Mercury 3 vs Reflection Beam: Mô hình đóng nhanh nhất gặp mô hình mở nhanh nhất

Reflection Beam ra mắt với một con số có thể kiểm chứng, còn Mercury 3 ra mắt với một con số không thể kiểm chứng. Beam được Artificial Analysis chấm 335,1 token đầu ra mỗi giây, với thời gian đến token đầu tiên là 0,80 giây và Intelligence Index là 30 — nhanh thứ tư trong số 78 mô hình được đo, đứng thứ hai mươi trong số 121 về chất lượng. Mercury 3 tuyên bố đạt 1.068 token mỗi giây và không có bất kỳ điểm số độc lập nào, một ngày sau khi Inception phát hành nó vào ngày 19 tháng 10 năm 2026. Vậy nên cách công bằng để mở đầu so sánh này không phải là "mô hình nào nhanh hơn" mà là "điều gì xảy ra với khoảng cách khi bên chưa được đo được đo lường". Các sự cố AI và sự cố tác nhân đã được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Lý do cặp đôi này quan trọng vượt ra ngoài một bảng thông số kỹ thuật là cả hai mô hình đều đang bán cùng một thứ. Mercury 3 là mô hình ngôn ngữ khuếch tán tinh chỉnh các khối token song song; Reflection Beam là hỗn hợp chuyên gia thưa với tổng cộng 501 tỷ tham số và chỉ 23 tỷ tham số hoạt động mỗi token. Thủ thuật khác nhau, cùng một đặt cược: rằng chi phí suy luận, chứ không phải giới hạn trần năng lực, mới là nơi diễn ra cuộc chiến tiếp theo. Beam được công bố vào ngày 5 tháng 10 năm 2026 và trọng số của nó được phát hành theo Apache 2.0 vào ngày 16 tháng 10; Mercury 3 ra mắt chín ngày sau đó dưới dạng API đóng. Một trong hai mô hình bạn có thể tải về và tự đo lường. Mô hình còn lại bạn chỉ có thể gọi và đành tin tưởng.

Những gì mỗi bên thực sự đã đưa vào hồ sơ chính thức

Hồ sơ của Beam chi tiết đến mức có thể đem ra tranh luận. Chỉ số Intelligence Index là 30, xếp thứ hai mươi trong 121 mô hình và cao hơn mức trung vị 19 mà Artificial Analysis ghi nhận cho các mô hình trọng số mở tương đương. Đo được 335,1 token đầu ra mỗi giây và 0,80 giây đến token đầu tiên, cả hai đều so với mức trung vị của các mô hình cùng nhóm khoảng 77 token mỗi giây và 1,70 giây. Mức giá công bố là 0,70 USD cho mỗi triệu token đầu vào và 2,10 USD cho mỗi triệu token đầu ra, với mức chiết khấu bộ nhớ đệm 84%, tương đương 0,57 USD chi phí tính toán cho mỗi tác vụ trong chỉ số. Và một con số độ dài là 79 triệu token đầu ra để hoàn thành chỉ số, đứng thứ mười về độ gọn trong 47 mô hình được đánh giá, so với mức trung vị 140 triệu. Con số cuối cùng đó là tuyên bố về hiệu quả lần đầu tiên xuất hiện trong bộ khung đánh giá của người khác, và đây là con số thú vị nhất trong hồ sơ của cả hai mô hình.

Ngược lại, thành tích của Mercury 3 gồm ba tuyên bố và một thử nghiệm nhỏ. Các tuyên bố: 1.068 token mỗi giây trên GPU NVIDIA; nhiều hơn 40 lần số tham số của Mercury 1 với trí thông minh đo được tăng khoảng gấp ba; và chất lượng "ngang bằng hoặc tốt hơn các mô hình tối ưu tốc độ hàng đầu như GPT-6 Luna và Claude Haiku 5.5". Thử nghiệm: 50 tác vụ điều hướng Mind2Web trực tiếp trong khung tác nhân web của chính Inception, hoàn thành 50%, "nhiều hơn đáng kể so với GPT-6.1-Sol", với cùng lượng token và số bước, và do đó chỉ tốn một phần chi phí. Không có nội dung nào trong đó được tái lập độc lập, và Artificial Analysis hoàn toàn không có trang về Mercury 3.

