Mercury 3 vs Muse Wonder: Trettiotvå sekunder till första token

Det finns en uppmätt siffra i den här jämförelsen som borde avsluta argumentet innan det ens börjar. Artificial Analysis registrerar Muse Wonders tid till första token till 32,08 sekunder. Mercury 3 uppger 1 068 utdatatoken per sekund utan någon oberoende mätning alls. Den ena modellen tar en halv minut att börja svara; den andra säger sig skriva tusen ord på den tid det tar att läsa den här meningen. När det gäller latens tillhör de inte samma produktkategori, och ingen mängd överlägsenhet i benchmark stänger en trettiofaldig skillnad i när det första tecknet visas. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Men det är den enkla versionen av historien, och den är missvisande i ett viktigt avseende. Muse Wonder försöker inte vara snabb. Meta släppte Muse Wonder den 12 oktober 2026 som en frontier-resonemangsmodell prissatt till $4,00 per miljon inputtokens och $20,00 per miljon outputtokens, och till det priset är det djup man köper – en modell som tänker i trettio sekunder och löser det svåra problemet korrekt. Mercury 3, som släpptes av Inception den 19 oktober 2026, är prissatt tjugo till femtio gånger lägre eftersom den säljer den motsatta avvägningen. Frågan en utvecklare faktiskt står inför är inte vilken som är bättre. Det är vilken avvägning din produkt gör, och om du har varit ärlig mot dig själv om vilken det är.

De två modellerna, ett stycke vardera

Mercury 3 är en diffusionsspråkmodell – Inceptions term är dLLM – som genererar tokens parallellt i stället för en i taget. Den har en kontext på 1M tokens, maximalt 131 072 tokens utdata, endast text som indata, verktygsanrop och strukturerade utdata på en OpenAI-kompatibel slutpunkt samt fyra inställningar för resonemangsansträngning (omedelbar, låg, medel, hög), där standard är låg. Listpriset är 0,20 USD per miljon indatatokens och 0,70 USD per miljon utdatatokens, för närvarande halverat till 0,10 USD och 0,35 USD "vid lansering" utan publicerat slutdatum. Inceptions kvalitetspåstående är jämförande och utan mätvärde: man säger att modellen är i nivå med eller bättre än "frontier-modeller optimerade för hastighet som GPT-6 Luna och Claude Haiku 5.5", och rapporterar ett uppgiftsresultat från sin egen agent-harness – 50 procents slutförande på 50 live-uppgifter i Mind2Web.

Muse Wonder är Metas banbrytande resonemangsmodell, levererad som två checkpoints: muse-wonder-1.0, som kan anropas via Meta Model API och i Muse Code, och muse-wonder-full-1.0, en konfiguration med högre poäng som Meta säger endast är tillgänglig för Muse Code-prenumeranter. Båda har en kontext på 1M tokens och samma prislista på $4,00/$20,00, med 95 procents cacherabatt. Resonemang är obligatoriskt – ansträngningsnivåerna går från minimal till max, med medium som standard, och resonemangstokens faktureras som utdata. Indata är text, bild, tal och video; utdata är text.

Vad var och en faktiskt kostar på förfrågningsnivå

Priser per token är den minst användbara siffran i en jämförelse som den här, eftersom de två modellerna förbrukar helt olika tokenvolymer för att utföra samma jobb. En resonemangsmodell som som standard använder medelhög ansträngning och gjorde av med 130 miljoner output-tokens när den slutförde en utvärderingskörning har inte samma pris som en modell som är optimerad för korta svar, redan innan prislistan tillämpas. Så prissätt samma jobb på båda sätten.

Ta en assistent för dokumentgranskning: 20 000 token kontraktstext in, en strukturerad sammanfattning och risklista på 500 token ut, 2 000 granskningar per dag.

• Mercury 3 till listpris — 40 miljoner indatatokens à $0.20 är $8.00; 1 miljon utdatatokens à $0.70 är $0.70. Ungefär $8.70 per dag.

• Mercury 3 till lanseringspriset – hälften av det, ungefär 4,35 dollar per dag.

• Muse Wonder — 40 miljoner input-tokens till $4.00 blir $160; 1 miljon output-tokens till $20.00 blir $20. Plus resonemangstokens, som faktureras som output och som Meta inte låter dig stänga av. Med ett försiktigt antagande på 1 000 resonemangstokens per anrop blir outputposten 3 miljoner tokens, eller $60, vilket ger en daglig totalsumma på $220.

Det är en tjugofemfaldig skillnad på identisk trafik, och det är den milt gynnsamma versionen för Muse Wonder, eftersom resonemangsmodeller rutinmässigt lägger långt mer än tusen tanketokens på en uppgift som kräver omsorg. Ansträngningsinställningen är den enda hävstången, och den är en hävstång för både kostnad och kvalitet samtidigt — man kan inte skruva ner tänkandet utan att skruva ner svaret.

