Mercury 3 so với Muse Wonder: Ba mươi hai giây để có token đầu tiên

Có một con số đo được trong phép so sánh này đáng lẽ phải chấm dứt cuộc tranh luận trước khi nó kịp bắt đầu. Artificial Analysis ghi nhận thời gian đến token đầu tiên của Muse Wonder là 32,08 giây. Mercury 3 tuyên bố đạt 1.068 token đầu ra mỗi giây mà hoàn toàn không có đo lường độc lập nào. Một mô hình mất nửa phút để bắt đầu trả lời; mô hình kia nói rằng nó viết được một nghìn từ trong khoảng thời gian đọc xong câu này. Về độ trễ, chúng không thuộc cùng một loại sản phẩm, và không mức độ vượt trội nào trên benchmark có thể khỏa lấp khoảng cách gấp ba mươi lần về thời điểm ký tự đầu tiên xuất hiện. Các thất bại AI và sự cố agent đã được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, hạng độ tin cậy và cờ tranh chấp.

Nhưng đó là phiên bản dễ dãi của câu chuyện, và nó gây hiểu lầm ở một khía cạnh quan trọng. Muse Wonder không cố gắng trở nên nhanh. Meta phát hành Muse Wonder vào ngày 12 tháng 10 năm 2026 như một mô hình suy luận tiên phong có giá $4.00 cho mỗi triệu token đầu vào và $20.00 cho mỗi triệu token đầu ra, và ở mức giá đó, thứ được mua là chiều sâu — một mô hình suy nghĩ trong ba mươi giây và giải đúng bài toán khó. Mercury 3, do Inception phát hành vào ngày 19 tháng 10 năm 2026, có giá thấp hơn từ hai mươi đến năm mươi lần vì nó bán sự đánh đổi ngược lại. Câu hỏi mà một người làm sản phẩm thực sự phải đối mặt không phải là cái nào tốt hơn. Mà là sản phẩm của bạn đang thực hiện sự đánh đổi nào, và liệu bạn đã trung thực với chính mình về việc đó là sự đánh đổi nào chưa.

Hai mô hình, mỗi mô hình trong một đoạn văn.

Mercury 3 là một mô hình ngôn ngữ khuếch tán — thuật ngữ của Inception là dLLM — tạo token song song thay vì lần lượt từng token. Mô hình có ngữ cảnh 1 triệu token, đầu ra tối đa 131.072 token, đầu vào chỉ văn bản, gọi công cụ và đầu ra có cấu trúc trên endpoint tương thích OpenAI, cùng bốn cài đặt mức nỗ lực suy luận (instant, low, medium, high), trong đó mặc định là low. Giá niêm yết là 0,20 USD mỗi triệu token đầu vào và 0,70 USD mỗi triệu token đầu ra, hiện được giảm một nửa còn 0,10 USD và 0,35 USD “khi ra mắt” mà không công bố ngày kết thúc. Tuyên bố chất lượng của Inception mang tính so sánh và chưa có điểm số: hãng nói rằng mô hình ngang bằng hoặc tốt hơn “các mô hình tối ưu tốc độ tiên phong như GPT-6 Luna và Claude Haiku 5.5”, và báo cáo một kết quả nhiệm vụ từ harness tác nhân của chính mình — hoàn thành 50% trên 50 nhiệm vụ Mind2Web trực tiếp.

Muse Wonder là mô hình suy luận tiên tiến của Meta, được phát hành dưới dạng hai checkpoint: muse-wonder-1.0, có thể gọi trên Meta Model API và trong Muse Code, và muse-wonder-full-1.0, một cấu hình đạt điểm cao hơn mà Meta cho biết chỉ dành cho người đăng ký Muse Code. Cả hai đều có ngữ cảnh 1M token và cùng bảng giá $4.00/$20.00, với mức giảm giá bộ nhớ đệm 95%. Suy luận là bắt buộc — thang mức nỗ lực chạy từ tối thiểu đến tối đa, mặc định là trung bình, và token suy luận được tính phí như đầu ra. Đầu vào là văn bản, hình ảnh, giọng nói và video; đầu ra là văn bản.

