Mercury 3 vs Muse Wonder: Trzydzieści dwie sekundy do pierwszego tokenu

W tym porównaniu jest pewna zmierzona liczba, która powinna zakończyć spór, zanim ten się zacznie. Artificial Analysis odnotowuje czas do pierwszego tokena Muse Wonder na 32,08 sekundy. Mercury 3 deklaruje 1068 tokenów wyjściowych na sekundę, bez żadnego niezależnego pomiaru. Jeden model potrzebuje pół minuty, aby zacząć odpowiadać; drugi twierdzi, że pisze tysiąc słów w czasie, w jakim przeczytasz to zdanie. Pod względem opóźnienia nie należą do tej samej kategorii produktów, a żadna przewaga w benchmarkach nie zniweluje trzydziestokrotnej różnicy w momencie pojawienia się pierwszego znaku. Udokumentowane awarie AI i incydenty z agentami związane z takimi premierami jak ta są gromadzone w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i oznaczenie zakwestionowania.

Ale to jest łatwa wersja tej historii i w jednym ważnym aspekcie wprowadza w błąd. Muse Wonder nie próbuje być szybki. Meta wydała Muse Wonder 12 października 2026 r. jako frontierowy model rozumowania w cenie 4,00 USD za milion tokenów wejściowych i 20,00 USD za milion tokenów wyjściowych, a za tę cenę kupuje się głębię — model, który myśli przez trzydzieści sekund i rozwiązuje trudny problem poprawnie. Mercury 3, wydany przez Inception 19 października 2026 r., ma cenę dwadzieścia do pięćdziesięciu razy niższą, ponieważ sprzedaje odwrotną transakcję. Pytanie, przed którym faktycznie stoi twórca, nie brzmi, który jest lepszy. Brzmi: jaką transakcję zawiera twój produkt i czy byłeś wobec siebie szczery co do tego, która to jest.

Dwa modele, każdy w jednym akapicie

Mercury 3 to dyfuzyjny model językowy — Inception nazywa go dLLM — który generuje tokeny równolegle, a nie pojedynczo. Ma kontekst o długości 1 mln tokenów, maksymalnie 131 072 tokeny wyjściowe, wejście wyłącznie tekstowe, wywoływanie narzędzi i ustrukturyzowane dane wyjściowe w punkcie końcowym zgodnym z OpenAI oraz cztery ustawienia wysiłku rozumowania (instant, low, medium, high), przy czym domyślne to low. Cena katalogowa wynosi 0,20 USD za milion tokenów wejściowych i 0,70 USD za milion tokenów wyjściowych, obecnie obniżona o połowę do 0,10 USD i 0,35 USD „na start”, bez opublikowanej daty zakończenia. Twierdzenie Inception o jakości ma charakter porównawczy i nie zostało ocenione punktowo: firma twierdzi, że model dorównuje „czołowym modelom zoptymalizowanym pod kątem szybkości, takim jak GPT-6 Luna i Claude Haiku 5.5” lub je przewyższa, i podaje jeden wynik zadania z własnego środowiska agentowego — 50% ukończenia na 50 rzeczywistych zadaniach Mind2Web.

Muse Wonder to czołowy model rozumowania firmy Meta, udostępniany w postaci dwóch checkpointów: muse-wonder-1.0, który można wywoływać przez Meta Model API i w Muse Code, oraz muse-wonder-full-1.0, konfiguracja z wyższym wynikiem, która według Meta jest dostępna wyłącznie dla subskrybentów Muse Code. Oba mają kontekst 1 mln tokenów i ten sam cennik 4,00/20,00 USD, z 95-procentową zniżką na cache. Rozumowanie jest obowiązkowe — skala wysiłku obejmuje zakres od minimalnego do maksymalnego, z domyślnym poziomem średnim, a tokeny rozumowania są rozliczane jako dane wyjściowe. Dane wejściowe to tekst, obraz, mowa i wideo; dane wyjściowe to tekst.

Jaki jest rzeczywisty koszt każdego z nich na poziomie żądania

Ceny za token to najmniej przydatna liczba w tego typu porównaniu, ponieważ oba modele zużywają diametralnie różne ilości tokenów do wykonania tej samej pracy. Model rozumujący, który domyślnie działa z średnim wysiłkiem i zużył 130 milionów tokenów wyjściowych na ukończenie przebiegu ewaluacji, nie ma takiej samej ceny jak model zoptymalizowany pod krótkie odpowiedzi, jeszcze przed zastosowaniem cennika. Wyceń więc to samo zadanie na oba sposoby.

