Mercury 3 против Muse Wonder: тридцать две секунды до первого токена

В этом сравнении есть измеренная цифра, которая должна положить конец спору, не успев его начать. Artificial Analysis фиксирует время Muse Wonder до первого токена на уровне 32,08 секунды. Mercury 3 заявляет о 1 068 выходных токенах в секунду, хотя независимых измерений нет вообще. Одна модель тратит полминуты, чтобы начать отвечать; другая утверждает, что пишет тысячу слов за время, которое нужно, чтобы прочитать это предложение. По задержке они относятся к разным категориям продуктов, и никакое превосходство в бенчмарках не компенсирует тридцатикратный разрыв в моменте появления первого символа. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, оценку уверенности и отметку об оспаривании.

Но это упрощённая версия истории, и в одном важном отношении она вводит в заблуждение. Muse Wonder не пытается быть быстрым. Meta выпустила Muse Wonder 12 октября 2026 года как передовую модель рассуждений по цене $4.00 за миллион входных токенов и $20.00 за миллион выходных токенов, и по этой цене покупается глубина — модель, которая думает тридцать секунд и правильно решает сложную задачу. Mercury 3, выпущенная Inception 19 октября 2026 года, стоит в двадцать–пятьдесят раз меньше, потому что продаёт противоположный компромисс. Вопрос, который на самом деле стоит перед разработчиком, — не какая модель лучше. А какой компромисс выбирает ваш продукт и честны ли вы с собой о том, какой именно это компромисс.

Две модели, по одному абзацу на каждую

Mercury 3 — это диффузионная языковая модель (Inception называет её dLLM), которая генерирует токены параллельно, а не по одному. Она имеет контекст на 1 млн токенов, максимальный объём вывода 131 072 токена, принимает только текст, поддерживает вызов инструментов и структурированные выходные данные на OpenAI-совместимом эндпоинте, а также четыре настройки вычислительных усилий для рассуждений (instant, low, medium, high), где по умолчанию используется low. Цена по прайс-листу — $0.20 за миллион входных токенов и $0.70 за миллион выходных, сейчас снижена вдвое до $0.10 и $0.35 «на этапе запуска» без опубликованной даты окончания. Заявление Inception о качестве носит сравнительный характер и не подкреплено оценками: компания утверждает, что модель не уступает или превосходит «передовые оптимизированные по скорости модели, такие как GPT-6 Luna и Claude Haiku 5.5», и приводит один результат задачи из собственной агентной среды — 50% выполнения на 50 реальных задачах Mind2Web.

Muse Wonder — передовая модель рассуждений Meta, выпущенная в виде двух чекпоинтов: muse-wonder-1.0, доступного через Meta Model API и в Muse Code, и muse-wonder-full-1.0 — конфигурации с более высокими оценками, которая, по словам Meta, доступна только подписчикам Muse Code. Обе имеют контекст в 1 млн токенов и одинаковую тарифную сетку $4.00/$20.00 со скидкой 95% за кэширование. Рассуждения обязательны — шкала уровней усилий идёт от minimal до max, по умолчанию — medium, а токены рассуждений тарифицируются как выходные. На входе — текст, изображения, речь и видео; на выходе — текст.

Сколько на самом деле стоит каждый из них на уровне запросов

Цены за токен — наименее полезный показатель в таком сравнении, потому что две модели потребляют совершенно разный объём токенов для выполнения одной и той же задачи. Модель рассуждения, которая по умолчанию использует средний уровень усилий и потратила 130 млн выходных токенов на завершение прогона оценки, стоит не столько же, сколько модель, оптимизированная для коротких ответов, — даже до применения тарифной сетки. Поэтому посчитайте стоимость одной и той же задачи обоими способами.

Возьмём ассистента для проверки документов: на входе — 20 000 токенов текста договора, на выходе — структурированное резюме и список рисков объёмом 500 токенов, 2 000 проверок в день.

• Mercury 3 по прайс-листу — 40 миллионов входных токенов по $0.20 — это $8.00; 1 миллион выходных токенов по $0.70 — это $0.70. Около $8.70 в день.

• Mercury 3 по стартовому тарифу — половина этой суммы, около $4,35 в день.

• Muse Wonder — 40 млн входных токенов по $4.00 — это $160; 1 млн выходных по $20.00 — это $20. Плюс токены рассуждений, которые тарифицируются как выходные и которые Meta не позволяет отключить. При консервативной оценке в 1 000 токенов рассуждений на вызов объём выходных токенов составит 3 млн, или $60, а итого за день — $220.

Это двадцатипятикратный разрыв при идентичном трафике, и это умеренно благоприятный вариант для Muse Wonder, потому что reasoning-модели обычно тратят намного больше тысячи токенов размышления на задачу, требующую тщательной работы. Настройка усилий — единственный рычаг, и он одновременно влияет и на стоимость, и на качество: нельзя снизить интенсивность размышлений, не снизив качество ответа.

