Mercury 3 กับ Qwen3.8-Max: โทเคนราคาถูกกับคำตอบราคาแพง

Qwen3.8-Max และ Mercury 3 คือสองขั้วของข้อถกเถียงเรื่องราคาที่การเปรียบเทียบโมเดลส่วนใหญ่เข้าใจกลับด้าน บนตารางราคา Mercury 3 มีต้นทุน $0.10 ต่อล้านโทเค็นอินพุต และ $0.35 ต่อล้านโทเค็นเอาต์พุตในช่วงเปิดตัว เทียบกับ $2.00 และ $6.00 สำหรับ Qwen3.8-Max ซึ่งดูเหมือนเป็นส่วนลดสิบเจ็ดเท่าสำหรับการสร้างข้อความ จากนั้น Artificial Analysis วัดว่าแต่ละโมเดลใช้จ่ายจริงเท่าใดเพื่อทำงานหนึ่งให้เสร็จ และ Qwen3.8-Max อยู่ที่ $5.41 ต่อการประเมิน Intelligence Index หนึ่งครั้ง ทั้งที่ราคาต่อโทเค็นอยู่ในระดับปานกลาง — เพราะมันสร้าง 190M โทเค็นเพื่อไปถึงจุดนั้น เทียบกับค่ามัธยฐานที่ 85M Mercury 3 ซึ่งเปิดตัวโดย Inception Labs เมื่อวันที่ 19 ตุลาคม 2026 ไม่มีการวัดที่เทียบเท่ากันเลย ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ถูกบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มาของตัวเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะการโต้แย้ง

ดังนั้นคำถามที่มีประโยชน์จึงไม่ใช่รุ่นไหนถูกกว่าต่อโทเค็น แต่คือรุ่นไหนถูกกว่าต่อหนึ่งงานที่ทำเสร็จ และหน้าประกาศเปิดตัวของผู้ขายทั้งสองรายไม่ได้ตอบคำถามนี้ นี่คือสิ่งที่หลักฐานสนับสนุนได้จริง และสิ่งที่คุณต้องวัดด้วยตัวเอง

Qwen3.8-Max คืออะไร ในเวอร์ชันที่คุณจะเรียกใช้จริง

Qwen3.8-Max เป็นเรือธงของ A​libaba: โมเดล sparse mixture-of-experts ที่มีพารามิเตอร์รวม 2.4 ล้านล้านตัว และเปิดใช้งาน 95 พันล้านตัวต่อโทเคน รองรับมัลติโมดัลแบบเนทีฟ — รับข้อความ รูปภาพ และวิดีโอเข้า ส่งออกเป็นข้อความ — พร้อมบริบท 1M โทเคนบน API แบบโฮสต์ และเพดานเอาต์พุต 131,072 โทเคน เปิดให้ใช้งานทั่วไปตั้งแต่ 3 สิงหาคม 2026 และบันทึกที่เป็นอิสระก็ไม่ใช่เรื่องบางเบาอีกต่อไป

• ดัชนี Intelligence Index — 45 คะแนนบน Artificial Analysis Index v4.3.2 อยู่อันดับที่ 33 จาก 217 โมเดลในสแนปช็อตปัจจุบันของหน้านี้

• ความเร็วในการส่งออก — 39.6 โทเค็นต่อวินาที จัดอยู่ในอันดับที่ 183 จาก 186 สรุปของหน้าเพจเองระบุว่า "ช้าอย่างเห็นได้ชัด"

• ค่าใช้จ่ายต่องานจัดทำดัชนี — $5.41 ซึ่งอยู่ในควอไทล์ที่มีค่าใช้จ่ายสูงที่สุดของโมเดลที่ระบุไว้

• ความละเอียดเกินจำเป็น — 190M โทเค็นเอาต์พุตตลอดการรันดัชนี ซึ่งถูกอธิบายว่า "ละเอียดเกินจำเป็นมาก" เมื่อเทียบกับค่ามัธยฐานที่ 85M

• บริบท — วัดได้ที่ 984k บนเอนด์พอยต์ ซึ่งเป็นเพดานในทางปฏิบัติของตัวเลขหนึ่งล้านที่โฆษณาไว้ มิใช่ข้อกำหนดที่แตกต่างออกไป

