2とMuse Spark 1.1で、どちらも100万トークンのコンテキストを持ち、料金は100万トークンあたり入力$1.25、出力$4.25です。

この特定の対決では、それは聞こえる以上に重要だ。Muse Wonder を使う理由は深さにあり、Mercury 3 を使う理由は速度にある。どちらも、すでに呼び出せるモデルに対して試せる。Muse Spark 1.2 は、こちら側で料金表が公開されている Meta の推論ファミリーを提供し、さらに1 つの OpenAI 互換キーで到達できる 200 以上のモデルによって、2 つ目の契約なしにレイテンシ比較が可能になる。Muse Wonder の $4/$20 があなたのワークロードで正当化されるなら、何かを上回る必要がある。そしてその「何か」は、今日の午後に測定できるモデルであるべきだ。

特筆すべき仕組み上の利点は、価格のパススルーです。プロバイダーの定価はそのまま請求書に反映されます。そのため、ベンダーの値下げ — Inceptionの50パーセントのローンチ割引や、仮にMetaが値下げした場合など — は、次回の更新時ではなく、発表されたその日から当社側で有効になります。それは、そうでなくなる日までは小さなことです。

これを解決してくれるものは何だろうか

2つの測定値があれば、ほとんどのことは済む。1つ目は、明示されたハーネス、エフォートレベル、バッチサイズの下での独立したMercury 3のスループット値であり、2つ目は、何であれ独立したMercury 3の品質スコアだ。両方が存在するまで、この比較で最速のモデルは最も知られていないモデルでもあり、最も高性能なモデルは、サブスクリプションでしか、あるいは30秒の沈黙を許容するユースケースがなければ正当化しにくい価格でしか呼び出せないモデルだ。

これが難しい決断ではなく簡単な決断になるのは、2つのモデルが同じ枠を争っていないからだ。唯一の本当のリスクは、間違った枠を選ぶことだ——ベンチマークが優れているからといって30秒のモデルをチャットウィンドウに配備したり、価格が優れているからといって測定されていないモデルを監視されていないパイプラインに配備したりすることだ。どちらもモデルについてではなく製品についての決断であり、どちらもリーダーボード上の数字で決まるものではない。