Sự bất đối xứng đó không phải là lời chê bai kỹ thuật của Inception. Đó là một phát biểu về những gì bạn có thể quyết định ngay hôm nay. Với Beam, bạn có thể tính chi phí cho mỗi tác vụ đã hoàn thành, vì ai đó đã đo lường mức độ hoàn thành và độ rườm rà. Với Mercury 3, bạn chỉ có thể tính chi phí trên mỗi token và không gì khác.

Bảng thông số kỹ thuật, với nguồn được gắn vào từng dòng.

• Giá mỗi triệu — Mercury 3: $0.20 đầu vào và $0.70 đầu ra theo giá niêm yết, $0.10 và $0.35 trong thời gian ưu đãi ra mắt, so với Beam $0.70 đầu vào và $2.10 đầu ra

• Đầu vào được lưu trong bộ nhớ đệm — Mercury 3 $0,02 mỗi triệu theo giá niêm yết, so với Beam với mức chiết khấu 84% trên đơn giá đầu vào, tương đương khoảng $0,11 mỗi triệu

• Thông lượng — Mercury 3 đạt 1.068 token mỗi giây, theo công bố của nhà cung cấp, phần cứng không được nêu rõ, so với Beam đạt 335,1 token mỗi giây, được đo bởi Artificial Analysis

• Thời gian đến token đầu tiên — Mercury 3 không được công bố so với Beam 0,80 giây, được đo

• Chỉ số Trí tuệ — Mercury 3 không có mục nào tính đến ngày 20 tháng 10 năm 2026, so với Beam 30, xếp thứ 20 trong số 121

• Chi phí mỗi tác vụ lập chỉ mục — không thể tính Mercury 3 nếu không có điểm số, so với Beam $0.57

• Độ dài đầu ra trên chỉ số — Mercury 3 không được công bố, so với Beam 79 triệu token, xếp thứ 10 trong 47 về độ súc tích

• Cửa sổ ngữ cảnh — Mercury 3 1,000,000 token với đầu ra tối đa 131,072 so với Beam 1,048,576 token với đầu ra tối đa 131,072

• Tham số — Mercury 3 không được tiết lộ, chỉ được mô tả là hơn 40 lần Mercury 1 so với tổng 501B của Beam, 23B hoạt động trên mỗi token

• Phương thức đầu vào — cả hai đều chỉ là văn bản

• Kiểm soát suy luận — Mercury 3 có bốn cài đặt từ tức thời đến cao, mặc định ở mức thấp, so với Beam có mức nỗ lực suy luận bắt buộc với năm cấp độ, và tài liệu của Reflection mặc định ở mức tối đa

• Trọng số — Mercury 3 bản đóng so với Beam Apache 2.0, ở BF16, FP8 và bản dựng NVFP4 273 GiB

• Tự triển khai — Mercury 3 chỉ có dung lượng chuyên dụng dành cho doanh nghiệp, so với Beam, một triển khai tham chiếu gồm bốn GPU NVIDIA B300 trên NVLink, với hỗ trợ vLLM, SGLang, Transformers và Dynamo ngay từ ngày đầu tiên

Một lưu ý về dòng giá. Chương trình giảm giá của Mercury 3 không có ngày kết thúc được công bố, nên con số còn lại sau khi lập kế hoạch là $0.20/$0.70, không phải $0.10/$0.35. Mức $0.70/$2.10 của Beam là bảng giá đang áp dụng được công bố bởi đơn vị đánh giá và bởi nền tảng riêng của Reflection.