ส่วนผสมนั้นมีความสอดคล้องภายในและควรพูดให้ชัดเจนว่า Qwen3.8-Max เป็นโมเดลที่ใช้เหตุผลเก่ง แต่ช้าและช่างพูด มันเก่งในสิ่งที่ถูกตั้งราคาให้ทำ และแพงที่ส่วนเพิ่มเพราะต้องใช้หลายขั้นตอนในการทำสิ่งนั้น $5.41 ต่องานไม่ใช่ข้อผิดพลาดด้านราคา แต่เป็นพฤติกรรมของโมเดลที่ปรากฏออกมาบนใบเรียกเก็บเงิน

หมายเหตุเกี่ยวกับเวอร์ชัน เพราะเรื่องนี้จะย้อนกลับมาสร้างปัญหาให้ใครก็ตามที่นำหน้าเว็บไปเปรียบเทียบกัน การวัดผลแบบอิสระข้างต้นอ้างอิงกับสแนปช็อตวันที่ 2 กันยายน ซึ่งระบุเป็น "Qwen3.8 Max (0902)" Alibaba ยังให้บริการ endpoint qwen/qwen3.8-max แบบไม่มีวันที่ ในราคา $2/$6 เท่ากัน พร้อมอัตราค่าอินพุตแบบแคชที่ $0.25; ทั้งสองรายการ resolve ได้ในแคตตาล็อกของเรา และการปักหมุดสแนปช็อตที่มีวันที่ถือเป็นสิ่งที่ถูกต้องสำหรับทุกอย่างที่คุณตั้งใจจะทำให้ทำซ้ำได้

สิ่งที่ Mercury 3 มอบให้คุณ และสิ่งที่มันเก็บงำไว้

โมเดลของ Inception เป็นโมเดลภาษาแบบดิฟฟิวชันที่สร้างโทเค็นแบบขนาน และตัวเลขทุกตัวในโพสต์เปิดตัวล้วนเกี่ยวกับความเร็ว ขนาด หรือราคา มากกว่าคุณภาพ

• อัตราการประมวลผล — 1,068 โทเค็นต่อวินาที โดยระบุว่าเป็นผลจาก "NVIDIA GPUs" ทั้งที่ไม่ได้ระบุฮาร์ดแวร์ ไม่ระบุขนาดแบตช์ และไม่ระบุว่าการตั้งค่าระดับความพยายามในการใช้เหตุผลค่าใดในสี่ค่าเป็นผู้ให้ผลลัพธ์นี้

• บริบท — 1M โทเคน เพิ่มขึ้นจาก 260K ใน Mercury 2.5 โดยมีเพดานเอาต์พุต 131,072 โทเคน

• ราคา — อินพุต $0.20 และเอาต์พุต $0.70 ต่อล้านโทเค็นในราคาตามรายการ ลดครึ่งหนึ่งเหลือ $0.10 และ $0.35 ในช่วงเปิดตัว อินพุตแบบแคชมีราคา $0.02 ตามรายการ และ $0.01 ในช่วงเปิดตัว

• ระดับความพยายาม — มีสี่ระดับ: ทันที ต่ำ ปานกลาง สูง ค่าเริ่มต้นคือ ต่ำ โดยที่ Mercury 2.5 และ Mercury 2 มีค่าเริ่มต้นเป็นปานกลาง

• รูปแบบข้อมูล — ข้อความเข้า ข้อความออก ไม่มีภาพ ไม่มีเสียง

• คุณภาพ — ไม่มีเกณฑ์มาตรฐานเชิงตัวเลข ข้อกล่าวอ้างคือมัน "มีประสิทธิภาพเหนือกว่า GPT-6 Luna และ Claude Haiku 5.5" โดยไม่มีส่วนต่างและไม่ได้ระบุชื่อเกณฑ์มาตรฐาน ผลลัพธ์เชิงโครงสร้างเพียงอย่างเดียวคืออัตราการทำสำเร็จ 50% ในงานนำทาง Mind2Web แบบสดจำนวน 50 งาน ภายใต้ฮาร์เนสของ Inception เอง

