Mercury 3 vs Muse Wonder: Trinta e dois segundos até o primeiro token

Há um número medido nesta comparação que deveria encerrar a discussão antes mesmo de começar. A Artificial Analysis registra o tempo até o primeiro token do Muse Wonder em 32,08 segundos. O Mercury 3 alega 1.068 tokens de saída por segundo sem nenhuma medição independente. Um modelo leva meio minuto para começar a responder; o outro diz que escreve mil palavras no tempo que leva para ler esta frase. Em latência, eles não estão na mesma categoria de produto, e nenhuma superioridade em benchmarks fecha uma diferença de trinta vezes no momento em que o primeiro caractere aparece. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.

Mas essa é a versão fácil da história, e ela é enganosa em um aspecto importante. O Muse Wonder não está tentando ser rápido. A Meta lançou o Muse Wonder em 12 de outubro de 2026 como um modelo de raciocínio de fronteira com preço de US$ 4,00 por milhão de tokens de entrada e US$ 20,00 por milhão de tokens de saída, e, a esse preço, o que se compra é profundidade — um modelo que pensa por trinta segundos e acerta o problema difícil. O Mercury 3, lançado pela Inception em 19 de outubro de 2026, tem preço de vinte a cinquenta vezes menor porque está vendendo o trade-off oposto. A pergunta que um desenvolvedor de fato enfrenta não é qual é melhor. É qual trade-off o seu produto faz, e se você tem sido honesto consigo mesmo sobre qual deles é.

Os dois modelos, em um parágrafo cada

Mercury 3 é um modelo de linguagem de difusão — o termo da Inception é dLLM — que gera tokens em paralelo, em vez de um de cada vez. Ele tem contexto de 1 milhão de tokens, saída máxima de 131.072 tokens, entrada somente texto, chamada de ferramentas e saídas estruturadas em um endpoint compatível com OpenAI, e quatro configurações de esforço de raciocínio (instant, low, medium, high), sendo o padrão low. O preço de tabela é US$ 0,20 por milhão de tokens de entrada e US$ 0,70 por milhão de tokens de saída, atualmente reduzido pela metade para US$ 0,10 e US$ 0,35 "no lançamento", sem data de término publicada. A alegação de qualidade da Inception é comparativa e sem pontuação: ela diz que o modelo está em paridade com ou é melhor que "modelos de fronteira otimizados para velocidade como GPT-6 Luna e Claude Haiku 5.5", e relata um resultado de tarefa do seu próprio harness de agente — 50% de conclusão em 50 tarefas ao vivo do Mind2Web.

O Muse Wonder é o modelo de raciocínio de fronteira da Meta, disponibilizado como dois checkpoints: muse-wonder-1.0, invocável na Meta Model API e dentro do Muse Code, e muse-wonder-full-1.0, uma configuração com pontuação superior que a Meta afirma estar disponível apenas para assinantes do Muse Code. Ambos têm contexto de 1M tokens e a mesma tabela de preços de $4,00/$20,00, com 95 por cento de desconto de cache. O raciocínio é obrigatório — a escala de esforço vai de mínimo a máximo, com padrão médio, e os tokens de raciocínio são cobrados como saída. As entradas são texto, imagem, fala e vídeo; a saída é texto.

Quanto cada um realmente custa no nível da requisição

Os preços por token são o número menos útil numa comparação como esta, porque os dois modelos consomem volumes de tokens radicalmente diferentes para fazer o mesmo trabalho. Um modelo de raciocínio que recorre por omissão ao esforço médio e gastou 130 milhões de tokens de saída a concluir uma execução de avaliação não tem o mesmo preço de um modelo otimizado para respostas curtas, mesmo antes de se aplicar a tabela de preços. Por isso, calcule o preço do mesmo trabalho das duas formas.

Considere um assistente de revisão de documentos: 20.000 tokens de texto de contrato na entrada, um resumo estruturado de 500 tokens e uma lista de riscos na saída, 2.000 revisões por dia.

