Mercury 3 vs Muse Wonder: Tweeëndertig seconden tot het eerste token

Er zit een gemeten getal in deze vergelijking dat de discussie zou moeten beëindigen voordat die begint. Artificial Analysis registreert de tijd tot het eerste token van Muse Wonder op 32,08 seconden. Mercury 3 claimt 1.068 outputtokens per seconde zonder enige onafhankelijke meting. Het ene model doet er een halve minuut over om te beginnen met antwoorden; het andere zegt dat het duizend woorden schrijft in de tijd die nodig is om deze zin te lezen. Qua latentie zitten ze niet in dezelfde productcategorie, en geen enkele benchmarkvoorsprong dicht een dertigvoudige kloof in het moment waarop het eerste teken verschijnt. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waar elk item zijn eigen bronnen, ernstniveau, zekerheidsgraad en betwistmarkering heeft.

Maar dat is de makkelijke versie van het verhaal, en die is op één belangrijk punt misleidend. Muse Wonder probeert niet snel te zijn. Meta bracht Muse Wonder op 12 oktober 2026 uit als een frontier-redeneermodel met een prijs van $4,00 per miljoen inputtokens en $20,00 per miljoen outputtokens, en tegen die prijs koop je diepgang: een model dat dertig seconden nadenkt en het moeilijke probleem goed oplost. Mercury 3, op 19 oktober 2026 uitgebracht door Inception, is twintig tot vijftig keer goedkoper omdat het de tegenovergestelde afweging verkoopt. De vraag waar een bouwer feitelijk voor staat, is niet welk model beter is. Het is welke afweging je product maakt, en of je eerlijk tegen jezelf bent over welke dat is.

De twee modellen, elk in één alinea

Mercury 3 is een diffusie-taalmodel — Inceptions term is dLLM — dat tokens parallel genereert in plaats van één voor één. Het heeft een context van 1M tokens, een maximale uitvoer van 131.072 tokens, invoer met alleen tekst, tool calling en gestructureerde outputs op een OpenAI-compatibel endpoint, en vier instellingen voor redeneerinspanning (direct, laag, gemiddeld, hoog), waarbij de standaard laag is. De lijstprijs is $0,20 per miljoen tokens invoer en $0,70 per miljoen tokens uitvoer, momenteel gehalveerd naar $0,10 en $0,35 ‘bij de lancering’, zonder gepubliceerde einddatum. Inceptions kwaliteitsclaim is vergelijkend en zonder score: het stelt dat het model gelijkwaardig is aan of beter dan ‘frontier-modellen die op snelheid zijn geoptimaliseerd, zoals GPT-6 Luna en Claude Haiku 5.5’, en meldt één taakresultaat uit zijn eigen agent-harness: 50 procent voltooiing op 50 live Mind2Web-taken.

Muse Wonder is Meta's frontier reasoningmodel, geleverd als twee checkpoints: muse-wonder-1.0, aanroepbaar via de Meta Model API en binnen Muse Code, en muse-wonder-full-1.0, een configuratie met hogere scores die volgens Meta alleen beschikbaar is voor abonnees van Muse Code. Beide hebben een context van 1M tokens en dezelfde tariefkaart van $4.00/$20.00, met 95 procent korting op cache. Redeneren is verplicht — de inspanningsladder loopt van minimaal tot maximaal, met medium als standaard, en redeneertokens worden gefactureerd als output. Invoer bestaat uit tekst, afbeelding, spraak en video; uitvoer is tekst.

Wat elk ervan feitelijk kost op verzoekniveau

Prijs per token is het minst nuttige getal in een vergelijking als deze, omdat de twee modellen enorm verschillende tokenvolumes verbruiken om hetzelfde werk te doen. Een reasoning-model dat standaard op medium effort staat en 130 miljoen outputtokens heeft verbruikt om een evaluatierun te voltooien, heeft niet dezelfde prijs als een model dat is geoptimaliseerd voor korte antwoorden, nog vóór de tariefkaart wordt toegepast. Prijs dezelfde taak dus op beide manieren.

Neem een assistent voor documentbeoordeling: 20.000 tokens contracttekst erin, een gestructureerde samenvatting en risicolijst van 500 tokens eruit, 2.000 beoordelingen per dag.