Här är delen som gör jämförelsen till mer än aritmetik. Mercury 3 publicerar inte något antal utdatatoken för någon utvärdering, så ingen vet om den är kortfattad eller mångordig jämfört med en baslinjeuppgift. Om det visar sig vara en pratsam modell förändras den dagliga kostnaden i multiplar, inte i procent. Den tjugofemfaldiga skillnaden skulle kunna vara femtonfaldig eller fyrtiofaldig i produktion, och det finns inga publicerade belägg som talar för något av alternativen.

Påståendet om genomströmning – och siffran som undergräver det

Inceptions huvudsiffra är 1 068 tokens per sekund på NVIDIA-grafikprocessorer, beskrivet som 4 till 8 gånger snabbare än de modeller den jämför sig med. Företaget anger inte hårdvaran, batchstorleken, effort-inställningen eller om siffran avser enkelström eller aggregerat, och dessa fyra val förändrar antalet med multiplar. Det finns ingen oberoende mätning av Mercury 3 per den 20 oktober 2026 – Artificial Analysis listar fortfarande Mercury 2.5 och Mercury 2 och har ingen sida för Mercury 3.

Den oberoende mätning som faktiskt finns för föregående generation är lärorik. Artificial Analysis anger Mercury 2.5 till ungefär 706 tokens per sekund i sitt eget testramverk. Det är en verklig, reproducerbar tredjepartssiffra, och den ligger betydligt under de leverantörssiffror som publicerades vid den lanseringen. Den skillnaden är den normala rabatten från leverantör till oberoende i den här kategorin snarare än ett tecken på ond tro – men det är den rabatt man bör tillämpa mentalt på 1 068 tills någon reproducerar den.

Muse Wonder har samtidigt en uppmätt utdatahastighet på 161 tokens per sekund och en uppmätt tid till första token på 32,08 sekunder. Båda siffrorna speglar Metas modell när den fungerar som avsett: första token anländer efter en lång tankeprocess, och resten av svaret strömmar i måttlig takt. För ett batchjobb är det irrelevant. För allt där en människa väntar är det hela upplevelsen.

Den uppmätta kvalitetsklyftan går åt andra hållet. Muse Wonder får 52 på Artificial Analysis Intelligence Index, rankad nia av 217 modeller, med 4,52 dollar i beräkningskostnad per indexuppgift. Mercury 3 har ingen indexpoäng. Muse Wonder Full får 56 och rankas fyra av 696, utan publicerat pris eftersom Meta inte säljer det per token. Så den ärliga beskrivningen är en frontiermodell med ett uppmätt tak och ett uppmätt latensproblem, jämfört med en budgetmodell med en påstådd latensfördel och inget uppmätt tak alls.

Resonemang är ett produktbeslut, inte en inställning

Den djupaste skillnaden mellan dessa modeller är inte pris eller snabbhet. Det är huruvida modellen tillåts att tänka kort.

Mercury 3 använder låg ansträngning som standard när reasoning-parametern utelämnas, och de fyra inställningarna går från instant till high. Den standardinställningen är den detalj som mest sannolikt förbises och mest sannolikt förvränger varje jämförelse: en modell som svarar med låg ansträngning kommer att verka snabbare och få lägre poäng än samma modell på high, och Inceptions egna jämförande påståenden anger inte vilken inställning som gav dem. Om du benchmarkar Mercury 3 själv, ange ansträngningsnivån explicit, annars kommer dina siffror inte att vara jämförbara med någon annans – inklusive Inceptions.

Muse Wonder är motsatsen redan genom sin konstruktion. Resonemang är obligatoriskt, standardinställningen är medium och det finns ingen omkopplare för att stänga av det. Det är ett medvetet designval för en modell som riktar sig mot professionellt och agentiskt arbete: Metas formulering är att tänkandet är produkten. Det innebär också att modellen inte har någon billig väg. Varje anrop betalar resonemangsskatten, och med 20 dollar per miljon uttoken blir en lång agentisk loop som fyller utdatabudgeten på 943,718 token en rejäl faktura.

För en utvecklare är den praktiska konsekvensen att dessa två modeller inte kan bytas ut bakom en enda promptmall och jämföras rättvist. Att göra samma uppgift bra på Mercury 3 innebär att välja en ansträngningsnivå; att göra det på Muse Wonder innebär att acceptera tänketiden. Jämförelsen blir bara meningsfull när båda är låsta till samma faktiska beteende, och för Mercury 3 är det beteendet odokumenterat.

Om Metas egen resultattavla, och varför den inte är det sista ordet

Meta publicerade en benchmarktabell vid lanseringen som omfattade båda checkpoints tillsammans med Claude Fable 5.1, GPT-6 Astra och Claude Opus 5.5 vid högsta resonemangsnivå. Varje siffra är leverantörsrapporterad, framtagen i Metas testramverk, och ingen har reproducerats oberoende. Två rader är ändå värda att ta med i den här jämförelsen, eftersom de visar att modellen gör det den säljs för att göra.

• JobBench, långsiktiga professionella uppgifter — 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, datoranvändning — 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

Där Meta och den oberoende utvärderaren inte är överens är det den oberoende siffran man ska planera efter. Metas tabell anger Muse Wonder Full till 59,0 på Artificial Analysis Index; Artificial Analysis publicerar själva 56. Tre poäng på samma index är inte en skandal, men det fastställer vilken siffra som har en metodik bakom sig.