• Mercury 3 a preço de tabela — 40 milhões de tokens de entrada a US$ 0,20 são US$ 8,00; 1 milhão de tokens de saída a US$ 0,70 são US$ 0,70. Cerca de US$ 8,70 por dia.

• Mercury 3 na tarifa de lançamento — metade disso, cerca de US$ 4,35 por dia.

• Muse Wonder — 40 milhões de tokens de entrada a US$ 4,00 resultam em US$ 160; 1 milhão de tokens de saída a US$ 20,00 resultam em US$ 20. Além disso, os tokens de raciocínio, que são cobrados como saída e que a Meta não permite desativar. Com uma estimativa conservadora de 1.000 tokens de raciocínio por chamada, a linha de saída passa a 3 milhões de tokens, ou US$ 60, totalizando US$ 220 por dia.

Essa é uma diferença de vinte e cinco vezes com tráfego idêntico, e é a versão ligeiramente favorável para o Muse Wonder, porque modelos de raciocínio costumam gastar muito mais de mil tokens de pensamento em uma tarefa que exige cuidado. A configuração de esforço é a única alavanca, e é uma alavanca sobre custo e qualidade ao mesmo tempo — não dá para reduzir o pensamento sem reduzir a resposta.

Aqui está a parte que faz a comparação ser mais do que aritmética. O Mercury 3 não publica uma contagem de tokens de saída para nenhuma avaliação, então ninguém sabe se ele é conciso ou prolixo em relação a uma tarefa de referência. Se ele se revelar um modelo falante, o custo diário muda em múltiplos, não em percentuais. A diferença de vinte e cinco vezes pode ser de quinze ou de quarenta vezes em produção, e não há evidências publicadas em nenhum dos sentidos.

A alegação de throughput, e o número que a enfraquece

A manchete da Inception é de 1.068 tokens por segundo em GPUs NVIDIA, descrita como 4 a 8 vezes mais rápida que os modelos com os quais se compara. A empresa não informa o hardware, o tamanho do lote, a configuração de esforço nem se o número é de fluxo único ou agregado, e essas quatro escolhas alteram o número em múltiplos. Não há medição independente do Mercury 3 em 20 de outubro de 2026 — a Artificial Analysis ainda lista o Mercury 2.5 e o Mercury 2 e não tem página do Mercury 3.

O que existe de medição independente para a geração anterior é instrutivo. Artificial Analysis coloca o Mercury 2.5 em cerca de 706 tokens por segundo no seu próprio harness. Esse é um número de terceiros real e reproduzível, e está significativamente abaixo dos números do fornecedor publicados naquele lançamento. Essa diferença é o desconto normal entre fornecedor e medição independente nesta categoria, e não evidência de má-fé — mas é o desconto a aplicar mentalmente a 1.068 até que alguém o reproduza.

Já o Muse Wonder tem uma taxa medida de 161 tokens por segundo de saída e um tempo medido de 32,08 segundos até o primeiro token. Ambos os números refletem o modelo da Meta operando conforme projetado: o primeiro token chega após uma longa etapa de raciocínio, e o restante da resposta flui a uma taxa mediana. Para uma tarefa em lote, isso é irrelevante. Para qualquer coisa em que haja um humano esperando, é toda a experiência.

A diferença de qualidade medida vai na direção oposta. O Muse Wonder pontua 52 no Artificial Analysis Intelligence Index, ficando em nono lugar entre 217 modelos, a US$ 4,52 de computação por tarefa do índice. O Mercury 3 não tem pontuação no índice. O Muse Wonder Full pontua 56 e fica em quarto lugar entre 696, sem preço publicado porque a Meta não o vende por token. Portanto, a caracterização honesta é a de um modelo de fronteira com um teto medido e um problema de latência medido, contra um modelo econômico com uma vantagem de latência alegada e nenhum teto medido.