• Mercury 3 tegen lijstprijs — 40 miljoen invoertokens tegen $0,20 is $8,00; 1 miljoen uitvoertokens tegen $0,70 is $0,70. Ongeveer $8,70 per dag.

• Mercury 3 tegen het introductietarief — de helft daarvan, ongeveer $ 4,35 per dag.

• Muse Wonder — 40 miljoen input tegen $4,00 is $160; 1 miljoen output tegen $20,00 is $20. Plus reasoning-tokens, die als output worden gefactureerd en die Meta niet laat uitschakelen. Bij een conservatieve 1.000 reasoning-tokens per aanroep wordt de outputregel 3 miljoen tokens, of $60, voor een dagtotaal van $220.

Dat is een vijfentwintigvoudig verschil bij identiek verkeer, en het is de mild gunstige versie voor Muse Wonder, omdat reasoningmodellen bij een taak die zorgvuldigheid vereist routinematig veel meer dan duizend denk-tokens besteden. De inspanningsinstelling is de enige hefboom, en het is tegelijk een hefboom op zowel kosten als kwaliteit — je kunt het denken niet lager zetten zonder ook het antwoord naar beneden te halen.

Dit is het onderdeel dat de vergelijking meer dan rekenwerk maakt. Mercury 3 publiceert voor geen enkele evaluatie een aantal outputtokens, dus niemand weet of het beknopt of breedsprakig is ten opzichte van een basistaak. Als blijkt dat het een breedsprakig model is, veranderen de dagelijkse kosten met veelvouden, niet met percentages. Het verschil van vijfentwintigvoud zou in productie vijftienvoud of veertigvoud kunnen zijn, en er is geen gepubliceerd bewijs in de ene of de andere richting.

De doorvoerclaim, en het getal dat die ondergraaft

Het belangrijkste cijfer van Inception is 1.068 tokens per seconde op NVIDIA-GPU's, naar eigen zeggen 4 tot 8 keer sneller dan de modellen waarmee het zich vergelijkt. Het bedrijf vermeldt niet welke hardware, welke batchgrootte of welke effort-instelling het betreft, en ook niet of het cijfer single-stream of geaggregeerd is, en die vier keuzes kunnen het getal met een veelvoud veranderen. Er is per 20 oktober 2026 geen onafhankelijke meting van Mercury 3 — Artificial Analysis vermeldt nog steeds Mercury 2.5 en Mercury 2 en heeft geen Mercury 3-pagina.

Wat er aan onafhankelijke metingen voor de vorige generatie bestaat, is leerzaam. Artificial Analysis meet Mercury 2.5 op ongeveer 706 tokens per seconde met zijn eigen harness. Dat is een echt, reproduceerbaar cijfer van een derde partij, en het ligt beduidend onder de leverancierscijfers die bij die lancering zijn gepubliceerd. Dat verschil is de gebruikelijke korting van leverancier naar onafhankelijke meting in deze categorie, eerder dan bewijs van kwade trouw — maar het is de korting die je in gedachten moet toepassen op 1.068 totdat iemand het reproduceert.

Muse Wonder heeft daarentegen een gemeten output van 161 tokens per seconde en een gemeten tijd tot het eerste token van 32,08 seconden. Beide cijfers komen voort uit Meta's model dat werkt zoals ontworpen: het eerste token arriveert na een lange denkronde en de rest van het antwoord wordt in een gemiddeld tempo gestreamd. Voor een batchtaak is dat irrelevant. Voor alles waarbij een mens wacht, bepaalt dat de hele ervaring.

Het gemeten kwaliteitsverschil loopt de andere kant op. Muse Wonder scoort 52 op de Artificial Analysis Intelligence Index, als negende van 217 modellen, tegen $4,52 rekenkracht per indextaak. Mercury 3 heeft geen indexscore. Muse Wonder Full scoort 56 en staat vierde van 696, zonder gepubliceerde prijs omdat Meta het niet per token verkoopt. De eerlijke voorstelling is dus een frontiermodel met een gemeten plafond en een gemeten latentieprobleem, tegenover een budgetmodel met een beweerde latentievoorsprong en helemaal geen gemeten plafond.

Redeneren is een productbeslissing, geen instelling.