Вот что делает это сравнение чем-то большим, чем просто арифметика. Mercury 3 не публикует количество выходных токенов ни для одной оценки, поэтому никто не знает, является ли она лаконичной или многословной по сравнению с базовой задачей. Если окажется, что это разговорчивая модель, суточная стоимость изменится кратно, а не на проценты. Разрыв в двадцать пять раз в продакшене может оказаться пятнадцати- или сорокакратным, и опубликованных данных ни за, ни против нет.

Утверждение о пропускной способности — и цифра, которая его подрывает

Заявленный показатель Inception составляет 1 068 токенов в секунду на GPU NVIDIA; утверждается, что это в 4–8 раз быстрее моделей, с которыми компания себя сравнивает. Компания не указывает оборудование, размер пакета, настройку усилий и то, относится ли эта цифра к одному потоку или является агрегированной, а эти четыре выбора меняют число в разы. По состоянию на 20 октября 2026 года независимых измерений Mercury 3 нет — Artificial Analysis по-прежнему указывает Mercury 2.5 и Mercury 2, а страницы Mercury 3 у него нет.

То, какое независимое измерение существует для предыдущего поколения, показательно. Artificial Analysis оценивает Mercury 2.5 примерно в 706 токенов в секунду в рамках собственной методики. Это реальная воспроизводимая сторонняя цифра, и она заметно ниже вендорских показателей, опубликованных при том запуске. Этот разрыв — обычная для данной категории скидка между вендорскими и независимыми данными, а не доказательство недобросовестности, — но именно эту скидку стоит мысленно применять к 1 068, пока кто-нибудь не воспроизведёт этот результат.

Muse Wonder, тем временем, демонстрирует измеренную скорость вывода 161 токен в секунду и измеренное время до первого токена — 32,08 секунды. Оба показателя отражают модель Meta, работающую так, как задумано: первый токен появляется после длительного этапа размышления, а остальная часть ответа поступает со средней скоростью. Для пакетной задачи это не имеет значения. Для чего угодно, где ждёт человек, это и есть весь опыт.

Измеренный разрыв в качестве — обратного знака. Muse Wonder набирает 52 балла в индексе интеллекта Artificial Analysis, занимая девятое место среди 217 моделей, при затратах на вычисления в $4,52 на одну задачу индекса. У Mercury 3 балла в индексе нет. Muse Wonder Full набирает 56 баллов и занимает четвёртое место из 696, при этом цена не публикуется, поскольку Meta не продаёт её за токены. Так что честная формулировка такова: фронтирная модель с измеренным потолком и измеренной проблемой задержки — против бюджетной модели с заявленным преимуществом в задержке и вообще без измеренного потолка.

Reasoning — это продуктное решение, а не настройка.

Самое глубокое различие между этими моделями — не цена и не скорость. Оно в том, разрешено ли модели кратко подумать.

Mercury 3 по умолчанию использует low effort, если параметр reasoning не указан, а четыре настройки охватывают диапазон от instant до high. Именно эту деталь чаще всего упускают из виду, и именно она чаще всего искажает любое сравнение: модель, отвечающая при low effort, будет выглядеть быстрее и получит более низкую оценку, чем та же модель при high, а собственные сравнительные утверждения Inception не указывают, какая настройка к ним привела. Если вы проводите бенчмарк Mercury 3 самостоятельно, явно фиксируйте уровень усилий, иначе ваши цифры нельзя будет сопоставить ни с чьими — включая цифры Inception.

Muse Wonder по своей конструкции устроен наоборот. Рассуждение обязательно, по умолчанию используется средний уровень, и нет переключателя, чтобы его отключить. Это намеренное проектное решение для модели, ориентированной на профессиональную и агентную работу: Meta формулирует это так, что мышление и есть продукт. Это также означает, что у модели нет дешёвого пути. Каждый вызов платит налог на рассуждение, а при цене $20 за миллион выходных токенов длинный агентный цикл, заполняющий бюджет вывода в 943,718 токенов, — это серьёзный счёт.

Для разработчика практическое следствие таково: эти две модели нельзя взаимозаменять в рамках одного шаблона промпта и сравнивать честно. Чтобы хорошо выполнить одну и ту же задачу на Mercury 3, нужно выбрать уровень усилий; на Muse Wonder — принять время на обдумывание. Сравнение обретает смысл только тогда, когда обе модели зафиксированы на одном и том же фактическом поведении, а для Mercury 3 это поведение недокументировано.

О собственной таблице результатов Meta и о том, почему она не является последним словом

Meta опубликовала на запуске таблицу бенчмарков, охватывающую обе контрольные точки вместе с Claude Fable 5.1, GPT-6 Astra и Claude Opus 5.5 при максимальном уровне рассуждений. Все цифры сообщены вендором, получены в тестовом стенде Meta, и ни одна не была независимо воспроизведена. Тем не менее две строки стоит перенести в это сравнение, потому что они показывают, как модель делает то, для чего её продают.

• JobBench, долгосрочные профессиональные задачи — 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, использование компьютера — 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

Там, где Meta и независимый оценщик расходятся, ориентироваться следует на независимую цифру. В таблице Meta Muse Wonder Full указан с показателем 59,0 в {{1}}индексе Artificial Analysis{{/1}}; сама {{2}}Artificial Analysis{{/2}} публикует 56. Разница в три пункта в одном и том же индексе — не скандал, но она показывает, за какой цифрой стоит методология.