Mỗi thứ thực sự tốn bao nhiêu ở cấp độ yêu cầu

Giá trên mỗi token là con số ít hữu ích nhất trong kiểu so sánh như thế này, vì hai mô hình tiêu thụ lượng token rất khác nhau để làm cùng một việc. Một mô hình suy luận mặc định ở mức nỗ lực trung bình và đã dùng 130 triệu token đầu ra để hoàn thành một lượt đánh giá không được định giá giống như một mô hình được tối ưu cho câu trả lời ngắn, ngay cả trước khi áp dụng bảng giá. Vậy hãy định giá cùng một công việc theo cả hai cách.

Hãy lấy một trợ lý rà soát tài liệu: đầu vào là 20.000 token văn bản hợp đồng, đầu ra là bản tóm tắt có cấu trúc và danh sách rủi ro 500 token, 2.000 lượt rà soát mỗi ngày.

• Mercury 3 theo giá niêm yết — 40 triệu token đầu vào ở mức $0.20 là $8.00; 1 triệu token đầu ra ở mức $0.70 là $0.70. Khoảng $8.70 một ngày.

• Mercury 3 ở mức giá ra mắt — bằng một nửa mức đó, khoảng $4.35 một ngày.

• Muse Wonder — 40 triệu đầu vào với $4.00 là $160; 1 triệu đầu ra với $20.00 là $20. Cộng thêm token suy luận, được tính như đầu ra và Meta không cho phép bạn tắt. Ở mức thận trọng 1,000 token suy luận mỗi lần gọi, dòng đầu ra trở thành 3 triệu token, tức $60, tổng cộng mỗi ngày là $220.

Đó là khoảng cách gấp hai mươi lăm lần trên cùng một lưu lượng, và đây là phiên bản có phần thuận lợi cho Muse Wonder, vì các mô hình suy luận thường tiêu tốn nhiều hơn một nghìn token suy nghĩ cho một tác vụ đòi hỏi sự cẩn trọng. Thiết lập nỗ lực là đòn bẩy duy nhất, và nó là đòn bẩy tác động đồng thời lên cả chi phí lẫn chất lượng — bạn không thể giảm mức suy nghĩ mà không làm giảm chất lượng câu trả lời.

Đây là phần khiến việc so sánh không chỉ còn là số học. Mercury 3 không công bố số lượng token đầu ra cho bất kỳ đánh giá nào, nên không ai biết liệu nó ngắn gọn hay dài dòng so với một tác vụ cơ sở. Nếu hóa ra đây là một mô hình nói nhiều, chi phí hằng ngày sẽ thay đổi theo bội số, chứ không phải theo phần trăm. Khoảng cách gấp hai mươi lăm lần có thể là gấp mười lăm lần hoặc gấp bốn mươi lần trong môi trường sản xuất, và không có bằng chứng nào được công bố cho cả hai khả năng.

Tuyên bố về thông lượng, và con số làm suy yếu nó

Tiêu đề của Inception là 1,068 token mỗi giây trên GPU NVIDIA, được mô tả là nhanh hơn 4 đến 8 lần so với các mô hình mà nó so sánh. Công ty không nêu rõ phần cứng, kích thước lô, thiết lập effort hay liệu con số đó là một luồng hay tổng hợp, và bốn lựa chọn này có thể làm con số thay đổi gấp nhiều lần. Tính đến ngày 20 tháng 10 năm 2026, chưa có phép đo độc lập nào cho Mercury 3 — Artificial Analysis vẫn liệt kê Mercury 2.5 và Mercury 2 và không có trang Mercury 3.

Thông tin đo lường độc lập nào hiện có cho thế hệ trước cũng mang tính gợi mở. Artificial Analysis xếp Mercury 2.5 ở mức khoảng 706 token mỗi giây theo khung đo riêng của họ. Đó là một con số thực tế, có thể tái lập từ bên thứ ba, và thấp hơn đáng kể so với các con số nhà cung cấp công bố tại thời điểm ra mắt đó. Khoảng cách ấy là mức chiết khấu thông thường giữa số liệu nhà cung cấp và số liệu độc lập trong lĩnh vực này, chứ không phải bằng chứng cho thấy thiếu thiện chí — nhưng đó là mức chiết khấu cần áp dụng trong đầu cho 1.068 cho đến khi có ai đó tái lập được.