การตั้งค่าระดับความพยายามเริ่มต้นนั้นเป็นรายละเอียดที่อาจทำให้การเปรียบเทียบเสียหายได้มากที่สุด โมเดลที่ตอบด้วยระดับความพยายามต่ำจะเร็วขึ้นและได้คะแนนต่ำกว่าโมเดลเดียวกันที่ระดับสูง และการเปรียบเทียบของ Inception เองก็ไม่ได้ระบุว่าใช้การตั้งค่าใด หากคุณวัดประสิทธิภาพ Mercury 3 โดยไม่กำหนดพารามิเตอร์นี้ให้ตายตัว ตัวเลขของคุณจะเทียบกับของคนอื่นไม่ได้ — รวมถึงของ Inception ด้วย

การทดสอบที่หนึ่ง: ต้นทุนต่องานที่เสร็จสมบูรณ์ ไม่ใช่ต่อโทเค็น

ลองดูเอเจนต์คัดแยกงานซัพพอร์ตที่ประมวลผลโทเค็นอินพุต 2 ล้านโทเค็นและโทเค็นเอาต์พุต 300,000 โทเค็นต่อวัน บน Mercury 3 ในราคาตามรายการ คิดเป็นอินพุต $0.40 และเอาต์พุต $0.21 หรือ $0.61 ต่อวัน บน Qwen3.8-Max ที่ $2/$6 คิดเป็น $4.00 และ $1.80 หรือ $5.80 ต่อวัน ช่องว่างราวสิบเท่า และที่อัตราเปิดตัว ฝั่ง Mercury ลดลงเหลือประมาณ $0.31

Now the correction that matters. Those figures assume one pass per task. Qwen3.8-Max's measured 64 steps per GDPval-AA task, against 14 for its predecessor, is the exact mechanism that turns a $6 output rate into $5.41 per evaluation. If Mercury 3 needs two attempts where Q​wen needs one, Mercury's effective cost doubles and some of the gap closes. If Mercury needs four attempts, most of it does. The cost comparison is therefore downstream of a completion-rate question that nobody has measured, which is why the token-rate table is the least useful thing on either vendor's page.

For the input side there is a lever worth knowing about. Qwen3.8-Max charges $0.25 per million cached input tokens; Mercury 3 charges $0.02, or $0.01 during launch. Agents resend the same system prompt and tool definitions on every step, so a 20,000-token preamble costs $0.0004 per call at Mercury's cached rate against $0.005 at Q​wen's. On a fifty-step run that is two cents versus twenty-five. Neither model's headline price reflects that, and for agent workloads it is the number that decides the budget.

การทดสอบที่สอง: โมเดลที่ช้ามีต้นทุนเท่าไรเมื่อมีคนกำลังรออยู่

ความเร็วคือจุดที่สองโมเดลนี้ไม่ได้อยู่ในระดับเดียวกันเลย และควรอธิบายให้ชัดเจนว่าการวัดแต่ละแบบหมายถึงอะไร

ตัวเลข 1,068 โทเคนต่อวินาทีของ Mercury เป็นตัวเลขจากผู้ขายที่ยังไม่มีการจำลองผลซ้ำโดยอิสระ สิ่งที่เรามีจาก Artificial Analysis คือรุ่นก่อนหน้า: Mercury 2.5 วัดได้ประมาณ 706 โทเคนต่อวินาทีภายใต้ฮาร์เนสของตนเอง ซึ่งต่ำกว่าตัวเลขจากผู้ขายที่มาพร้อมกับการเปิดตัวครั้งนั้น ช่องว่างนี้คือส่วนลดปกติระหว่างตัวเลขผู้ขายกับผลตรวจสอบอิสระในหมวดนี้ ไม่ใช่หลักฐานของเจตนาไม่สุจริต — แต่เป็นส่วนลดที่ควรนำไปปรับใช้ในใจกับ 1,068 จนกว่าจะมีใครจำลองผลซ้ำได้