Khoảng cách đáng kể là 335 so với 1,068

Nếu con số của Inception đứng vững dưới một harness trung lập, Mercury 3 nhanh hơn khoảng ba lần so với mô hình mở trọng số được đo nhanh nhất trong lĩnh vực, và nó làm được điều đó với giá đầu vào bằng một phần ba và giá đầu ra bằng một phần ba của Beam. Sự kết hợp đó — nhanh hơn và rẻ hơn — chính là lập luận cho Mercury 3 trong một câu, và đó là một câu mạnh.

Vấn đề là câu đó hoàn toàn dựa vào một con số mà không nêu rõ phương pháp. Inception không nói dùng GPU nào, batch size bao nhiêu, thiết lập reasoning effort nào, hay phép đo là đơn luồng hay tổng hợp. Cả bốn lựa chọn đều có thể làm thay đổi con số thông lượng lên gấp nhiều lần. Mức chiết khấu cần áp dụng không phải là giả định: khi Mercury 2.5 ra mắt, con số thông lượng của nhà cung cấp cao hơn đáng kể so với 706 token mỗi giây mà Artificial Analysis sau đó đo được bằng bộ khung đo của riêng họ. Đó là mức chênh lệch thông thường giữa nhà cung cấp và bên độc lập trong hạng mục này, không phải do thiếu thiện chí — nhưng đó là mức chênh lệch nên giả định.

Áp dụng mức cắt giảm ba-một và Mercury 3 đạt gần 350 token mỗi giây: ngang bằng con số đo được của Beam, với một phần ba mức giá, nhưng điểm chất lượng vẫn chưa rõ. Áp dụng mức cắt giảm hai-một và nó rõ ràng là mô hình nhanh nhất mà một trong hai phòng thí nghiệm đã tung ra ở mức giá này. Dù theo cách nào, phép so sánh cũng thay đổi từ "nhanh gấp ba lần" thành "dao động từ nhanh bằng Beam đến nhanh gấp ba lần, và rẻ hơn Beam trong cả hai trường hợp".

Có một sự bất đối xứng thứ hai ẩn trong cùng cặp số đó. Thời gian đến token đầu tiên là 0,80 giây của Beam được đo trên một mô hình suy luận mặc định ở cài đặt nỗ lực tối đa — nghĩa là mô hình đang thực sự suy nghĩ trước khi phát ra bất cứ thứ gì, mà vẫn trả về token đầu tiên trong chưa đầy một giây. Đó là một kết quả kỹ thuật ấn tượng hơn con số thông lượng thô, và đó là kiểu điều mà chỉ một bộ khung kiểm thử độc lập mới phát hiện ra.

Hai mươi ba tỷ tham số hoạt động mới là điểm đáng chú ý thực sự ở phía Beam.

Con số 501B trên card của Beam phần lớn không hoạt động. Với 23 tỷ tham số hoạt động mỗi token, mô hình đánh thức khoảng 4,6% bản thân cho bất kỳ token nào, một tỷ lệ kích hoạt mạnh ngay cả theo tiêu chuẩn trọng số mở hiện nay. Các ghi chú kiến trúc nêu tên attention cục bộ và toàn cục xen kẽ, các chuyên gia định tuyến hạt mịn, SandwichNorm và các bản dựng phục vụ FP8/FP4, nhưng hệ quả thực tế đơn giản hơn: Beam vừa vặn trên một nút bốn GPU. Đó là một cấu hình phục vụ, không phải một thứ tò mò nghiên cứu.

Điều đó cũng giải thích kết quả về độ dài dòng. Một mô hình chi 79 triệu token đầu ra để hoàn thành một chỉ mục so với mức trung vị 140 triệu đang thực hiện cùng một công việc với lượng token đầu ra chỉ bằng khoảng một nửa, và token đầu ra chính là nơi phát sinh chi phí. Lập luận của chính Reflection là hiệu quả ở thời điểm suy luận chứ không phải ngang bằng ở biên giới công nghệ, và công ty nói đúng như vậy trong tài liệu ra mắt — họ nhượng bộ trước Kimi K3 và G​LM về năng lực thô. Dữ liệu độc lập đồng thời ủng hộ sự nhượng bộ và tuyên bố về hiệu quả.