Weźmy asystenta do przeglądu dokumentów: 20 000 tokenów tekstu umowy na wejściu, 500-tokenowe ustrukturyzowane podsumowanie i lista ryzyk na wyjściu, 2000 przeglądów dziennie.

• Mercury 3 według cennika — 40 milionów tokenów wejściowych po $0.20 to $8.00; 1 milion tokenów wyjściowych po $0.70 to $0.70. Około $8.70 dziennie.

• Mercury 3 w cenie startowej — połowa tego, około 4,35 USD dziennie.

• Muse Wonder — 40 mln tokenów wejściowych po $4.00 daje $160; 1 mln tokenów wyjściowych po $20.00 daje $20. Do tego tokeny rozumowania, które są rozliczane jako tokeny wyjściowe i których Meta nie pozwala wyłączyć. Przy konserwatywnym założeniu 1 000 tokenów rozumowania na wywołanie pozycja wyjściowa wzrasta do 3 mln tokenów, czyli $60, co daje łącznie $220 dziennie.

To dwudziestopięciokrotna różnica przy identycznym ruchu i jest to łagodnie korzystny wariant dla Muse Wonder, ponieważ modele rozumujące rutynowo zużywają znacznie więcej niż tysiąc tokenów myślenia na zadaniu wymagającym staranności. Ustawienie wysiłku to jedyna dźwignia, a zarazem dźwignia zarówno kosztu, jak i jakości — nie można zmniejszyć natężenia myślenia, nie pogarszając odpowiedzi.

Oto część, przez którą porównanie wykracza poza czystą arytmetykę. Mercury 3 nie publikuje liczby tokenów wyjściowych dla żadnej oceny, więc nikt nie wie, czy jest oszczędny, czy rozwlekły względem zadania bazowego. Jeśli okaże się modelem gadatliwym, dzienny koszt zmieni się wielokrotnie, a nie procentowo. Dwudziestopięciokrotna różnica w środowisku produkcyjnym może wynosić piętnaście lub czterdzieści razy i nie ma opublikowanych dowodów potwierdzających to lub zaprzeczających temu.

Twierdzenie o przepustowości i liczba, która je podważa

Inception w nagłówku podaje 1068 tokenów na sekundę na GPU NVIDIA, co jest opisywane jako 4–8 razy szybciej niż modele, z którymi się porównuje. Firma nie podaje nazwy sprzętu, rozmiaru partii, ustawienia wysiłku ani tego, czy liczba dotyczy pojedynczego strumienia, czy jest sumaryczna; a te cztery wybory mogą zmienić tę wartość kilkukrotnie. Na dzień 20 października 2026 r. nie ma niezależnego pomiaru Mercury 3 — Artificial Analysis nadal wymienia Mercury 2.5 i Mercury 2 i nie ma strony Mercury 3.

Pouczające jest to, jakie niezależne pomiary istnieją dla poprzedniej generacji. Artificial Analysis podaje Mercury 2.5 na poziomie około 706 tokenów na sekundę w ramach własnego zestawu testowego. To realna, odtwarzalna wartość pochodząca od niezależnego podmiotu i jest znacząco niższa od liczb producenta opublikowanych przy tej premierze. Ta różnica to normalny w tej kategorii dyskont między danymi producenta a niezależnymi pomiarami, a nie dowód złej wiary — ale to właśnie ten dyskont, który należy w myślach zastosować do 1,068, dopóki ktoś tego nie odtworzy.

Muse Wonder natomiast ma zmierzone 161 tokenów na sekundę na wyjściu i zmierzony czas do pierwszego tokenu wynoszący 32,08 sekundy. Obie wartości odzwierciedlają działanie modelu Meta zgodnie z projektem: pierwszy token pojawia się po długim przebiegu rozumowania, a pozostała część odpowiedzi jest strumieniowana w przeciętnym tempie. W przypadku zadania wsadowego nie ma to znaczenia. Wszędzie tam, gdzie czeka człowiek, to całe doświadczenie.

Zmierzona luka jakościowa przebiega w przeciwnym kierunku. Muse Wonder uzyskuje 52 punkty w Artificial Analysis Intelligence Index, zajmując dziewiąte miejsce wśród 217 modeli, przy koszcie obliczeń wynoszącym 4,52 USD na zadanie indeksowe. Mercury 3 nie ma wyniku w indeksie. Muse Wonder Full uzyskuje 56 punktów i zajmuje czwarte miejsce wśród 696 modeli, bez publikowanej ceny, ponieważ Meta nie sprzedaje go za token. Uczciwe ujęcie sprawy jest więc takie: model czołowy ze zmierzonym pułapem i zmierzonym problemem z opóźnieniem kontra model budżetowy z deklarowaną przewagą w opóźnieniu i zupełnie niezmierzonym pułapem.

