Mercury 3 vs NVIDIA Nemotron 3.5 Super VL 120B-A12B: Uma alegação de velocidade é medida, a outra não

Mercury 3 e NVIDIA Nemotron 3.5 Super VL 120B-A12B têm a velocidade como argumento de venda. Apenas uma dessas alegações de velocidade foi verificada por alguém fora da empresa que a fez. A Artificial Analysis mede o Nemotron 3.5 Super VL em 434,3 tokens de saída por segundo em seu próprio ambiente de testes. O Mercury 3, lançado pela Inception Labs em 19 de outubro de 2026, alega 1.068 tokens por segundo — e, em 20 de outubro, não há nenhuma página do Mercury 3 nesse índice, então o número não tem uma parte independente por trás dele. Essa assimetria, e não a ficha técnica, é a decisão real neste confronto.As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

Há uma segunda assimetria que importa mais para algumas equipes. O Nemotron pode ser baixado, roda no seu próprio hardware e pode passar por pós-treinamento. O Mercury 3 é um produto de API sem pesos. Uma dessas é uma decisão de aquisição e a outra é um projeto de implantação, e a tabela de benchmarks é um guia ruim para saber de qual você realmente precisa.

Os números em que ambos os fornecedores concordam, e aquele em que não concordam

Comece pelas linhas em que os dois deixam de parecer diferentes, porque várias delas são genuinamente iguais.

• Contexto — ambos são especificados em 1 milhão de tokens. O Mercury 3 combina isso com um teto de saída de 131.072 tokens; já a ficha do Nemotron indica até 1 milhão de janela compartilhada entre prompt, imagens, histórico, resultados de ferramentas e a resposta.

• Saída — apenas texto, em ambos. Nenhum gera imagens ou áudio.

• Entrada — é aqui que eles se diferenciam. O Nemotron aceita texto, imagens RGB e vídeo MP4 de até dois minutos. O Mercury 3 aceita texto, e apenas texto.

• Preço — O Mercury 3 custa US$ 0,10 por milhão de tokens de entrada e US$ 0,35 por milhão de tokens de saída durante sua janela de lançamento, voltando para US$ 0,20 e US$ 0,70 no preço de tabela. O Nemotron não tem nenhuma tabela de preços do fornecedor; o que existe é a planilha de custos do Artificial Analysis, que atualmente o registra a US$ 0,225 de entrada e US$ 0,575 de saída por milhão, com 78% de desconto de cache e um custo de US$ 0,19 por tarefa do Intelligence Index.

• Pesos — os do Mercury 3 não são publicados, e a Inception não se comprometeu a publicá-los. Os do Nemotron estão no Hugging Face sob a OpenMDW-1.1, com checkpoints de precisão completa e NVFP4.

Essa última linha é a que decide a maioria das avaliações reais, e não tem nada a ver com tokens por segundo.

Lendo o índice independente sem superinterpretá-lo

A NVIDIA lançou o Nemotron 3.5 Super VL em 15 de outubro de 2026. Quando o primeiro placar independente apareceu naquela mesma semana, ele trazia um Intelligence Index de 26 e um espaço em branco onde a coluna de velocidade deveria estar. A página agora traz ambos: 26 no Index v4.3.2 e 434,3 tokens de saída por segundo, o que o coloca em primeiro lugar entre os 28 modelos de sua classe de comparação. Ele também gerou 170M tokens ao longo da execução do índice, contra uma mediana de 100M, o que a página descreve como um tanto prolixo.

Essas são as medições do próprio índice, executadas por seu próprio sistema de avaliação, e valem exatamente o que vale qualquer suíte de benchmark única: um número reproduzível coletado por alguém que não trabalha para a NVIDIA. Observe o que 26 significa e o que não significa. O próprio texto de comparação da página o coloca contra uma mediana de 8 para modelos comparáveis de pesos abertos na classe de 40B–150B, então é um resultado forte dentro de sua classe de peso e modesto contra modelos de fronteira de qualquer tamanho. O ranking de primeiro entre 67 que aparece no topo da página é um ranking dentro de uma classe filtrada, não uma colocação geral. Qualquer pessoa que cite "número um" sem o filtro está citando o filtro.