{{1}}Qwen3.8-Max{{/1}} มีอัตรา 39.6 โทเคนต่อวินาที ซึ่งวัดอย่างเป็นอิสระและมีอันดับกำกับ: {{2}}อันดับที่ 183 จาก 186{{/2}} ด้วยอัตรานี้ คำตอบ 1,500 โทเคนจะใช้เวลาประมาณ 38 วินาทีเฉพาะการสร้าง ก่อนจะถึงขั้นตอน prefill สำหรับเอเจนต์เบื้องหลังที่รายงานกลับมา นั่นถือว่าโอเค แต่สำหรับกรณีใดก็ตามที่มีมนุษย์คอยจ้องดูเคอร์เซอร์ มันเป็นข้อตัดสิทธิ์ในตัวเอง ไม่ว่าคุณภาพจะดีแค่ไหน

นั่นคือเส้นแบ่งสำคัญที่การเปรียบเทียบนี้ตั้งอยู่จริง ๆ ความเร็วของ Mercury 3 ยังไม่ได้รับการยืนยันแต่มีความเป็นไปได้เมื่อพิจารณาจากสถาปัตยกรรม และราคาของมันต่ำจริง ๆ ความเร็วของ Qwen3.8-Max ได้รับการยืนยันแล้วและอยู่ในระดับต่ำ และราคาของมันสูงจริง ๆ ข้อเท็จจริงทั้งสองข้อนั้นไม่ได้บอกคุณว่าโมเดลไหนเขียนคำตอบได้ดีกว่า และสำหรับทีมส่วนใหญ่ คำถามเรื่องคุณภาพของคำตอบคือสิ่งที่พวกเขายังตัดสินไม่ได้

การทดสอบที่สาม: มอบงานที่แต่ละโมเดลถูกออกแบบมาให้ทำ

โมเดลทั้งสองผิดพลาดคนละทิศละทาง ซึ่งทำให้การประเมินแบบเทียบเคียงกันให้ข้อมูลที่เป็นประโยชน์มากกว่าการจัดอันดับเพียงอย่างเดียว

Give Qwen3.8-Max the long, multimodal, high-stakes end. A 400-page filing, a screen recording of a broken checkout flow, a chart that has to be read correctly. It is the only one of the two that can accept the input at all, and it has an independent score to set expectations against. Budget for the verbosity: with reasoning on, output tokens are billed at $6 per million and there will be more of them than you expect. The instruction-following gap is the thing to test first — Q​wen's own published table put IFBench as its weakest number, and the independent cost-per-task figure is a direct consequence of it exceeding scope.

มอบงานปลายทางที่สั้น ใช้ข้อความล้วน และไวต่อ latency ให้ Mercury 3 ซึ่งเป็นงานที่คำตอบผิดตรวจพบได้ง่าย การเติมข้อความอัตโนมัติ การเขียนคำค้นใหม่ การจำแนกประเภทในรอบแรก คำใบ้ในขั้นตอนการสอน กำหนดค่าความพยายามให้ตายตัว ตั้งงบประมาณการลองใหม่ มองทุกข้ออ้างเรื่องคุณภาพเป็นสมมติฐาน เพราะตอนนี้มันเป็นเพียงเท่านั้น

และอย่าให้งานใดงานหนึ่งแก่โมเดลตัวใดตัวหนึ่งโดยที่งานนั้นต้องพึ่งจุดแข็งของอีกตัว Qwen3.8-Max ไม่สามารถทำให้เร็วขึ้นได้เพียงด้วยการขออย่างสุภาพ Mercury 3 อ่านหน้า PDF ไม่ได้ การเลือกระหว่างสองตัวนี้จากอันดับโดยรวมบน benchmark คือการเลือกตัวแปรผิด

ตำแหน่งที่ OrcaRouter อยู่ในเรื่องนี้ ซึ่งอยู่เพียงด้านเดียวเท่านั้น

Qwen3.8-Maxมีอยู่ในแคตตาล็อกของเราในชื่อ qwen/qwen3.8-max โดยมีราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% และส่งผ่านต้นทุนนี้ให้คุณ — ดังนั้นหาก A​libaba ปรับเปลี่ยนอัตรา การเปลี่ยนแปลงจะมีผลที่นี่ในวันเดียวกัน แทนที่จะรอถึงรอบบิลถัดไป โมเดลนี้อยู่เบื้องหลัง endpoint ที่เข้ากันได้กับ OpenAI เดียวกับทุกอย่างที่เราให้บริการ ซึ่งหมายความว่าการประเมินคือการเปลี่ยนสตริงโมเดล และการทดลองในโปรดักชันคือเปอร์เซ็นต์ทราฟฟิก ไม่ใช่การย้ายระบบ

Mercury 3 is not on our catalogue. Our model API returns nothing for any Inception model, so the route to it is Inception's own platform, which hands new accounts 100 million free tokens. We route the Q​wen side and we do not route the Mercury side, and the asymmetry in how you reach each one follows from that rather than from a preference.