O raciocínio é uma decisão de produto, não uma configuração.

A diferença mais profunda entre esses modelos não é o preço nem a velocidade. É se o modelo tem permissão para pensar brevemente.

O Mercury 3 usa baixo esforço por padrão quando o parâmetro de raciocínio é omitido, e as quatro configurações vão de instantâneo a alto. Esse padrão é o detalhe mais provável de ser esquecido e de distorcer qualquer comparação: um modelo respondendo com baixo esforço parecerá mais rápido e terá pontuação menor do que o mesmo modelo em alto, e as próprias alegações comparativas da Inception não indicam qual configuração as produziu. Se você fizer benchmark do Mercury 3 por conta própria, fixe o nível de esforço explicitamente, ou seus números não serão comparáveis aos de ninguém — incluindo os da Inception.

Muse Wonder é o oposto por construção. O raciocínio é obrigatório, o padrão é médio e não há interruptor para desativá-lo. Essa é uma escolha deliberada de design para um modelo voltado ao trabalho profissional e agêntico: a formulação da Meta é que o pensamento é o produto. Isso também significa que o modelo não tem um caminho barato. Toda chamada paga o imposto do raciocínio e, a US$ 20 por milhão de tokens de saída, um longo loop agêntico que preenche o orçamento de saída de 943.718 tokens é uma fatura considerável.

Para quem desenvolve, a consequência prática é que esses dois modelos não podem ser trocados por trás de um único template de prompt e comparados de forma justa. Executar bem a mesma tarefa no Mercury 3 significa escolher um nível de esforço; executá-la no Muse Wonder significa aceitar o tempo de raciocínio. A comparação só se torna significativa quando ambos são fixados ao mesmo comportamento efetivo e, para o Mercury 3, esse comportamento não está documentado.

Sobre o placar da própria Meta e por que ele não é a palavra final

A Meta publicou uma tabela de benchmark no lançamento cobrindo ambos os checkpoints ao lado de Claude Fable 5.1, GPT-6 Astra e Claude Opus 5.5 no raciocínio máximo. Todo número é informado pelo fornecedor, produzido no harness da Meta, e nenhum foi reproduzido de forma independente. Duas linhas, ainda assim, vale a pena levar para esta comparação, porque mostram o modelo fazendo o que se vende que ele faz.

• JobBench, tarefas profissionais de longo horizonte — 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, uso do computador — 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

Quando a Meta e o avaliador independente divergem, é com o número independente que se deve planear. A tabela da Meta indica o Muse Wonder Full com 59,0 no Artificial Analysis Index; a própria Artificial Analysis publica 56. Três pontos no mesmo índice não são um escândalo, mas estabelecem qual das cifras tem uma metodologia por trás.

O Mercury 3 não tem uma tabela equivalente para contestar. Seu único resultado estruturado de qualidade é o teste de agente Mind2Web: 50 tarefas de navegação ao vivo no harness de produção da própria Inception, 50 por cento concluídas, "significativamente mais que o GPT-6.1-Sol", usando o mesmo volume de tokens e o mesmo número de etapas do agente e, portanto, uma fração do custo por token. Cinquenta tarefas é uma amostra pequena, o harness é da Inception, e o modelo de comparação é nomeado sem uma pontuação. É um sinal real de que o modelo consegue conduzir um navegador a uma fração do custo de um modelo de fronteira fazendo a mesma coisa. Não é um benchmark.

Qual destes dois você deveria realmente estar avaliando

A decisão geralmente se resume a uma pergunta: uma pessoa espera por esta saída, ou uma fila a consome?

Se um humano tiver de esperar, o Muse Wonder fica quase desqualificado pelas suas próprias medições. Trinta e dois segundos até o primeiro token não é uma latência que se possa apresentar a um cliente, e ninguém o escolhe para uma interface de chat. O Mercury 3 foi criado exatamente para este caso, e o seu preço torna o experimento barato. Mesmo que o throughput fique em metade do valor declarado num harness neutro, continua a ser várias vezes mais rápido do que qualquer coisa na camada de fronteira.