Mercury 3 har ingen motsvarande tabell att argumentera mot. Dess enda strukturerade kvalitetsresultat är Mind2Web-agenttestet: 50 live-navigeringsuppgifter i Inceptions eget produktionsramverk, 50 procent slutförda, "betydligt fler än GPT-6.1-Sol", med samma tokenvolym och samma antal agentsteg och därmed en bråkdel av kostnaden per token. Femtio uppgifter är ett litet urval, ramverket är Inceptions eget, och jämförelsemodellen namnges utan en poäng. Det är en verklig signal om att modellen kan styra en webbläsare till en bråkdel av kostnaden för en frontlinjemodell som gör samma sak. Det är inte ett benchmark.

Vilken av dessa två du faktiskt borde utvärdera

Beslutet avgörs vanligtvis av en fråga: väntar en människa på den här utdatan, eller konsumeras den av en kö?

Om en människa väntar är Muse Wonder nära att diskvalificeras av sina egna mätningar. Trettiotvå sekunder till första token är inte en latens man kan sätta framför en kund, och ingen väljer det för en chattgränssnitt. Mercury 3 är byggd för exakt detta fall, och dess pris gör experimentet billigt. Även om genomströmningen landar på hälften av påståendet under en neutral testrigg är den fortfarande flera gånger snabbare än något i frontier-nivån.

Om en kö konsumerar det – dokumentbearbetning över natten, agentiska körningar som levererar en rapport, backoffice-arbetsflöden där ingen sitter och tittar – då slutar det att spela roll att första token tar 32 sekunder, och den uppmätta kvalitetsskillnaden börjar spela roll. Muse Wonder på 52 i indexet, med ett fullständigt oberoende underlag, är en känd storhet. Mercury 3 med en okänd poäng i indexet, i en arbetsbelastning där ett felaktigt svar är dyrt och inte övervakas, är en chansning.

Tre fall ligger utanför båda:

• Video, bilder eller ljud i prompten — Muse Wonder tar emot alla tre, Mercury 3 tar inga. Det finns ingen avvägning att göra.

• Allt som kräver den högst poängsatta checkpointen — {{1}}Muse Wonder Full{{/1}} är inte en API-produkt. Det är en månadsprenumeration på Muse Code för 50 till 200 dollar, och Meta har inte sagt att de kommer att öppna den.

• Allt där du behöver planera utifrån ett stabilt pris — Mercury 3:s lanseringsrabatt har inget slutdatum, och dess föregångare fasas ut för nya användare. Muse Wonders $4/$20 har ingen aviserad ändring.

Vad OrcaRouter gör och inte gör här

Varken Muse Wonder eller Mercury 3 finns i vår katalog. En kontroll mot vårt modell-API ger inget för meta/muse-wonder och inget för någon Inception-modell, och vi kommer inte att beskriva en väg som vi inte har. Det vi har från Metas labb är Muse Spark-serien – Muse Spark 1.2 och Muse Spark 1.1, båda med en kontext på 1 miljon tokens till $1,25 in och $4,25 ut per miljon tokens.

Det spelar större roll för just den här jämförelsen än det låter. Anledningen att köra Muse Wonder är djup, och anledningen att köra Mercury 3 är snabbhet. Båda kan testas mot en modell du redan kan anropa: Muse Spark 1.2 ger dig en Meta-modellfamilj för resonemang med en publicerad prislista hos oss, och de över 200 modellerna som går att nå via en enda OpenAI-kompatibel nyckel ger dig latensjämförelsen utan ett andra avtal. Om Muse Wonders $4/$20 ska vara motiverat för din arbetsbelastning måste det slå något — och det något bör vara en modell du kan mäta i eftermiddag.

Den mekaniska fördel som är värd att nämna är prisgenomslag. Leverantörers listpriser når din faktura oförändrade, så en leverantörsrabatt – som Inceptions 50-procentiga lanseringsrabatt eller en hypotetisk Meta-sänkning – slår igenom hos oss samma dag som den tillkännages, inte vid nästa förnyelse. Det är en liten sak tills den dag det inte är det.

Vad skulle avgöra detta

Två mätningar skulle göra det mesta av jobbet. Den första är en oberoende siffra för Mercury 3:s genomströmning under ett angivet testramverk, ansträngningsnivå och batchstorlek; den andra är överhuvudtaget någon oberoende kvalitetspoäng för Mercury 3. Tills båda finns är den snabbaste modellen i den här jämförelsen också den du vet minst om, och den mest kapabla är den du bara kan anropa med en prenumeration eller till ett pris som är svårt att motivera utan ett användningsfall som tål en halv minuts tystnad.

Det som gör detta till ett enkelt beslut i stället för ett svårt är att de två modellerna inte konkurrerar om samma plats. Den enda verkliga risken är att välja fel plats – att distribuera en modell på trettio sekunder i ett chattfönster eftersom dess benchmark är bättre, eller att distribuera en icke uppmätt modell i en pipeline utan övervakning eftersom dess pris är bättre. Båda dessa är beslut om din produkt, inte om modellerna, och inget av dem avgörs av en siffra på en topplista.