Muse Wonder, trong khi đó, có tốc độ đầu ra đo được là 161 token mỗi giây và thời gian đến token đầu tiên đo được là 32,08 giây. Cả hai con số đều là mô hình của Meta đang vận hành đúng như thiết kế: token đầu tiên xuất hiện sau một lượt suy nghĩ dài, và phần còn lại của câu trả lời được truyền phát với tốc độ trung bình. Đối với một công việc theo lô thì điều đó không quan trọng. Đối với bất cứ thứ gì có con người đang chờ đợi, đó chính là toàn bộ trải nghiệm.

Khoảng cách chất lượng đo được lại đi theo hướng ngược lại. Muse Wonder đạt 52 điểm trên Chỉ số Trí tuệ Artificial Analysis, xếp thứ chín trong 217 mô hình, với chi phí tính toán 4,52 USD cho mỗi tác vụ chỉ số. Mercury 3 không có điểm chỉ số. Muse Wonder Full đạt 56 điểm và xếp thứ tư trong 696 mô hình, không có giá công bố vì Meta không bán mô hình này theo token. Vậy cách diễn đạt trung thực là: một mô hình tiên phong với trần năng lực đo được và vấn đề độ trễ đo được, đối lại một mô hình tiết kiệm với lợi thế độ trễ được tuyên bố và hoàn toàn không có trần năng lực đo được.

Suy luận là một quyết định về sản phẩm, không phải một cài đặt.

Sự khác biệt sâu sắc nhất giữa các mô hình này không phải là giá cả hay tốc độ. Mà là liệu mô hình có được phép suy nghĩ trong thời gian ngắn hay không.

Mercury 3 mặc định ở mức nỗ lực thấp khi tham số suy luận bị bỏ qua, và bốn cài đặt chạy từ tức thời đến cao. Mặc định đó là chi tiết dễ bị bỏ sót nhất và cũng dễ làm sai lệch mọi so sánh nhất: một mô hình trả lời ở mức nỗ lực thấp sẽ trông nhanh hơn và đạt điểm thấp hơn so với chính mô hình đó ở mức cao, và các tuyên bố so sánh của chính Inception không nêu rõ cài đặt nào đã tạo ra chúng. Nếu bạn tự đánh giá hiệu năng Mercury 3, hãy ghim rõ mức nỗ lực, nếu không các con số của bạn sẽ không thể so sánh với bất kỳ ai khác — kể cả của Inception.

Muse Wonder thì ngược lại về mặt thiết kế. Suy luận là bắt buộc, mức mặc định là trung bình, và không có công tắc để tắt. Đó là lựa chọn thiết kế có chủ đích cho một mô hình hướng tới công việc chuyên nghiệp và agentic: cách Meta diễn đạt là suy nghĩ chính là sản phẩm. Điều đó cũng có nghĩa là mô hình không có đường rẻ. Mỗi lần gọi đều phải trả thuế suy luận, và với $20 mỗi triệu token đầu ra, một vòng lặp agentic dài lấp đầy ngân sách đầu ra 943.718 token là một hóa đơn nghiêm túc.

Đối với một người xây dựng, hệ quả thực tế là hai mô hình này không thể được hoán đổi phía sau một mẫu lời nhắc duy nhất và được so sánh một cách công bằng. Làm tốt cùng một nhiệm vụ trên Mercury 3 đồng nghĩa với việc chọn một mức độ nỗ lực; làm điều đó trên Muse Wonder đồng nghĩa với việc chấp nhận thời gian suy nghĩ. Việc so sánh chỉ trở nên có ý nghĩa khi cả hai được cố định ở cùng một hành vi hiệu quả, và với Mercury 3 thì hành vi đó không được ghi trong tài liệu.