Rozumowanie to decyzja produktowa, a nie ustawienie

Najgłębsza różnica między tymi modelami nie polega na cenie ani szybkości. Polega ona na tym, czy modelowi wolno krótko pomyśleć.

Mercury 3 domyślnie ustawia niski poziom wysiłku, gdy parametr rozumowania zostanie pominięty, a cztery dostępne ustawienia rozciągają się od natychmiastowego do wysokiego. To właśnie ten domyślny poziom najłatwiej przeoczyć i najłatwiej zaburza on wszelkie porównania: model odpowiadający przy niskim wysiłku będzie wyglądał na szybszy i uzyska niższy wynik niż ten sam model przy wysokim, a własne twierdzenia porównawcze Inception nie precyzują, które ustawienie je wygenerowało. Jeśli samodzielnie testujesz Mercury 3, ustal poziom wysiłku wprost — inaczej Twoje wyniki nie będą porównywalne z niczyimi, w tym z wynikami Inception.

Muse Wonder to z założenia przeciwieństwo. Rozumowanie jest obowiązkowe, domyślnie ustawiony jest poziom średni i nie ma przełącznika, który by je wyłączał. To celowa decyzja projektowa w modelu przeznaczonym do pracy profesjonalnej i agentowej: Meta ujmuje to tak, że myślenie jest produktem. Oznacza to również, że model nie ma taniej ścieżki. Każde wywołanie ponosi koszt rozumowania, a przy 20 USD za milion tokenów wyjściowych długi cykl agentowy, który wypełnia budżet wyjściowy wynoszący 943 718 tokenów, to poważny rachunek.

Dla twórcy praktyczną konsekwencją jest to, że tych dwóch modeli nie można podmienić za jednym szablonem promptu i uczciwie porównać. Dobre wykonanie tego samego zadania w Mercury 3 oznacza wybór poziomu wysiłku; w Muse Wonder oznacza akceptację czasu myślenia. Porównanie staje się sensowne dopiero wtedy, gdy oba modele zostaną przypięte do tego samego efektywnego zachowania, a w przypadku Mercury 3 to zachowanie nie jest udokumentowane.

O własnej tablicy wyników Meta i o tym, dlaczego nie jest to ostatnie słowo

Meta opublikowała przy premierze tabelę benchmarków obejmującą oba checkpointy obok Claude Fable 5.1, GPT-6 Astra i Claude Opus 5.5 przy maksymalnym poziomie rozumowania. Każda liczba jest raportowana przez dostawcę, uzyskana w zestawie testowym Meta, i żadnej nie odtworzono niezależnie. Warto jednak przenieść dwa wiersze do tego porównania, ponieważ pokazują, że model robi to, do czego jest sprzedawany.

• JobBench, długoterminowe zadania zawodowe — 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, obsługa komputera — 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

Tam, gdzie Meta i niezależny ewaluator się nie zgadzają, to niezależna liczba jest tą, na której należy opierać planowanie. Tabela Meta podaje Muse Wonder Full na poziomie 59,0 w Artificial Analysis Index; samo Artificial Analysis publikuje 56. Trzy punkty w tym samym indeksie to nie skandal, ale ustala, za którą liczbą stoi metodologia.

Mercury 3 nie ma równoważnej tabeli, z którą można by dyskutować. Jego jedynym ustrukturyzowanym wynikiem jakościowym jest test agenta Mind2Web: 50 rzeczywistych zadań nawigacyjnych we własnym środowisku produkcyjnym Inception, 50 procent ukończonych, „znacznie więcej niż GPT-6.1-Sol”, przy tym samym wolumenie tokenów i tej samej liczbie kroków agenta, a zatem za ułamek kosztu na token. Pięćdziesiąt zadań to mała próba, środowisko testowe należy do Inception, a model porównawczy podano bez wyniku. To realny sygnał, że model potrafi sterować przeglądarką za ułamek kosztu modelu frontier wykonującego to samo. To nie jest benchmark.

Które z tych dwóch powinieneś tak naprawdę oceniać

Decyzja zwykle sprowadza się do jednego pytania: czy na ten wynik czeka człowiek, czy odbiera go kolejka?

Jeśli człowiek ma czekać, Muse Wonder niemal sam się dyskwalifikuje swoimi pomiarami. Trzydzieści dwie sekundy do pierwszego tokena to opóźnienie, którego nie można przedstawić klientowi, i nikt nie wybiera go jako interfejsu czatu. Mercury 3 powstał dokładnie do takiego przypadku, a jego cena sprawia, że eksperyment jest tani. Nawet jeśli w neutralnym środowisku testowym przepustowość wyniesie połowę deklarowanej wartości, i tak jest kilkukrotnie szybszy niż cokolwiek w segmencie najwyższej klasy.

