Mercury 3 vs Reflection Beam：最速のクローズドモデルが、最速のオープンモデルと出会う

Reflection Beamは検証可能な数値とともに登場し、Mercury 3は検証できない数値とともに登場した。BeamはArtificial Analysisによって毎秒335.1出力トークンと評価されており、最初のトークンまでの時間は0.80秒、Intelligence Indexは30 ——計測された78モデル中4番目の速さ、品質では121モデル中20位である。Mercury 3は毎秒1,068トークンと主張しているが、あらゆる種類の独立したスコアを一切持たない。Inceptionが2026年10月19日にこれをリリースしてからわずか1日後のことだ。したがって、この比較を公正に始める方法は「どちらが速いか」ではなく、「計測されていない側が計測されたとき、その差はどうなるか」である。 このようなリリースの背後にある、記録に残されたAIの障害やエージェントのインシデントは、次のアーカイブに収集されている：the OrcaRouter AI Incident Archive。各エントリには、それぞれの出典、重大度、信頼度グレード、異議申し立てフラグが付されている。

この組み合わせがスペックシートを超えて重要なのは、両モデルが同じものを売り込んでいるからだ。Mercury 3はトークンのブロックを並列に洗練する拡散言語モデルであり、Reflection Beamは総パラメータ5010億、トークンあたり230億のみがアクティブなスパース混合エキスパートだ。手法は違えど賭けは同じで、次の戦いの場は能力の上限ではなく推論コストにある。Beamは2026年10月5日に発表され、その重みは10月16日にApache 2.0で公開された。Mercury 3は9日後にクローズドAPIとして提供開始された。一方は自分でダウンロードして測定できる。もう一方は呼び出して信じるしかない。

各当事者が実際に記録に残した内容

Beamの記録は、反論したくなるほど詳細だ。Intelligence Indexは30で、121モデル中20位、Artificial Analysisが同等のオープンウェイトモデルについて記録する中央値19を上回る。実測で毎秒335.1出力トークン、初回トークンまで0.80秒。いずれも同類の中位数である毎秒約77トークン、1.70秒と対比される。公表料金は入力100万トークンあたり$0.70、出力100万トークンあたり$2.10で、84%のキャッシュ割引を含めると、Intelligence Index 1タスクあたりの計算コストは$0.57になる。さらに、Intelligence Indexを完了するための出力トークン数は7900万で、評価対象47モデル中10番目に少なく、中央値の1億4000万と対比される。この最後の数値は、効率性の主張が他者の評価ハーネスに初めて現れたものであり、両モデルの記録の中で最も興味深い数値だ。

対照的に、Mercury 3の実績は3つの主張と1つの小規模な実験だけである。主張は次のとおり。NVIDIA GPU上で毎秒1,068トークン、Mercury 1の40倍超のパラメータ数を持ちながら測定された知能は約3倍、そして品質は「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」だという。実験は、Inception自身のウェブエージェントハーネスにおけるMind2Webのライブナビゲーションタスク50件で、50パーセントが完了し、「GPT-6.1-Solより大幅に多い」というもので、同じトークン量と同じステップ数、したがってコストはその一部で済む。そのいずれも独立に再現されておらず、Artificial AnalysisにはMercury 3のページすら一切存在しない。

その非対称性はInceptionのエンジニアリングを貶すものではない。それは今日何を判断できるかについての陈述だ。Beamについては完了したタスクあたりのコストを計算できる。なぜなら誰かが完了度と冗長さを測定したからだ。Mercury 3についてはトークンあたりのコストしか計算できない。

各行に調達元を付記した仕様書

• 100万あたりの価格 — Mercury 3 は定価で入力 $0.20、出力 $0.70、ローンチ割引中は $0.10 と $0.35 であるのに対し、Beam は入力 $0.70、出力 $2.10

• キャッシュ済み入力 — Mercury 3 はリスト価格で100万あたり $0.02、Beam は入力料金で84パーセント割引、つまり100万あたり約 $0.11

• スループット — Mercury 3 は毎秒1,068トークン（ベンダーによる主張、ハードウェア構成は不明）に対し、Beam は毎秒335.1トークン（Artificial Analysis による測定）

