Mercury 3 vs NVIDIA Nemotron 3.5 Super VL 120B-A12B: Ett hastighetspåstående är uppmätt, det andra är inte

Mercury 3 och NVIDIA Nemotron 3.5 Super VL 120B-A12B marknadsförs båda som snabba. Bara ett av dessa hastighetspåståenden har kontrollerats av någon utanför företaget som ligger bakom det. Artificial Analysis mäter Nemotron 3.5 Super VL till 434,3 output-tokens per sekund i sin egen testrigg. Mercury 3, som Inception Labs släppte den 19 oktober 2026, hävdar 1 068 tokens per sekund – och per den 20 oktober finns det ingen Mercury 3-sida i det indexet alls, så siffran har ingen oberoende part bakom sig. Det är asymmetrin, inte databladet, som är det faktiska avgörandet i den här jämförelsen. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och markering för omstriddhet.

Det finns en andra asymmetri som spelar större roll för vissa team. Nemotron kan laddas ned, körs på din egen hårdvara och kan eftertränas. Mercury 3 är en API-produkt utan vikter. Det ena är ett upphandlingsbeslut och det andra ett driftsättningsprojekt, och benchmarktabellen är en dålig vägledning för vilket du faktiskt behöver.

Siffrorna som båda leverantörerna är överens om, och den som de inte är överens om

Börja med de rader där de två inte längre ser olika ut, eftersom flera av dem verkligen är samma.

• Kontext — båda är specificerade till 1M token. Mercury 3 kombinerar det med ett tak för utdata på 131 072 token; Nemotrons kort anger upp till 1M i delat fönster över prompt, bilder, historik, verktygsresultat och svaret.

• Utdata — endast text, båda. Ingen av dem genererar bilder eller ljud.

• Indata — det är här de skiljer sig åt. Nemotron tar text, RGB-bilder och MP4-video på upp till två minuter. Mercury 3 tar text, och endast text.

• Pris — Mercury 3 kostar $0,10 per miljon input och $0,35 per miljon output under sitt lanseringsfönster, och återgår till $0,20 och $0,70 enligt listpris. Nemotron har ingen leverantörsprislista alls; det som finns är kostnadsbladet från Artificial Analysis, som för närvarande bokför det till $0,225 för input och $0,575 för output per miljon, med 78 % cacherabatt och en kostnad på $0,19 per Intelligence Index-uppgift.

• Vikter — Mercury 3:s är inte publicerade och Inception har inte åtagit sig att publicera dem. Nemotrons finns på Hugging Face under OpenMDW-1.1, med checkpoints i full precision och NVFP4.

Den sista raden är den som avgör de flesta verkliga utvärderingar, och den har ingenting med tokens per sekund att göra.

Att läsa det oberoende indexet utan att övertolka det

NVIDIA släppte Nemotron 3.5 Super VL den 15 oktober 2026. När den första oberoende resultattavlan dök upp samma vecka hade den ett Intelligence Index på 26 och en tom plats där hastighetskolumnen borde ha varit. Sidan innehåller nu båda: 26 på Index v4.3.2 och 434,3 utdatatokens per sekund, vilket placerar den först bland de 28 modellerna i dess jämförelseklass. Den genererade också 170M tokens under indexkörningen, mot ett medianvärde på 100M, vilket sidan beskriver som något ordrik.

Det är indexets egna mätningar, körda genom dess egen testrigg, och de är värda exakt vad vilken enskild benchmark-svit som helst är värd: ett reproducerbart tal insamlat av någon som inte arbetar för NVIDIA. Notera vad 26 innebär och inte innebär. Sidans egen jämförelsetext ställer det mot en median på 8 för jämförbara öppenviktsmodeller i 40B–150B-klassen, så det är ett starkt resultat inom sin viktklass och ett måttligt sådant mot frontiermodeller oavsett storlek. Placeringen som etta av 67 som visas högst upp på sidan är en rankning inom en filtrerad klass, inte en övergripande placering. Den som citerar ”nummer ett” utan filtret citerar filtret.