Het diepste verschil tussen deze modellen is niet de prijs of de snelheid. Het is of het model kort mag nadenken.

Mercury 3 gebruikt standaard een lage inspanning wanneer de reasoning-parameter wordt weggelaten, en de vier instellingen lopen van Instant tot High. Die standaardinstelling is het detail dat het gemakkelijkst over het hoofd wordt gezien en het meest waarschijnlijk elke vergelijking vertekent: een model dat met lage inspanning antwoordt, lijkt sneller en scoort lager dan hetzelfde model met hoge inspanning, en de eigen vergelijkende claims van Inception vermelden niet welke instelling ze heeft voortgebracht. Als je Mercury 3 zelf benchmarkt, leg het inspanningsniveau dan expliciet vast, anders zijn je cijfers niet vergelijkbaar met die van anderen — ook niet met die van Inception.

Muse Wonder is door zijn opzet het tegenovergestelde. Redeneren is verplicht, de standaardinstelling is medium en er is geen schakelaar om het uit te zetten. Dat is een bewuste ontwerpkeuze voor een model dat is gericht op professioneel en agentisch werk: Meta's framing is dat het denken het product is. Het betekent ook dat het model geen goedkope route heeft. Elke aanroep betaalt de redeneerbelasting, en bij $20 per miljoen outputtokens is een lange agentische lus die het outputbudget van 943.718 tokens vult een serieuze rekening.

Voor een bouwer is de praktische consequentie dat deze twee modellen niet achter één prompttemplate kunnen worden uitgewisseld en eerlijk vergeleken. Dezelfde taak goed uitvoeren op Mercury 3 betekent een inspanningsniveau kiezen; dat op Muse Wonder doen betekent de denktijd accepteren. De vergelijking wordt pas zinvol zodra beide op hetzelfde effectieve gedrag zijn vastgezet, en voor Mercury 3 is dat gedrag niet gedocumenteerd.

Over Meta's eigen scorebord, en waarom dat niet het laatste woord is

Meta heeft bij de lancering een benchmarktabel gepubliceerd met beide checkpoints naast Claude Fable 5.1, GPT-6 Astra en Claude Opus 5.5 bij maximaal redeneervermogen. Elk getal is door de leverancier opgegeven, tot stand gekomen in Meta's testopstelling, en geen ervan is onafhankelijk gereproduceerd. Twee rijen zijn toch de moeite waard om in deze vergelijking mee te nemen, omdat ze laten zien dat het model doet waarvoor het wordt verkocht.

• JobBench, langlopende professionele taken — 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, computergebruik — 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

Waar Meta en de onafhankelijke evaluator het niet eens zijn, is het onafhankelijke cijfer het cijfer waarop je moet plannen. De tabel van Meta vermeldt Muse Wonder Full op 59,0 in de Artificial Analysis Index; Artificial Analysis zelf publiceert 56. Drie punten verschil op dezelfde index is geen schandaal, maar het maakt wel duidelijk welk cijfer een methodologie achter zich heeft.

Mercury 3 heeft geen vergelijkbare tabel om mee in discussie te gaan. Het enige gestructureerde kwaliteitsresultaat is de Mind2Web-agenttest: 50 live navigatietaken in Inceptions eigen productieharness, 50 procent voltooid, "aanzienlijk meer dan GPT-6.1-Sol", met hetzelfde tokenvolume en hetzelfde aantal agentstappen en dus een fractie van de kosten per token. Vijftig taken is een kleine steekproef, de harness is van Inception, en het vergelijkingsmodel wordt genoemd zonder score. Het is een reëel signaal dat het model een browser kan aansturen tegen een fractie van de kosten van een frontiermodel dat hetzelfde doet. Het is geen benchmark.

Welke van deze twee je eigenlijk zou moeten evalueren

De beslissing komt meestal neer op één vraag: wacht een mens op deze uitvoer, of wordt die door een wachtrij verbruikt?

Als een mens moet wachten, is Muse Wonder op basis van zijn eigen metingen bijna gediskwalificeerd. Tweeëndertig seconden tot het eerste token is geen latentie die je een klant kunt voorleggen, en niemand kiest dat voor een chatinterface. Mercury 3 is precies voor dit geval gebouwd, en de prijs maakt het experiment goedkoop. Zelfs als de doorvoer onder een neutrale harness op de helft van de bewering uitkomt, is het nog steeds meerdere malen sneller dan alles in de frontiertier.