У Mercury 3 нет сопоставимой таблицы, с которой можно было бы спорить. Единственный структурированный результат по качеству — это агентный тест Mind2Web: 50 живых задач навигации в собственном производственном стенде Inception, 50 процентов выполнено, «значительно больше, чем у GPT-6.1-Sol», при том же объёме токенов и том же числе шагов агента, а значит, при доле стоимости за токен. Пятьдесят задач — это маленькая выборка, стенд принадлежит Inception, а модель для сравнения названа без указания оценки. Это реальный сигнал о том, что модель может управлять браузером за долю стоимости фронтирной модели, выполняющей то же самое. Но это не бенчмарк.

Кого из этих двух вам на самом деле следует оценивать

Решение обычно сводится к одному вопросу: человек ждёт этот результат или его потребляет очередь?

Если человеку приходится ждать, Muse Wonder по собственным измерениям оказывается на грани дисквалификации. Тридцать две секунды до первого токена — это не та задержка, которую можно показать клиенту, и никто не выберет это для чат-интерфейса. Mercury 3 создан именно для такого случая, а его цена делает эксперимент недорогим. Даже если на нейтральном стенде пропускная способность окажется вдвое ниже заявленной, это всё равно будет в несколько раз быстрее всего, что есть во фронтирном сегменте.

Если её потребляет очередь — ночная обработка документов, агентные запуски, выдающие отчёт, бэк-офисные процессы, за которыми никто не следит, — то 32 секунды до первого токена перестают иметь значение, а измеренный разрыв в качестве начинает иметь. Muse Wonder с 52 баллами в индексе и полной независимой историей — известная величина. Mercury 3 с неизвестной оценкой в индексе на нагрузке, где неверный ответ дорог и остаётся без контроля, — это ставка.

Три случая остаются вне обоих:

• Видео, изображения или аудио в запросе — Muse Wonder принимает все три типа, Mercury 3 — ни одного. Никакого компромисса здесь не требуется.

• Всё, что требует чекпоинта с наивысшей оценкой, — Muse Wonder Full не является API-продуктом. Это ежемесячная подписка на Muse Code стоимостью от $50 до $200, и Meta не заявила, что откроет её.

• Всё, где нужно планировать, рассчитывая на стабильную цену — у стартовой скидки Mercury 3 нет даты окончания, а предыдущие версии перестают быть доступны новым пользователям. У Muse Wonder цена $4/$20 — без объявленных изменений.

Что OrcaRouter делает, а что не делает здесь

Ни Muse Wonder, ни Mercury 3 нет в нашем каталоге. Проверка нашего API моделей не возвращает ничего для meta/muse-wonder и ничего ни для одной модели Inception, и мы не будем описывать маршрут, которого у нас нет. Из лаборатории Meta мы предлагаем линейку Muse Spark — Muse Spark 1.2 и Muse Spark 1.1, обе с контекстом в 1M токенов по цене $1.25 за входящие и $4.25 за исходящие за миллион токенов.

Для этого конкретного сравнения это важнее, чем кажется. Причина использовать Muse Wonder — глубина, а причина использовать Mercury 3 — скорость. И то и другое можно проверить на модели, которую вы уже можете вызвать: Muse Spark 1.2 даёт вам семейство рассуждающих моделей Meta с опубликованным тарифом на нашей стороне, а более 200 моделей, доступных через один OpenAI-совместимый ключ, дают вам сравнение задержек без второго договора. Если $4/$20 за Muse Wonder должны быть оправданы для вашей нагрузки, он должен что-то превзойти — и этим «чем-то» должна быть модель, которую вы можете измерить сегодня же днём.

Механическое преимущество, которое стоит назвать, — это сквозная передача цены. Цены из прайс-листов провайдеров попадают в ваш счёт без изменений, поэтому снижение у поставщика — например, 50-процентная стартовая скидка Inception или гипотетическое снижение цен Meta — действует на нашей стороне в день объявления, а не при следующем продлении. Это мелочь, пока в один день она не перестаёт быть мелочью.

Что могло бы это уладить?

Двух измерений было бы достаточно для большей части картины. Первое — независимый показатель пропускной способности Mercury 3 при указанных тестовой обвязке, уровне усилий и размере пакета; второе — хоть какая-нибудь независимая оценка качества Mercury 3. Пока нет и того, и другого, самая быстрая модель в этом сравнении — также та, о которой вы знаете меньше всего, а самая мощная — та, к которой можно обратиться только по подписке или по цене, которую трудно оправдать без сценария использования, допускающего полминуты тишины.

То, что это решение легко принять, а не трудно, объясняется тем, что две модели не конкурируют за один и тот же слот. Единственный реальный риск — выбрать не тот слот: развернуть тридцатисекундную модель в окне чата, потому что у неё лучше бенчмарк, или развернуть неизмеренную модель в конвейере без мониторинга, потому что у неё лучше цена. Оба этих решения касаются вашего продукта, а не моделей, и ни одно из них не решается цифрой в таблице лидеров.