Agora o outro lado. O post de lançamento do Inception faz três afirmações quantitativas: 1.068 tokens por segundo em GPUs NVIDIA, um contexto de 1 milhão e um preço de lançamento pela metade do preço de tabela. Ele não faz nenhuma alegação numérica de qualidade. Em vez disso, diz que o Mercury 3 "supera o GPT-6 Luna e o Claude Haiku 5.5" — dois modelos otimizados para velocidade, que é o conjunto de comparação correto para um produto de latência, afirmado sem margem, nome de benchmark ou resultado por tarefa. Também relata que o Mercury 3 concluiu 50% de 50 tarefas de navegação ao vivo do Mind2Web dentro do próprio harness de agente web da Inception, "significativamente mais que o GPT-6.1-Sol". Cinquenta tarefas em um harness de fornecedor são um sinal, não uma medição que você possa colocar ao lado de 26.

Então, a comparação honesta das evidências de qualidade é esta: um modelo tem uma pontuação de índice de terceiros e o outro tem uma frase do fornecedor. Isso não torna o Mercury o modelo mais fraco. Torna-o o modelo não medido, e não medido é uma categoria de risco diferente de baixa pontuação.

Quanto realmente custa executar a metade de pesos abertos

O Nemotron 3.5 Super VL é um modelo de mistura de especialistas (mixture-of-experts) com 120B parâmetros, 12B ativos por token, 512 especialistas roteados por camada MoE e um backbone híbrido que intercala camadas Mamba-2, de atenção e MoE, com um codificador de visão C-RADIO acoplado por meio de um conector. A NVIDIA o disponibiliza em dois níveis de precisão, e a diferença entre eles é o número mais útil do lançamento.

• BF16 — 64 shards de safetensors, aproximadamente 231,8 GiB. A própria receita de serving da NVIDIA é tensor-parallel 4 em quatro H100s, ou TP2 em dois GB200s.

• NVFP4 — pesos e ativações de 4 bits com destilação sensível à quantização. O cartão lista a implantação em um DGX Spark, um H200, dois H100s ou um GB200.

Um modelo de 120B que cabe em duas H100s em 4 bits em vez de quatro em BF16 é uma conversa de compra diferente, e é por isso que o checkpoint quantizado é aquele para o qual o fornecedor aponta para serving eficiente. O que a NVIDIA não publica é uma comparação lado a lado de precisão entre os dois níveis. A alegação é uma alegação de metodologia de treinamento — de que a destilação durante o treinamento fecha a lacuna de quantização — não uma comparação medida, e se sua decisão depende dessa lacuna, a resposta não está no repositório.

Vale a pena ler a licença para além do marketing. O post do blog diz "open weights"; o frontmatter do cartão diz license: other, license_name: openmdw-1.1, regido pelo OpenMDW License Agreement 1.1. O uso comercial é permitido e o cartão diz isso claramente. Não é Apache 2.0 e, se a sua organização mantém uma lista de licenças aprovadas, é essa lista que deve consultar antes do orçamento da GPU.

Onde os dois deixam de ser substitutos

A incompatibilidade não é qualidade. É a natureza do trabalho.

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, o que é justamente de onde vem a alegação de throughput na casa dos quatro dígitos. A carga de trabalho para a qual ele foi criado é aquela em que um humano está observando: dicas de tutoria, geração de busca, uma resposta de suporte que precisa parecer conversacional. As próprias citações de clientes da Inception são todas desse tipo, e elas são o teste certo para o produto. Uma dica errada é recuperável. Uma pausa de dois segundos não é.

O Nemotron 3.5 Super VL foi criado para o extremo oposto. Ele lê capturas de tela, documentos digitalizados, gráficos e clipes de vídeo de dois minutos, chama ferramentas e roda em hardware que você controla. A carga de trabalho para a qual ele foi criado é um pipeline que roda por minutos e reporta de volta, em que uma extração errada é cara e uma espera de cinco segundos é invisível. A própria ficha dele é franca ao dizer que as linhas de benchmark multimodal não foram todas executadas pelo conjunto de ferramentas abertas que a NVIDIA publica, e que a estrutura interna por trás de várias delas está prometida para uma versão futura. Essa ressalva não desqualifica o modelo; ela indica quais linhas você deve executar novamente antes de depender delas.