• 最初のトークンまでの時間 — Mercury 3 は未公開、Beam は実測0.80秒

• インテリジェンス指数 — 2026年10月20日時点でMercury 3はエントリーなし、一方Beam 30は121中20位

• インデックスタスクあたりのコスト — Mercury 3 はスコアがないと計算できません。対して Beam は $0.57

• インデックス上の出力冗長性 — Mercury 3 は未公表、Beam は7,900万トークンで47件中10番目に簡潔

• コンテキストウィンドウ — Mercury 3：1,000,000トークン、最大出力131,072トークン vs Beam：1,048,576トークン、最大出力131,072トークン

• パラメータ — Mercury 3 は非公開で、Mercury 1 の40倍超とのみ説明されている。一方、Beam は合計501B、トークンあたり23Bアクティブ。

• 入力モダリティ — 両方ともテキストのみ

• 推論制御 — Mercury 3 は即時から高までの4設定で、デフォルトは低。一方、Beam は5段階の必須の推論強度で、Reflection のドキュメントではデフォルトが最大

• 重み — Mercury 3 のクローズド版 対 Beam Apache 2.0、BF16、FP8、および 273 GiB の NVFP4 ビルド

• セルフホスティング — Mercury 3 はエンタープライズ向け専用キャパシティのみであるのに対し、Beam は NVLink 上の NVIDIA B300 GPU 4基によるリファレンスデプロイメントで、vLLM、SGLang、Transformers、Dynamo を day-zero でサポートします

価格線について一点注意があります。Mercury 3の割引には公開された終了日がないため、計画で有効な数値は{{1}}$0.20/$0.70{{/1}}であり、{{2}}$0.10/$0.35{{/2}}ではありません。Beamの{{3}}$0.70/$2.10{{/3}}は、評価者およびReflection自身のプラットフォームによって公開されている現行の料金表です。

重要なのは、335対1,068という差です。

Inceptionの数値が中立なハーネスの下でも成り立つなら、Mercury 3はこの分野で測定されたオープンウェイトモデルの中で最速のものより約3倍速く、しかもBeamの入力価格の3分の1、出力価格の3分の1でそれを実現している。より速く、より安い——その組み合わせがMercury 3の主張を一文で表したものであり、それは力強い一文だ。

問題は、その文が明示された方法論を伴わない数字だけに全面的に依拠していることだ。Inception は、どの GPU か、バッチサイズはいくつか、reasoning effort の設定はどれか、測定が単一ストリームか集約値かを述べていない。これら4つの選択肢はいずれもスループットの数値を数倍変動させる。適用すべき割引は仮定の話ではない。Mercury 2.5 のローンチ時、ベンダー公表のスループット数値は、Artificial Analysis がその後独自のハーネスで測定した毎秒706トークンより実質的に高かった。これはこのカテゴリーにおけるベンダー対独立系の通常の開きであり、悪意ではない — しかし、想定すべきはその開きだ。

3分の1に削減すると、Mercury 3は毎秒約350トークンに達する。Beamの実測値と並び、価格は3分の1、品質スコアは不明だ。2分の1に削減すると、この価格で両ラボが投入したモデルの中で余裕をもって最速となる。いずれにせよ、比較は「3倍高速」から「Beamと同じくらいの速さから3倍高速までのどこか、しかもいずれにしてもBeamより安い」へと変わる。

同じ一対の数値の中には、2つ目の非対称性が潜んでいる。Beamの0.80秒という最初のトークンまでの時間は、最大エフォート設定をデフォルトとする推論モデルで測定されたものだ。つまり、モデルは何かを出力する前に実際に思考しており、それでも最初のトークンを1秒未満で返している。これは生のスループット数値よりも印象的なエンジニアリング成果であり、独立したハーネスだけが見つけられる類のものだ。

