Mercury 3 vs Muse Wonder: 첫 토큰까지 32초

이 비교에는 시작하기도 전에 논쟁을 끝냈어야 할 측정 수치가 하나 있다. Artificial Analysis는 Muse Wonder의 첫 토큰까지 걸리는 시간을 32.08초로 기록한다. Mercury 3는 독립적인 측정이 전혀 없는 상태에서 초당 1,068개의 출력 토큰을 주장한다. 한 모델은 답변을 시작하는 데 30초가 걸리고, 다른 모델은 이 문장을 읽는 시간에 천 단어를 쓴다고 말한다. 지연 시간만 놓고 보면 이 둘은 같은 범주의 제품이 아니며, 첫 글자가 나타나는 시점의 30배 격차는 아무리 뛰어난 벤치마크 우위로도 메울 수 없다. 이번과 같은 출시의 배경이 되는 문서화된 AI 실패와 에이전트 사건들은 OrcaRouter AI Incident Archive에 모여 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 여부 플래그가 함께 붙어 있다.

하지만 그것은 이야기의 쉬운 버전이며, 한 가지 중요한 점에서 오해를 불러일으킨다. Muse Wonder는 빠르려고 하는 것이 아니다. Meta는 2026년 10월 12일 Muse Wonder를 출시했으며, 입력 토큰 100만 개당 $4.00, 출력 토큰 100만 개당 $20.00에 책정된 프런티어 추론 모델이다. 그 가격에 사는 것은 깊이, 즉 30초 동안 생각하고 어려운 문제를 맞히는 모델이다. Inception이 2026년 10월 19일 출시한 Mercury 3는 20~50배 더 낮은 가격으로 책정되어 있는데, 그 이유는 반대의 거래를 팔고 있기 때문이다. 빌더가 실제로 마주하는 질문은 어느 쪽이 더 나은가가 아니다. 그것은 당신의 제품이 어떤 거래를 하는가, 그리고 그것이 어느 쪽인지에 대해 스스로에게 솔직했는가이다.

두 모델을 각각 한 단락으로

Mercury 3는 확산 언어 모델로 — Inception에서는 dLLM이라고 부릅니다 — 토큰을 한 번에 하나씩이 아니라 병렬로 생성합니다. 1M 토큰 컨텍스트, 최대 131,072 토큰 출력, 텍스트 전용 입력, OpenAI 호환 엔드포인트에서의 도구 호출 및 구조화된 출력, 그리고 네 가지 추론 강도 설정(instant, low, medium, high)을 갖추고 있으며 기본값은 low입니다. 정가는 입력 100만 토큰당 $0.20, 출력 100만 토큰당 $0.70이며, 현재 "출시 시" $0.10 및 $0.35로 절반 인하되어 있고 공개된 종료일은 없습니다. Inception의 품질 주장은 비교적이며 점수화되지 않았습니다: 이 모델이 "GPT-6 Luna와 Claude Haiku 5.5 같은 프런티어 속도 최적화 모델"과 동등하거나 더 낫다고 말하며, 자체 에이전트 하네스에서의 한 가지 작업 결과 — 50개의 라이브 Mind2Web 작업에서 50퍼센트 완료 — 를 보고합니다.

Muse Wonder는 Meta의 프런티어 추론 모델로, 두 개의 체크포인트로 제공됩니다: muse-wonder-1.0은 Meta Model API와 Muse Code 내에서 호출할 수 있고, muse-wonder-full-1.0은 Meta가 Muse Code 구독자에게만 제공된다고 밝힌 더 높은 점수의 구성입니다. 둘 다 1M 토큰 컨텍스트와 동일한 $4.00/$20.00 요금표를 갖추고 있으며, 95% 캐시 할인이 적용됩니다. 추론은 필수이며 — 노력 단계는 최소부터 최대까지이고 기본값은 중간이며, 추론 토큰은 출력으로 과금됩니다. 입력은 텍스트, 이미지, 음성, 동영상이고 출력은 텍스트입니다.

요청 수준에서 각각이 실제로 얼마의 비용이 드는지

이런 비교에서 토큰당 가격은 가장 쓸모없는 숫자입니다. 두 모델이 같은 작업을 수행하는 데 소비하는 토큰 양이 크게 다르기 때문입니다. 기본값이 중간 노력이고 평가 실행을 완료하는 데 1억 3천만 개의 출력 토큰을 사용한 추론 모델은 요금표를 적용하기 전에도 짧은 답변에 최적화된 모델과 같은 가격이 아닙니다. 그러니 같은 작업을 두 가지 방식으로 가격 책정해 보세요.

문서 검토 어시스턴트를 예로 들어 보겠습니다: 계약서 텍스트 20,000토큰 입력, 500토큰의 구조화된 요약 및 위험 목록 출력, 하루 2,000건 검토.