Về bảng điểm của chính Meta, và lý do nó không phải là kết luận cuối cùng

Meta đã công bố bảng điểm chuẩn tại buổi ra mắt, bao quát cả hai checkpoint cùng với Claude Fable 5.1, GPT-6 Astra và Claude Opus 5.5 ở mức suy luận tối đa. Mọi con số đều do nhà cung cấp báo cáo, được tạo ra trong harness của Meta, và chưa có con số nào được tái lập độc lập. Dù vậy, vẫn có hai hàng đáng đưa vào so sánh này, vì chúng cho thấy mô hình đang làm đúng điều nó được quảng cáo để làm.

• JobBench, các tác vụ chuyên môn dài hạn — 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 6.4, GPT-6 Astra 8.6, Claude Opus 5.5 4.2

• OSWorld V2.1, sử dụng máy tính — 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

Khi Meta và đơn vị đánh giá độc lập không đồng thuận, con số độc lập là con số nên dùng để lập kế hoạch. Bảng của Meta liệt kê Muse Wonder Full ở 59,0 trên Chỉ số Artificial Analysis; bản thân Artificial Analysis công bố 56. Chênh ba điểm trên cùng một chỉ số không phải là bê bối, nhưng nó xác lập con số nào có phương pháp luận đằng sau.

Mercury 3 không có bảng tương đương nào để tranh luận. Kết quả chất lượng có cấu trúc duy nhất của nó là bài kiểm tra tác nhân Mind2Web: 50 tác vụ điều hướng trực tiếp trong harness sản xuất của chính Inception, 50% hoàn thành, "nhiều hơn đáng kể so với GPT-6.1-Sol", dùng cùng lượng token và cùng số bước tác nhân, và do đó chỉ tốn một phần nhỏ chi phí trên mỗi token. Năm mươi tác vụ là một mẫu nhỏ, harness là của Inception, và mô hình so sánh được nêu tên mà không có điểm số. Đó là một tín hiệu thực sự cho thấy mô hình có thể điều khiển trình duyệt với chi phí chỉ bằng một phần nhỏ so với một mô hình tiên phong làm cùng việc. Đây không phải là một benchmark.

Bạn thực sự nên đánh giá cái nào trong hai lựa chọn này?

Quyết định thường xoay quanh một câu hỏi: liệu có một con người đang chờ đợi kết quả này, hay một hàng đợi sẽ tiêu thụ nó?

Nếu phải chờ con người, Muse Wonder gần như bị loại bởi chính các phép đo của nó. Ba mươi hai giây để có token đầu tiên không phải độ trễ bạn có thể đặt trước mặt khách hàng, và không ai chọn nó cho một bề mặt trò chuyện. Mercury 3 được xây dựng chính cho trường hợp này, và mức giá của nó khiến thử nghiệm trở nên rẻ. Ngay cả khi thông lượng chỉ đạt một nửa so với tuyên bố dưới một harness trung lập, nó vẫn nhanh hơn vài lần so với bất cứ thứ gì trong phân khúc tiên phong.

Nếu một hàng đợi tiêu thụ nó — xử lý tài liệu qua đêm, các phiên chạy agentic tạo ra báo cáo, quy trình back-office không ai theo dõi — thì token đầu tiên mất 32 giây không còn quan trọng nữa, và khoảng cách chất lượng đo được bắt đầu có ý nghĩa. Muse Wonder đạt 52 trên chỉ số, với hồ sơ độc lập đầy đủ, là một yếu tố đã rõ. Mercury 3 với điểm chỉ số chưa biết, trên một khối lượng công việc mà câu trả lời sai vừa tốn kém vừa không được giám sát, là một canh bạc.

Ba trường hợp nằm ngoài cả hai:

• Video, hình ảnh hoặc âm thanh trong lời nhắc — Muse Wonder nhận cả ba, Mercury 3 không nhận loại nào. Không cần phải đánh đổi gì.