Als een wachtrij het verwerkt — documentverwerking 's nachts, agentische runs die een rapport opleveren, backofficeworkflows waar niemand meekijkt — dan doet de eerste token na 32 seconden er niet meer toe en gaat de gemeten kwaliteitskloof wel tellen. Muse Wonder, met 52 op de index en een volledig onafhankelijk trackrecord, is een bekend gegeven. Mercury 3, met een onbekende indexscore, is op een workload waar een verkeerd antwoord duur is en niemand meekijkt, een gok.

Drie gevallen vallen buiten beide:

• Video, afbeeldingen of audio in de prompt — Muse Wonder accepteert alle drie, Mercury 3 geen van alle. Er is geen afweging nodig.

• Alles wat het hoogst scorende checkpoint vereist — Muse Wonder Full is geen API-product. Het is een maandabonnement van $50 tot $200 op Muse Code, en Meta heeft niet gezegd dat het dat zal openstellen.

• Alles waarbij je op basis van een stabiele prijs moet plannen — de lanceringskorting op Mercury 3 heeft geen einddatum, en de voorgangers ervan worden niet meer aangeboden aan nieuwe gebruikers. Aan de $4/$20 van Muse Wonder is geen wijziging aangekondigd.

Wat OrcaRouter hier wel en niet doet

Noch Muse Wonder, noch Mercury 3 staat in onze catalogus. Een controle van onze model-API levert niets op voor meta/muse-wonder en niets voor enig Inception-model, en we zullen geen route beschrijven die we niet hebben. Wat we van het lab van Meta voeren, is de Muse Spark-lijn — Muse Spark 1.2 en Muse Spark 1.1, beide met een context van 1M tokens tegen $1,25 in en $4,25 out per miljoen tokens.

Dat is voor deze specifieke vergelijking belangrijker dan het klinkt. De reden om Muse Wonder te draaien is diepgang, en de reden om Mercury 3 te draaien is snelheid. Beide kun je testen tegen een model dat je al kunt aanroepen: Muse Spark 1.2 geeft je een Meta-familie voor redeneren met een gepubliceerde tariefkaart aan onze kant, en de ruim 200 modellen die bereikbaar zijn via één OpenAI-compatibele sleutel geven je de latentievergelijking zonder een tweede contract. Als de $4/$20 van Muse Wonder gerechtvaardigd moet zijn voor jouw werklast, moet het iets verslaan — en dat iets moet een model zijn dat je vanmiddag kunt meten.

Het mechanische voordeel dat het benoemen waard is, is prijsdoorberekening. Lijstprijzen van providers komen ongewijzigd op uw factuur, dus een korting van een leverancier — zoals de korting van 50 procent bij de lancering van Inception of een hypothetische verlaging van Meta — gaat bij ons in op de dag dat deze wordt aangekondigd, niet bij de volgende verlenging. Dat is iets kleins tot de dag dat het dat niet meer is.

Wat zou dit oplossen?

Twee metingen zouden het grootste deel van het werk doen. De eerste is een onafhankelijk doorvoercijfer voor Mercury 3 onder een gespecificeerde testopstelling, inspanningsniveau en batchgrootte; de tweede is überhaupt enige onafhankelijke kwaliteitsscore voor Mercury 3. Zolang beide niet bestaan, is het snelste model in deze vergelijking ook het model waarover je het minst weet, en het meest capabele is het model dat je alleen kunt aanroepen met een abonnement of tegen een prijs die moeilijk te rechtvaardigen is zonder een gebruikssituatie die een halve minuut stilte tolereert.

Wat dit een makkelijke in plaats van een moeilijke beslissing maakt, is dat de twee modellen niet om dezelfde plek concurreren. Het enige echte risico is de verkeerde plek kiezen — een dertigsecondenmodel in een chatvenster inzetten omdat de benchmark beter is, of een ongemeten model in een niet-gemonitorde pipeline inzetten omdat de prijs gunstiger is. Beide zijn beslissingen over je product, niet over de modellen, en geen van beide wordt beslecht door een getal op een leaderboard.