• Mercury 3 정가 기준 — 입력 토큰 4,000만 개에 $0.20이면 $8.00이고, 출력 토큰 100만 개에 $0.70이면 $0.70입니다. 하루 약 $8.70입니다.

• Mercury 3는 출시 요금 기준 — 그 절반인 하루 약 $4.35입니다.

• Muse Wonder — 입력 4천만 개에 $4.00이면 $160이고, 출력 100만 개에 $20.00이면 $20입니다. 여기에 출력으로 청구되며 Meta가 끌 수 없게 하는 추론 토큰이 더해집니다. 보수적으로 호출당 추론 토큰 1,000개를 가정하면 출력 항목은 300만 토큰, 즉 $60이 되어 일일 총액은 $220이 됩니다.

이는 동일한 트래픽에서 25배의 격차이며, Muse Wonder에는 다소 유리하게 잡힌 버전입니다. 추론 모델은 세심한 주의가 필요한 작업에 천 개가 훨씬 넘는 사고 토큰을 흔히 소비하기 때문입니다. effort 설정이 유일한 조절 수단이고, 그것은 비용과 품질 모두에 동시에 작용하는 수단입니다 — 사고를 낮추면 답변도 낮아질 수밖에 없습니다.

여기서 이 비교가 단순한 산수가 아니게 되는 부분이 나옵니다. Mercury 3는 어떤 평가에서도 출력 토큰 수를 공개하지 않으므로, 기준 작업 대비 그것이 간결한지 장황한지 아무도 알 수 없습니다. 만약 그것이 말이 많은 모델로 밝혀진다면, 일일 비용은 퍼센트가 아니라 배수 단위로 달라집니다. 25배 격차는 실제 운영에서 15배가 될 수도, 40배가 될 수도 있으며, 어느 쪽이든 공개된 근거는 없습니다.

처리량 주장과, 이를 반박하는 수치

인셉션(Inception)이 내세운 수치는 NVIDIA GPU에서 초당 1,068 토큰이며, 자사가 비교 대상으로 삼은 모델들보다 4~8배 빠르다고 설명한다. 그러나 이 회사는 하드웨어, 배치 크기, 노력(effort) 설정, 그리고 해당 수치가 단일 스트림인지 총합인지를 밝히지 않았으며, 이 네 가지 선택만으로도 수치는 몇 배씩 달라진다. 2026년 10월 20일 기준으로 독립적인 Mercury 3 측정치는 존재하지 않는다. Artificial Analysis는 여전히 Mercury 2.5와 Mercury 2만 등재하고 있으며 Mercury 3 페이지는 없다.

이전 세대에 대해 실제로 존재하는 독립 측정치는 시사하는 바가 있다. Artificial Analysis는 자체 하네스에서 Mercury 2.5를 초당 약 706토큰으로 측정한다. 이는 실제이며 재현 가능한 제3자 수치이고, 해당 출시 당시 공개된 벤더 수치보다 의미 있게 낮다. 이 격차는 이 범주에서 흔한 벤더 대 독립 측정 간 할인 폭일 뿐 악의의 증거는 아니다. 다만 누군가 1,068을 재현할 때까지는 머릿속으로 적용해야 할 할인 폭이다.

한편 Muse Wonder는 측정된 출력 속도가 초당 161토큰이고, 측정된 첫 토큰까지의 시간은 32.08초입니다. 두 수치는 모두 Meta의 모델이 설계대로 작동한 결과입니다. 첫 토큰은 긴 사고 과정을 거친 뒤 도착하고, 나머지 답변은 중간 정도의 속도로 스트리밍됩니다. 배치 작업에는 무관한 일입니다. 사람이 기다리는 작업이라면, 이것이 경험 전체를 좌우합니다.

측정된 품질 격차는 반대 방향으로 나타난다. Muse Wonder는 Artificial Analysis Intelligence Index에서 52점을 기록해 217개 모델 중 9위이며, 인덱스 작업당 컴퓨팅 비용은 $4.52이다. Mercury 3는 인덱스 점수가 없다. Muse Wonder Full은 56점으로 696개 중 4위이고, Meta가 토큰당 판매하지 않기 때문에 공개된 가격은 없다. 따라서 솔직한 구도는 측정된 상한과 측정된 지연 문제를 지닌 프런티어 모델 대, 주장된 지연 우위만 있고 측정된 상한은 전혀 없는 보급형 모델이다.

추론은 설정이 아니라 제품 결정입니다.

이 모델들 사이의 가장 근본적인 차이는 가격이나 속도가 아닙니다. 그것은 모델이 짧게 생각하는 것이 허용되는지 여부입니다.