Se uma fila consome isso — processamento de documentos durante a noite, execuções agênticas que entregam um relatório, fluxos de trabalho de back-office em que ninguém está acompanhando —, então o primeiro token aos 32 segundos deixa de importar e a diferença de qualidade medida começa a importar. Muse Wonder em 52 no índice, com um histórico independente completo, é algo conhecido. Mercury 3 com uma pontuação desconhecida no índice, em uma carga de trabalho em que uma resposta errada é custosa e não monitorada, é uma aposta.

Três casos ficam fora de ambos:

• Vídeo, imagens ou áudio no prompt — o Muse Wonder aceita os três, o Mercury 3 não aceita nenhum. Não há troca a fazer.

• Qualquer coisa que exija o checkpoint com a maior pontuação — o Muse Wonder Full não é um produto de API. Trata-se de uma assinatura mensal de US$ 50 a US$ 200 do Muse Code, e a Meta não disse que vai abri-lo.

• Qualquer situação em que você precise planejar com base em um preço estável — o desconto de lançamento do Mercury 3 não tem data de término, e seus antecessores estão sendo descontinuados para novos usuários. O $4/$20 do Muse Wonder não tem alteração anunciada.

O que o OrcaRouter faz e não faz aqui

Nem Muse Wonder nem Mercury 3 estão no nosso catálogo. Uma verificação da nossa API de modelos não retorna nada para meta/muse-wonder e nada para qualquer modelo Inception, e não descreveremos uma rota que não temos. O que temos do laboratório da Meta é a linha Muse Spark — Muse Spark 1.2 e Muse Spark 1.1, ambas com contexto de 1M de tokens a US$ 1,25 de entrada e US$ 4,25 de saída por milhão de tokens.

Isso importa mais para este confronto específico do que parece. O motivo para usar o Muse Wonder é a profundidade, e o motivo para usar o Mercury 3 é a velocidade. Ambos podem ser testados contra um modelo que você já pode chamar: O Muse Spark 1.2 oferece uma família de raciocínio da Meta com uma tabela de preços publicada do nosso lado, e os mais de 200 modelos acessíveis por meio de uma única chave compatível com OpenAI oferecem a comparação de latência sem um segundo contrato. Se o $4/$20 do Muse Wonder for se justificar para a sua carga de trabalho, ele precisa superar algo — e esse algo deveria ser um modelo que você possa medir hoje à tarde.

A vantagem mecânica que vale a pena destacar é o repasse de preços. Os preços de tabela dos provedores chegam à sua fatura sem alterações, portanto, um corte de um fornecedor — como o desconto de lançamento de 50 por cento da Inception ou uma hipotética redução da Meta — passa a valer do nosso lado no dia em que é anunciado, não na próxima renovação. Isso é algo pequeno até o dia em que não é.

O que resolveria isso

Duas medições fariam a maior parte do trabalho. A primeira é um número independente de throughput do Mercury 3 sob um harness, nível de esforço e tamanho de lote declarados; a segunda é qualquer pontuação independente de qualidade do Mercury 3. Até que ambas existam, o modelo mais rápido desta comparação é também aquele sobre o qual você sabe menos, e o mais capaz é aquele que você só pode chamar com uma assinatura ou a um preço difícil de justificar sem um caso de uso que tolere meio minuto de silêncio.

O que torna esta uma decisão fácil em vez de difícil é que os dois modelos não competem pelo mesmo espaço. O único risco real é escolher o espaço errado — implantar um modelo de trinta segundos numa janela de chat porque o seu benchmark é melhor, ou implantar um modelo não medido numa pipeline não monitorizada porque o seu preço é melhor. Ambas são decisões sobre o seu produto, não sobre os modelos, e nenhuma delas é resolvida por um número num leaderboard.