ประโยชน์ใช้สอยจริงของเลเยอร์การกำหนดเส้นทางคือการประเมินผลสามารถทำแบบปกปิดและต้นทุนต่ำ ส่งทราฟฟิกส่วนหนึ่งไปยัง qwen/qwen3.8-max คงผู้ให้บริการรายเดิมไว้บนอีกส่วนหนึ่ง และเปรียบเทียบต้นทุนต่องานที่เสร็จสมบูรณ์แทนต้นทุนต่อโทเค็น — ซึ่งตามตัวเลขข้างต้นแล้ว ทั้งสองไม่ใช่การวัดเดียวกันและอาจชี้ไปในทิศทางตรงกันข้าม การสลับสำรองอัตโนมัติข้ามผู้ให้บริการหมายความว่าสัปดาห์ที่แย่ของปลายทางหนึ่งจะกลายเป็นการตัดสินใจด้านการกำหนดเส้นทางแทนที่จะเป็นเหตุการณ์ และDSL สำหรับการกำหนดเส้นทางช่วยให้คุณกำหนดการแบ่งสัดส่วนเป็นกฎได้ ดังนั้นการปิดการทดลองจึงเป็นการเปลี่ยนแปลงการกำหนดค่า

อะไรจะช่วยให้เรื่องนี้ยุติลง และระหว่างนี้ควรทำอย่างไร

การวัดสามอย่างจะยุติข้อโต้แย้งนี้ได้ หน้า Artificial Analysis สำหรับ Mercury 3 ซึ่งจะวางทั้งสองโมเดลบนฮาร์เนสเดียวกันและแทนที่ประโยคจากผู้ขายด้วยตัวเลข อัตราการทำงานเสร็จสิ้นที่เผยแพร่แล้วของ Mercury 3 บนเบนช์มาร์กด้านการเขียนโค้ดหรือเอเจนต์ ซึ่งจะแปลงส่วนลดโทเค็นให้เป็นต้นทุนต่อหนึ่งงาน และการวัดความหน่วงของ Qwen3.8-Max ภายใต้ภาวะทำงานพร้อมกันของคุณเอง เพราะ 39.6 โทเค็นต่อวินาทีเป็นตัวเลขดัชนี ไม่ใช่การรับประกันด้านการให้บริการ และโมเดลที่เพียงแค่ช้าในเบนช์มาร์กอาจใช้งานไม่ได้ภายใต้โหลด

จนกว่าสิ่งเหล่านั้นจะมีอยู่ จุดยืนที่ป้องกันได้ก็แคบกว่าที่โพสต์เปิดตัวทั้งสองบอกเป็นนัยไว้ Qwen3.8-Max เป็นโมเดลที่ผ่านการวัดผลแล้ว เป็นมัลติโมดัล ช้า และแพง ซึ่งคุณสามารถตั้งราคาได้อย่างมั่นใจและจะไม่ทำให้คุณประหลาดใจในเรื่องรูปแบบอินพุต Mercury 3 เป็นโมเดลราคาถูก เร็ว และรองรับข้อความเท่านั้น ซึ่งคุณภาพยังไม่เป็นที่ทราบและตัวเลขความเร็วก็ยังไม่มีใครพิสูจน์ซ้ำได้ ซื้อ Qwen3.8-Max สำหรับงานที่คุณจะไม่ตรวจอ่านก่อนส่งมอบ ลอง Mercury 3 กับงานที่มีคนกำลังรออยู่และการลองใหม่นั้นฟรี — และล็อกการตั้งค่า effort ไว้ ไม่อย่างนั้นคุณจะกำลังเปรียบเทียบการรันแบบ low-effort ของคุณกับของคนอื่นที่เป็น high