Mercury 3은 추론 매개변수가 생략되면 기본적으로 낮은 노력(low effort)으로 설정되며, 네 가지 설정은 즉시(instant)부터 높음(high)까지 이어집니다. 이 기본값은 가장 놓치기 쉽고 모든 비교를 왜곡할 가능성이 가장 큰 세부 사항입니다. 낮은 노력으로 응답하는 모델은 같은 모델이 높음으로 응답할 때보다 더 빠르게 보이고 더 낮은 점수를 받을 수 있지만, Inception 자체의 비교 주장에는 어떤 설정에서 나온 결과인지 명시되어 있지 않습니다. Mercury 3을 직접 벤치마크한다면 노력 수준을 명시적으로 고정하세요. 그렇지 않으면 여러분의 수치는 Inception의 수치를 포함해 다른 누구의 수치와도 비교할 수 없게 됩니다.

Muse Wonder는 구조적으로 그 반대다. 추론은 필수이고 기본값은 medium이며, 이를 끄는 스위치는 없다. 이는 전문적·에이전트형 작업을 겨냥한 모델의 의도적인 설계 선택이다. Meta의 표현대로 사고 자체가 곧 제품이다. 이는 또한 이 모델에 저렴한 경로가 없음을 의미한다. 모든 호출이 추론 비용을 지불하며, 출력 토큰 100만 개당 $20인 상황에서 943,718토큰 출력 예산을 채우는 긴 에이전트 루프는 상당한 청구서가 된다.

빌더 입장에서 실질적인 귀결은, 이 두 모델을 하나의 프롬프트 템플릿 뒤에서 서로 바꿔 공정하게 비교할 수 없다는 것입니다. Mercury 3에서 같은 작업을 잘 해내려면 effort 수준을 선택해야 하고, Muse Wonder에서 해내려면 사고 시간을 감수해야 합니다. 두 모델이 동일한 실효 동작에 고정된 뒤에야 비교가 의미를 가지며, Mercury 3의 경우 그 동작은 문서화되어 있지 않습니다.

Meta 자체의 스코어보드에 관하여, 그리고 그것이 최종 결론이 아닌 이유

Meta는 출시 당시 두 체크포인트를 모두 다루는 벤치마크 표를 공개했으며, 여기에는 최대 추론 설정의 Claude Fable 5.1, GPT-6 Astra, Claude Opus 5.5도 함께 포함됐다. 모든 수치는 벤더가 보고한 값이고 Meta의 하네스에서 산출됐으며, 독립적으로 재현된 것은 하나도 없다. 그래도 이 비교에 가져올 만한 두 행이 있다. 이 모델이 판매 시 내세우는 작업을 실제로 수행하는 모습을 보여주기 때문이다.

• JobBench, 장기 전문 업무 — 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, 컴퓨터 사용 — 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

Meta와 독립 평가 기관의 수치가 엇갈릴 때는 독립적인 수치를 기준으로 계획해야 한다. Meta의 표에는 Muse Wonder Full이 Artificial Analysis Index에서 59.0으로 기재되어 있지만, Artificial Analysis 자체는 56을 발표한다. 같은 지수에서 3점 차이는 스캔들이 아니지만, 어느 수치에 방법론이 뒷받침되는지를 분명히 해준다.

Mercury 3에는 견줄 만한 대응 표가 없다. 이 모델의 유일한 구조화된 품질 결과는 Mind2Web 에이전트 테스트다. Inception 자체의 프로덕션 하네스에서 수행한 50개의 실제 내비게이션 작업, 완료율 50퍼센트, "GPT-6.1-Sol보다 상당히 더 많음"이며, 동일한 토큰 볼륨과 동일한 수의 에이전트 단계를 사용하므로 토큰당 비용은 그 일부에 불과하다. 50개의 작업은 작은 표본이고, 하네스는 Inception의 것이며, 비교 모델은 점수 없이 이름만 언급된다. 이는 해당 모델이 같은 작업을 수행하는 프런티어 모델 비용의 일부로 브라우저를 구동할 수 있다는 실질적인 신호다. 그것은 벤치마크가 아니다.

이 두 가지 중 실제로 평가해야 하는 것은 어느 것입니까?

그 결정은 대개 한 가지 질문으로 판가름 납니다: 사람이 이 출력을 기다리는가, 아니면 대기열이 이를 소비하는가?

사람이 기다려야 한다면, Muse Wonder는 자체 측정치만으로도 거의 탈락 수준이다. 첫 토큰까지 32초는 고객 앞에 내놓을 수 있는 지연 시간이 아니며, 채팅 인터페이스로 선택할 사람도 없다. Mercury 3는 바로 이런 경우를 위해 만들어졌고, 그 가격 덕분에 실험 비용이 저렴하다. 중립적인 하네스에서 처리량이 주장치의 절반에 그친다 해도, 여전히 프런티어 등급의 어떤 모델보다 몇 배는 빠르다.