Beam側の本当の見どころは、230億のアクティブパラメータにある

Beamのスペック表にある501Bという数字は、その大半が実際には稼働しない。トークンあたり230億がアクティブということは、任意のトークンに対してモデルは自身の約4.6%だけを起動するということであり、これは現在のオープンウェイトの基準から見ても積極的な部類に入る活性化比率だ。アーキテクチャに関する注記には、インターリーブされたローカルアテンションとグローバルアテンション、細粒度のルーティングエキスパート、SandwichNorm、FP8/FP4のサービング用ビルドが挙げられているが、実用上の帰結はもっと単純だ。Beamは4基のGPUを搭載した1ノードに収まる。それは研究上の興味の対象ではなく、サービング向けのプロファイルである。

これは冗長性の結果についても説明している。1億4000万という中央値に対して7900万もの出力トークンを費やしてインデックスを完成させるモデルは、およそ半分の出力トークンで同じ作業をこなしていることになり、しかも請求額が膨らむのは出力トークンの部分だ。Reflection自身の主張は、フロンティアにおける同等性ではなく推論時の効率性にあり、同社はローンチ資料でそう明言している——素の能力ではKimi K3とG​LMに後れを認めているのだ。独立系のデータは、その譲歩と効率性の主張を同時に裏付けている。

Mercury 3の効率性に関する主張は、性質が異なる。トークンをより少なく消費するという話ではなく、より速く生成するという話であり、Inceptionのスケーリングの説明——最初のモデルの40倍のパラメータ、測定された知能は3倍、速度は同じ——は、拡散モデルの並列性が自己回帰モデルには到底かなわないスループットをもたらすという主張だ。それはもっともらしく興味深い主張である。また、完全に自己申告であり、同じ答えに到達するために比較可能な自己回帰モデルより多くのトークンを使うかどうかについては何も語っていない。Mercury 3の冗長度の数値を公表した者はいない。そこから取るべきMercury 3の評価が存在しないからだ。

完了したジョブあたりのコスト（算出済み）

エージェント型コーディングタスクを考えてみましょう。20万トークンのリポジトリコンテキスト、出力として4,000トークンのパッチと説明、そしてチーム全体で1日5,000回の実行です。

• Mercury 3 をリスト価格で計算すると — 入力トークン10億個が$0.20で$200、出力2,000万個が$0.70で$14。1日あたり約$214。

• ローンチ時の料金での Mercury 3 — 1日あたり約107ドル。

• Beamを公表レートで試算すると — 入力10億トークン×$0.70で$700、出力2,000万トークン×$2.10で$42。1日あたり約$742で、これは84%のキャッシュ割引を適用する前の金額です。ここではキャッシュ割引が極めて重要です。なぜなら、リポジトリのコンテキストはまさにキャッシュされる種類の前置きだからです。コンテキストに対して現実的なキャッシュヒット率を想定すると、入力の項目は$112程度まで縮小し、1日の合計は$154近くになります。

その計算が、これら両モデルが存在する理由だ。キャッシュがよく効くエージェント的ワークロードでは、両者の差は40%以内に収まる。キャッシュが良好なシナリオではBeamがわずかに安く、悪いシナリオではMercury 3が安い。そしてどちらも、同じトラフィックに対してフロンティアモデルが請求する額のほんの一部だ。コストの論拠では両者を区別できない。両者を分けるのは、Beamの数字が再現可能であるのに対し、Mercury 3の数字は未知の完了率に対する定価だという点だ。

ライセンスに関する問題は、まだ決着には程遠い。

Beamの重みはApache 2.0の下で3つの精度でダウンロードでき、さらに1.93Bの投機的デコーディング用ドラフターも利用可能で、Reflectionは蒸留、ファインチューニング、量子化、マージを制限しないと述べている。適合性確認ツール——beam-verifier——があり、稼働中の任意のBeamエンドポイントに対してテストスイートを実行し、その後主要ベンチマークで評価する。つまり購入者はプロバイダーの数値を信頼するのではなく確認できる。セルフホスティングはトークン単位の疑問を完全に取り除き、GPU時間の問題に変える。

Mercury 3 にはそうしたものは一切ありません。クローズドで、API 専用であり、エンタープライズ向けプランでは重みではなく、専用キャパシティと設定可能なデータ保持が追加されます。モデルが販売する製品の一構成要素となるワークロードにとって、それはサプライチェーンではなく依存関係です。