Nu den andra sidan. Inceptions lanseringsinlägg gör tre kvantitativa påståenden: 1,068 tokens per sekund på NVIDIA-GPU:er, en 1M-kontext och ett lanseringspris som är hälften av listpriset. Det gör inga numeriska kvalitetsanspråk alls. I stället säger det att Mercury 3 "överträffar GPT-6 Luna och Claude Haiku 5.5" – två hastighetsoptimerade modeller, vilket är rätt jämförelseuppsättning för en latensprodukt, uttalat utan marginal, benchmarknamn eller resultat per uppgift. Det rapporterar också att Mercury 3 slutförde 50 % av 50 live Mind2Web-navigeringsuppgifter i Inceptions egen web-agent-harness, "betydligt fler än GPT-6.1-Sol". Femtio uppgifter i en leverantörs harness är en signal, inte ett mått som man kan ställa bredvid 26.

Så den ärliga jämförelsen av kvalitetsunderlag är denna: en modell har en poäng i ett tredjepartsindex och den andra har en mening från leverantören. Det gör inte Mercury till den svagare modellen. Det gör den till den omätta, och omätt är en annan riskkategori än låga poäng.

Vad hälften med öppna vikter faktiskt kostar att köra

Nemotron 3.5 Super VL är en mixture-of-experts-modell med 120B parametrar, 12B aktiva per token, 512 routade experter per MoE-lager och en hybridstomme som varvar Mamba-2-, attention- och MoE-lager, med en C-RADIO-bildkodare som kopplas in via en connector. NVIDIA levererar den i två precisionsnivåer, och skillnaden mellan dem är det mest användbara numret i lanseringen.

• BF16 — 64 safetensors-shards, ungefär 231,8 GiB. NVIDIAs eget serveringsrecept är tensor-parallellt 4 på fyra H100:or, eller TP2 på två GB200:or.

• NVFP4 – 4-bitars vikter och aktiveringar med kvantiseringsmedveten destillation. Kortet anger driftsättning på en DGX Spark, en H200, två H100:or eller en GB200.

En 120B-modell som får plats på två H100 vid 4-bitars precision i stället för fyra vid BF16 är en annan inköpsdiskussion, och det är därför den kvantiserade checkpointen är den som leverantören pekar ut för effektiv servering. Det NVIDIA inte publicerar är en noggrannhetsjämförelse sida vid sida mellan de två nivåerna. Påståendet är ett påstående om träningsmetodik – att destillation under träning stänger kvantiseringsgapet – inte en uppmätt jämförelse, och om ditt beslut hänger på det gapet finns svaret inte i repot.

Licensen är värd att läsa bortom marknadsföringen. Blogginlägget säger "open weights"; kortets frontmatter säger license: other, license_name: openmdw-1.1, som regleras av OpenMDW License Agreement 1.1. Kommersiell användning är tillåten och kortet säger det rakt ut. Det är inte Apache 2.0, och om din organisation har en lista över godkända licenser är den listan det du bör kontrollera innan GPU-offerten.

Där de två upphör att vara substitut

Diskrepansen handlar inte om kvalitet. Den handlar om arbetsuppgiftens utformning.

Mercury 3 är en diffusionsspråkmodell – Inceptions term är dLLM – som genererar token parallellt i stället för en i taget, vilket är därifrån påståendet om fyrsiffrig genomströmning ursprungligen kommer. Arbetsbelastningen den är byggd för är en där en människa tittar på: handledningstips, sökgenerering, ett supportssvar som måste kännas samtalslikt. Inceptions egna kundcitat är alla av det slaget, och de är rätt test av produkten. Ett felaktigt tips går att återhämta sig från. En tvåsekunders paus går inte.