큐가 이를 소비한다면 — 야간 문서 처리, 보고서를 전달하는 에이전트 실행, 아무도 지켜보지 않는 백오피스 워크플로 — 32초의 첫 토큰은 중요하지 않게 되고 측정된 품질 격차가 중요해지기 시작한다. 지수에서 52점인 Muse Wonder는 완전한 독립 기록을 갖추고 있어 이미 알려진 값이다. 알 수 없는 지수 점수의 Mercury 3는, 잘못된 답변이 비용이 많이 들고 모니터링되지 않는 워크로드에서, 하나의 도박이다.

세 가지 경우는 둘 모두에 해당하지 않습니다:

• 프롬프트의 비디오, 이미지, 오디오 — Muse Wonder는 세 가지를 모두 받아들이고, Mercury 3는 하나도 받지 않습니다. 저울질할 여지가 없습니다.

• 최고 점수를 기록한 체크포인트가 필요한 모든 경우 — Muse Wonder Full은 API 제품이 아닙니다. 이는 Muse Code에 대한 월 50~200달러의 구독이며, Meta는 이를 공개할 것이라고 밝히지 않았습니다.

• 안정적인 가격을 기준으로 계획을 세워야 하는 모든 상황 — Mercury 3의 출시 할인은 종료일이 없으며, 이전 제품들은 신규 사용자에 대한 제공이 중단되고 있습니다. Muse Wonder의 $4/$20은 변경 발표가 없습니다.

OrcaRouter가 여기서 하는 일과 하지 않는 일

Muse Wonder와 Mercury 3는 모두 저희 카탈로그에 없습니다. 모델 API를 확인한 결과 meta/muse-wonder에 대해서는 아무것도 반환되지 않았고 어떤 Inception 모델에 대해서도 아무것도 반환되지 않았으며, 저희는 보유하지 않은 경로를 설명하지 않습니다. Meta의 연구소에서 저희가 제공하는 것은 Muse Spark 라인입니다 — Muse Spark 1.2와 Muse Spark 1.1이며, 둘 다 1M 토큰 컨텍스트를 갖추고 100만 토큰당 입력 $1.25, 출력 $4.25입니다.

이것은 이 특정 비교에서는 들리는 것보다 더 중요합니다. Muse Wonder를 사용하는 이유는 깊이이고, Mercury 3를 사용하는 이유는 속도입니다. 이 두 가지 모두 이미 호출할 수 있는 모델을 상대로 테스트할 수 있습니다: Muse Spark 1.2는 저희 쪽에서 공개된 요금표가 있는 Meta 추론 계열을 제공하며, 그리고 하나의 OpenAI 호환 키로 접근할 수 있는 200개 이상의 모델은 두 번째 계약 없이 지연 시간 비교를 제공합니다. Muse Wonder의 $4/$20이 귀하의 워크로드에 정당화되려면 무언가를 이겨야 하며, 그 무언가는 오늘 오후에 측정할 수 있는 모델이어야 합니다.

굳이 이름 붙일 만한 구조적 이점은 가격 전가입니다. 공급자 정가가 변동 없이 청구서에 도달하며, 따라서 Inception의 50퍼센트 출시 할인이나 가상의 Meta 인하 같은 공급업체의 인하는 발표되는 당일 우리 쪽에서 바로 적용되며, 다음 갱신 시점까지 기다리지 않습니다. 그것은 별것 아닌 일처럼 보이다가, 더는 그렇지 않은 날이 오면 달라집니다.

이 문제를 해결할 수 있는 방법은 무엇일까요?

두 가지 측정만 있으면 대부분의 일이 해결될 것입니다. 첫째는 명시된 하네스, 노력 수준, 배치 크기에서 측정한 독립적인 Mercury 3 처리량 수치이고, 둘째는 독립적인 Mercury 3 품질 점수라면 무엇이든입니다. 둘 다 존재하기 전까지는, 이 비교에서 가장 빠른 모델이 동시에 가장 잘 알려지지 않은 모델이며, 가장 유능한 모델은 구독으로만, 또는 30초의 침묵을 견딜 수 있는 사용 사례 없이는 정당화하기 어려운 가격으로만 호출할 수 있는 모델입니다.

이 결정이 어려운 결정이 아니라 쉬운 결정인 이유는 두 모델이 같은 자리를 두고 경쟁하지 않기 때문입니다. 유일한 실질적 위험은 잘못된 자리를 고르는 것입니다 — 벤치마크가 더 좋다는 이유로 30초 걸리는 모델을 채팅 창에 배포하거나, 가격이 더 좋다는 이유로 측정되지 않은 모델을 모니터링되지 않는 파이프라인에 배포하는 것이죠. 이 둘은 모두 모델이 아니라 제품에 관한 결정이며, 어느 것도 리더보드의 숫자 하나로 정해지지 않습니다.