Jeśli obciążenie trafia do kolejki — nocne przetwarzanie dokumentów, przebiegi agentowe dostarczające raport, procesy back-office, których nikt nie obserwuje — wtedy pierwszy token po 32 sekundach przestaje mieć znaczenie, a zaczyna je mieć zmierzona luka jakościowa. Muse Wonder z wynikiem 52 w indeksie i pełnym niezależnym zapisem to znana wartość. Mercury 3 z nieznanym wynikiem w indeksie, przy obciążeniu, w którym błędna odpowiedź jest kosztowna i nienadzorowana, to zakład.

Trzy przypadki znajdują się poza obydwoma:

• Wideo, obrazy lub dźwięk w prompcie — Muse Wonder przyjmuje wszystkie trzy, Mercury 3 nie przyjmuje żadnego. Nie ma tu żadnego kompromisu.

• Cokolwiek, co wymaga checkpointu z najwyższym wynikiem — Muse Wonder Full nie jest produktem API. To miesięczna subskrypcja Muse Code w cenie od 50 do 200 dolarów, a Meta nie zapowiedziała, że go udostępni.

• Wszystko, co wymaga planowania w oparciu o stabilną cenę — zniżka premierowa Mercury 3 nie ma daty końcowej, a jego poprzednie wersje są wycofywane dla nowych użytkowników. Cena 4/20 USD w Muse Wonder nie ma ogłoszonych zmian.

Co OrcaRouter robi, a czego tutaj nie robi

Ani Muse Wonder, ani Mercury 3 nie znajdują się w naszym katalogu. Sprawdzenie naszego API modeli nie zwraca żadnych wyników dla meta/muse-wonder ani dla żadnego modelu Inception, a my nie będziemy opisywać trasy, której nie mamy. Z laboratorium Meta oferujemy linię Muse Spark — Muse Spark 1.2 i Muse Spark 1.1, oba z kontekstem 1M tokenów w cenie 1,25 USD za wejście i 4,25 USD za wyjście za milion tokenów.

To ma większe znaczenie dla tego konkretnego starcia, niż może się wydawać. Powód, by używać Muse Wonder, to głębia, a powód, by używać Mercury 3, to szybkość. Oba te czynniki można przetestować na modelu, który już możesz wywołać: Muse Spark 1.2 daje Ci rodzinę modeli rozumujących Meta z opublikowanym cennikiem po naszej stronie, a ponad 200 modeli dostępnych przez jeden klucz zgodny z OpenAI pozwala porównać opóźnienia bez drugiej umowy. Jeśli cena Muse Wonder $4/$20 ma być uzasadniona dla Twojego obciążenia, musi pokonać coś — a tym czymś powinien być model, który możesz zmierzyć jeszcze dziś po południu.

Mechaniczna zaleta, którą warto nazwać, to przenoszenie cen. Ceny katalogowe dostawców trafiają na Twoją fakturę bez zmian, więc obniżka od dostawcy — jak 50-procentowy rabat na start Inception albo hipotetyczna obniżka Meta — jest widoczna po naszej stronie w dniu ogłoszenia, a nie dopiero przy kolejnym odnowieniu. To drobiazg, dopóki pewnego dnia nie okaże się, że nim nie jest.

Co rozstrzygnęłoby tę sprawę?

Dwa pomiary załatwiłyby większość roboty. Pierwszy to niezależny wynik przepustowości Mercury 3 w określonym stanowisku testowym, na określonym poziomie wysiłku i przy określonym rozmiarze partii; drugi to jakikolwiek niezależny wynik jakości Mercury 3. Dopóki nie istnieją oba, najszybszy model w tym porównaniu jest jednocześnie tym, o którym wiesz najmniej, a najbardziej zaawansowany to ten, do którego możesz się zwrócić tylko z subskrypcją albo w cenie, którą trudno uzasadnić bez przypadku użycia tolerującego pół minuty ciszy.

To, co sprawia, że ta decyzja jest łatwa, a nie trudna, to fakt, że oba modele nie konkurują o to samo miejsce. Jedynym realnym ryzykiem jest wybór niewłaściwego miejsca — wdrożenie modelu z trzydziestosekundowym czasem odpowiedzi w oknie czatu, bo ma lepszy wynik w benchmarku, albo wdrożenie niezmierzonego modelu do potoku bez monitoringu, bo jest tańszy. Obie te decyzje dotyczą Twojego produktu, a nie modeli, i żadnej z nich nie rozstrzyga liczba na tabeli liderów.