Nemotron 3.5 Super VL är byggd för den motsatta änden. Den läser skärmdumpar, skannade dokument, diagram och tvåminutersvideoklipp, anropar verktyg och körs på hårdvara som du kontrollerar. Arbetsbelastningen den är byggd för är en pipeline som körs i minuter och rapporterar tillbaka, där en felaktig extrahering är dyr och en väntan på fem sekunder är osynlig. Dess eget modellkort är uppriktigt om att raderna för multimodala benchmarks inte alla kördes genom de öppna verktyg som NVIDIA publicerar, och att den interna scaffolding som ligger bakom flera av dem utlovas för en framtida utgåva. Den varningen diskvalificerar inte modellen; den talar om vilka rader du själv bör köra om innan du förlitar dig på dem.

Överlappet är mindre än vad databladen antyder. Om din indata är en bunt fakturor, en produktvideo eller en skärmbild av en instrumentpanel kan Mercury 3 inte se den. Om ditt krav är ett konversationssvar under en sekund på vanlig text är en multimodell 120B-checkpoint på dina egna GPU:er ett mycket dyrt sätt att få ett sådant.

Ingen av modellerna finns i vår katalog, och det ändrar routingrådgivningen

Båda är ärliga negativa besked. Vårt modell-API returnerar ingen Inception-modell och ingen NVIDIA Nemotron-post, så varken Mercury 3 eller Nemotron 3.5 Super VL är något du kan anropa via oss i dag. Den som vill ha Mercury 3 går till Inceptions egen plattform, som ger nya konton 100 miljoner gratis token; den som vill ha Nemotron laddar ner checkpoints från Hugging Face eller använder en tredjepartsvärd. Vi skriver hellre ned det än antyder en väg som vi inte har.

Det som ett routinglager fortfarande är bra för här är delen kring experimentet. Ett upplägg med två vägar är det vettiga sättet att utvärdera en icke uppmätt modell: skicka den latenskritiska nivån till Mercury 3 via Inceptions nyckel, och behåll reservvägen och de svåra fallen på modeller som vi faktiskt erbjuder — fler än 200 av dem bakom en enda OpenAI-kompatibel slutpunkt, till leverantörens listpris med 0 % påslag, med automatisk failover när en leverantör försämras. Om den nya vägen visar sig vara sämre än vad lanseringsinlägget antydde, är reservvägen redan inkopplad och bytet är en routingregel snarare än ett integrationsprojekt. Den självhostade halvan av jämförelsen får ingenting ut av något av detta, eftersom det inte finns något att routa.

Beslutsregeln

Välj Nemotron 3.5 Super VL 120B-A12B när modellen måste se något — en sida, en skanning, ett klipp — eller när data inte får lämna din infrastruktur, eller när du avser att efterträna på egna exempel. Budgetera för hårdvaran ärligt: fyra H100:or vid BF16 eller två vid NVFP4 är ett verkligt kapitalåtagande, och 26:an i indexet är en klassrelativ poäng, inte en i framkant. Acceptera att dess instruktionsföljning och långkontextrader är den svagare delen av dess egen tabell.

Välj Mercury 3 när en person väntar på ett textsvar och ett nytt försök inte kostar något. Acceptera två saker innan du bygger vidare på det: att 1,068 tokens per sekund är en leverantörssiffra utan oberoende reproduktion, och att standardinställningen för effort är "low" – så alla benchmark du själv kör är bara jämförbara med någon annans om du uttryckligen låser instant, low, medium eller high. Budgetera enligt listpris, $0.20 och $0.70, eftersom lanseringsrabatten inte har något publicerat slutdatum och en kostnadsmodell byggd på $0.10 och $0.35 har ett utgångsdatum som du inte kan se.

Det som snabbast skulle förändra svaret är samma sak på båda sidor: en andra part som kör samma tester. Om Artificial Analysis publicerar en Mercury 3-sida blir genomströmningspåståendet kontrollerbart och kvalitetsfrågan slutar vara en mening i ett lanseringsinlägg. Om NVIDIA publicerar en noggrannhetsskillnad mellan BF16 och NVFP4 slutar den billiga driftsättningsnivån vara ett hopp i blindo. Tills något av det inträffar är den sanningsenliga sammanfattningen att en av dessa modeller har mätts och den andra har beskrivits, och ingen mängd jämförelse av datablad stänger den klyftan.