A sobreposição é menor do que as fichas técnicas sugerem. Se a sua entrada for uma pilha de faturas, um vídeo de produto ou uma captura de tela de dashboard, o Mercury 3 não consegue vê-la. Se o seu requisito for uma resposta conversacional em menos de um segundo em texto simples, um checkpoint multimodal de 120B nas suas próprias GPUs é uma forma muito cara de conseguir isso.

Nenhum dos modelos está no nosso catálogo, e isso altera a recomendação de encaminhamento.

Ambos são negativos honestos. Nossa API de modelos não retorna nenhum modelo Inception nem nenhuma entrada NVIDIA Nemotron, então nem o Mercury 3 nem o Nemotron 3.5 Super VL podem ser chamados por meio de nós hoje. Quem quiser o Mercury 3 vai para a plataforma da própria Inception, que dá 100 milhões de tokens grátis para novas contas; quem quiser o Nemotron baixa o checkpoint do Hugging Face ou usa um host de terceiros. Preferimos registrar isso a implicar uma rota que não temos.

O que uma camada de roteamento ainda tem de útil aqui é a parte em torno do experimento. Uma configuração de dois caminhos é a forma sensata de avaliar um modelo sem medição: enviar a camada crítica em latência para o Mercury 3 usando a chave da Inception, e manter o fallback e os casos difíceis nos modelos que realmente oferecemos — mais de 200 deles atrás de um endpoint compatível com OpenAI, ao preço de tabela do provedor com 0% de markup, com failover automático quando um provedor degrada. Se o novo caminho se revelar pior do que o post de lançamento sugeria, o fallback já está conectado e a troca é uma regra de roteamento em vez de um projeto de integração. A metade auto-hospedada da comparação não ganha nada com isso, porque não há nada para rotear.

A regra de decisão

Escolha o Nemotron 3.5 Super VL 120B-A12B quando o modelo precisar ver algo — uma página, uma digitalização, um clipe — ou quando os dados não puderem sair da sua infraestrutura, ou quando você pretender fazer pós-treinamento com seus próprios exemplos. Faça um orçamento honesto para o hardware: quatro H100s em BF16 ou duas em NVFP4 é um compromisso de capital real, e o 26 no índice é uma pontuação relativa à classe, não uma pontuação de fronteira. Aceite que suas linhas de aderência a instruções e de contexto longo são a parte mais fraca da própria tabela.

Escolha o Mercury 3 quando uma pessoa está aguardando uma resposta por texto e uma nova tentativa não custa nada. Aceite duas coisas antes de basear seu trabalho nele: que 1.068 tokens por segundo é um número do fornecedor sem reprodução independente, e que a configuração de esforço padrão é "low" — então qualquer benchmark que você mesmo executar só será comparável ao de outra pessoa se você fixar explicitamente instant, low, medium ou high. Faça o orçamento pelo preço de tabela, US$ 0,20 e US$ 0,70, porque o desconto de lançamento não tem data de término publicada e um modelo de custos baseado em US$ 0,10 e US$ 0,35 tem uma validade que você não consegue ver.

O que mudaria a resposta mais rapidamente é a mesma coisa dos dois lados: um segundo interveniente a correr os mesmos testes. Se a Artificial Analysis publicar uma página do Mercury 3, a alegação de throughput torna-se verificável e a questão da qualidade deixa de ser uma frase num post de lançamento. Se a NVIDIA publicar um delta de precisão entre BF16 e NVFP4, o nível de implementação barato deixa de ser um ato de fé. Até que qualquer um deles aconteça, o resumo verdadeiro é que um destes modelos foi medido e o outro foi descrito, e nenhuma quantidade de comparação de fichas técnicas fecha essa lacuna.