• Bất cứ thứ gì yêu cầu checkpoint đạt điểm cao nhất — Muse Wonder Full không phải là sản phẩm API. Đây là gói đăng ký Muse Code hàng tháng từ 50 đến 200 đô la, và Meta chưa nói rằng họ sẽ mở nó.

Bất kỳ trường hợp nào bạn cần lập kế hoạch dựa trên một mức giá ổn định — ưu đãi ra mắt của Mercury 3 không có ngày kết thúc, và các phiên bản tiền nhiệm của nó đang bị ngừng cung cấp cho người dùng mới. Mức $4/$20 của Muse Wonder không có thay đổi nào được công bố.

OrcaRouter làm gì và không làm gì ở đây

Cả Muse Wonder lẫn Mercury 3 đều không có trong danh mục của chúng tôi. Việc kiểm tra API mô hình của chúng tôi không trả về gì cho meta/muse-wonder và cũng không có gì cho bất kỳ mô hình Inception nào, và chúng tôi sẽ không mô tả một tuyến mà chúng tôi không có. Những gì chúng tôi cung cấp từ phòng thí nghiệm của Meta là dòng Muse Spark — Muse Spark 1.2 và Muse Spark 1.1, cả hai đều có ngữ cảnh 1M token với giá $1.25 cho đầu vào và $4.25 cho đầu ra trên mỗi triệu token.

Điều đó quan trọng hơn nghe có vẻ đối với sự đối đầu cụ thể này. Lý do để chạy Muse Wonder là độ sâu, và lý do để chạy Mercury 3 là tốc độ. Cả hai điều đó đều có thể được kiểm chứng với một mô hình mà bạn đã có thể gọi: Muse Spark 1.2 mang đến cho bạn một họ mô hình lập luận của Meta với bảng giá được công bố ở phía chúng tôi, và hơn 200 mô hình có thể truy cập qua một khóa tương thích OpenAI mang đến cho bạn khả năng so sánh độ trễ mà không cần hợp đồng thứ hai. Nếu mức $4/$20 của Muse Wonder sẽ được biện minh cho khối lượng công việc của bạn, thì nó phải đánh bại một thứ gì đó — và thứ đó nên là một mô hình mà bạn có thể đo lường ngay chiều nay.

Lợi thế cơ học đáng nói tới là việc chuyển thẳng giá. Giá niêm yết của nhà cung cấp đi vào hóa đơn của bạn mà không thay đổi, vì vậy khi nhà cung cấp giảm giá — như ưu đãi ra mắt 50% của Inception hay một đợt giảm giá giả định từ Meta — thì thay đổi đó có hiệu lực ngay ở phía chúng tôi vào ngày được công bố, chứ không phải vào kỳ gia hạn tiếp theo. Đó là chuyện nhỏ, cho đến ngày nó không còn là chuyện nhỏ.

Điều gì sẽ giải quyết việc này?

Hai phép đo sẽ làm phần lớn công việc. Phép đo thứ nhất là một con số thông lượng Mercury 3 độc lập dưới một harness, mức nỗ lực và kích thước lô được nêu rõ; phép đo thứ hai là bất kỳ điểm chất lượng Mercury 3 độc lập nào. Cho đến khi cả hai tồn tại, mô hình nhanh nhất trong so sánh này cũng là mô hình bạn biết ít nhất, và mô hình có năng lực nhất là mô hình bạn chỉ có thể gọi bằng đăng ký hoặc với mức giá khó biện minh nếu không có một trường hợp sử dụng chấp nhận được nửa phút im lặng.

Điều khiến đây là một quyết định dễ chứ không phải khó là hai mô hình không cạnh tranh cho cùng một vị trí. Rủi ro thực sự duy nhất là chọn sai vị trí — triển khai một mô hình ba mươi giây vào cửa sổ chat vì điểm benchmark của nó tốt hơn, hoặc triển khai một mô hình chưa được đo lường vào một pipeline không được giám sát vì giá của nó tốt hơn. Cả hai đều là những quyết định về sản phẩm của bạn, không phải về các mô hình, và không cái nào được định đoạt bởi một con số trên bảng xếp hạng.