ベンダー履歴というシグナルもある。Inception自身の移行ノートには、Mercury 2とMercury 2.5は新規ユーザーにはクローズされ、既存顧客も2026年11月15日にアクセスを失うと書かれている。Mercury 3の出荷から1か月も経たないうちのことだ。2世代をこれほど早く引退させる企業は、自社モデルがどう消費されることを想定しているかを物語っている。短命なレンタルサービスとして、ということだ。Reflectionは今のところ逆を行い、成果物を手渡している。

どちらのモデルも当社のカタログに掲載されていないことを踏まえると、ルーターがどこに位置づけられるか

Mercury 3もReflection BeamもOrcaRouterでは提供されていません。当社のモデルAPIを確認しても、どちらについても何も返ってきません。存在しないルートについて説明することはしません。当社が提供しているのは、それらを取り巻くレイヤーです：1つのOpenAI互換エンドポイントの背後に200以上のモデルがあり、プロバイダーの定価でマークアップなし、自動フェイルオーバーとモデルを単一の呼び出しに組み合わせるためのルーティングDSLを備えています。

この特定の組み合わせでは、そのレイヤーは2つの役割を果たします。1つ目は比較です。これを本格的に導入する前に、毎秒300トークンのオープンウェイトモデルが自社製品にとって十分高速かどうかを知りたいなら、正直なテストは、すでに呼び出せるモデル——コンテキスト1,048,576トークンのKimi K3（$3.00/$15.00）、GLM 5.2（$1.40/$4.40）、Qwen 3.8-Max（$2.00/$6.00）——に対してワークロードを実行し、ユーザーが実際に気づくものを測定することです。2つ目はフォールバックです。自己ホスト型のBeamデプロイメントとベンダーホスト型のMercury 3は、2つの異なる障害モードです。本番経路をフェイルオーバー付きルーターの背後に置くことは、エンドポイントの劣化が停止ではなくログに記録されたイベントになることを意味します。なぜならプロバイダーの定価は変更されずにそのまま適用されるため、Reflectionの値下げやInceptionの割引は、発表されたその日に請求へ反映されます。

スコアではなく制約による判断

• モデルを資産として扱いたいなら — 監査可能で、ファインチューニング可能で、自社ハードウェア上で実行でき、ベンダーが消えても存続する — ここではBeamが唯一の選択肢です。Apache 2.0、1ノードに収まる273 GiBのビルド、そして任意のプロバイダーをReflectionの数値と照合する検証器。それはMercury 3がまったく答えられない問いへの完全な答えです。

• クローズドAPIで可能な限り低いレイテンシが必要で、人間が待っているなら、Mercury 3はより興味深い選択肢であり、その価格なら評価は安く済みます。テストする際はeffort設定を明示的に固定してください。デフォルトはlowであり、Inceptionの主張はどの設定でその結果が得られたのかを示していないためです。

• 着手前に品質を知る必要があるなら、Beamには数値があり、Mercury 3にはない。121モデルの指標における30は凡庸だ——フロンティアのスコアではなく、Reflectionもそう主張しているわけではない——だが、設計の基準として頼れる下限ではある。

• ワークロードがエージェント型で長時間実行されるものである場合、Beam はデフォルトで最大努力の推論が必須なため呼び出しあたりのコストが高く、Mercury 3 はデフォルトが低努力のため呼び出しあたりのコストは安い。完了したジョブあたりどちらが安いかは、Mercury 3 について誰も測定していない完了率に依存する。

この比較にとって最も役立つ単一の出来事は、独立したMercury 3の測定値が得られることだ。それが競争力のある品質スコアを伴って1,068付近の値で出てくれば、Inceptionはこの分野で最速の低価格モデルを投入したことになり、Beamの効率性の話は、生の速度ではなく開放性についての話になる。もしBeamの335付近で中位のスコアなら、最速のオープンウェイトモデルと最速のクローズドモデルは同じ速度になり、決め手となる問いは、価格、ライセンス、そして成果物を所有したいかどうかになる——Beamが現在より良い答えを持っている3つの問いだ。