Lập luận về hiệu quả của Mercury 3 khác về bản chất. Nó không nằm ở việc dùng ít token hơn; mà ở việc tạo ra chúng nhanh hơn, và câu chuyện mở rộng quy mô của Inception — gấp 40 lần tham số so với mô hình đầu tiên, gấp ba lần trí thông minh đo được, cùng tốc độ — là một tuyên bố rằng tính song song của diffusion mang lại thông lượng mà các mô hình autoregressive không thể sánh được. Đó là một lập luận hợp lý và thú vị. Nó cũng hoàn toàn do chính họ tự báo cáo, và không nói gì về việc liệu mô hình có dùng nhiều token hơn một mô hình autoregressive tương đương để đạt cùng câu trả lời hay không. Chưa ai công bố con số về độ rườm rà của Mercury 3, vì không có bản đánh giá Mercury 3 nào để lấy nó từ đó.

Chi phí cho mỗi công việc đã hoàn thành, được tính toán đầy đủ

Hãy lấy một tác vụ lập trình dạng tác nhân: ngữ cảnh kho mã 200.000 token, đầu ra là bản vá và giải thích 4.000 token, và 5.000 lượt chạy mỗi ngày trong một nhóm.

• Mercury 3 theo giá niêm yết — 1.000 triệu token đầu vào với $0,20 là $200; 20 triệu token đầu ra với $0,70 là $14. Khoảng $214 một ngày.

• Mercury 3 với mức giá ra mắt — khoảng 107 đô la mỗi ngày.

• Beam ở mức giá công bố của nó — 1.000 triệu đầu vào với $0.70 là $700; 20 triệu đầu ra với $2.10 là $42. Khoảng $742 một ngày, trước mức chiết khấu bộ nhớ đệm 84%, điều này cực kỳ quan trọng ở đây vì ngữ cảnh kho lưu trữ chính xác là kiểu phần mở đầu được lưu trong bộ nhớ đệm. Với tỷ lệ trúng bộ nhớ đệm thực tế trên ngữ cảnh, hạng mục đầu vào giảm mạnh về phía $112 và tổng mỗi ngày rơi vào khoảng $154.

Phép tính đó chính là lý do cả hai mô hình này tồn tại. Trên một khối lượng công việc tác tử được lưu đệm tốt, hai mô hình nằm trong khoảng chênh lệch 40 phần trăm so với nhau — Beam rẻ hơn một chút trong kịch bản bộ nhớ đệm tốt, Mercury 3 rẻ hơn trong kịch bản xấu — và cả hai chỉ bằng một phần nhỏ so với mức giá mà một mô hình tiên phong sẽ tính cho cùng lưu lượng. Lập luận về chi phí không tách biệt được chúng. Điều tách biệt chúng là con số của Beam có thể tái lập được, còn con số của Mercury 3 là giá niêm yết dựa trên một tỷ lệ hoàn thành chưa biết.

Câu hỏi về cấp phép, vốn không hề gần

Trọng số của Beam có thể tải xuống theo Apache 2.0 ở ba mức độ chính xác, cùng với một drafter giải mã suy đoán 1,93B, và Reflection tuyên bố rằng họ không hạn chế chưng cất, tinh chỉnh, lượng tử hóa hoặc hợp nhất. Có một công cụ kiểm tra tuân thủ — beam-verifier — công cụ này chạy bộ kiểm thử đối với bất kỳ endpoint Beam đang hoạt động nào và sau đó đánh giá nó trên các benchmark chính, nghĩa là người mua có thể kiểm tra số liệu của nhà cung cấp thay vì tin tưởng chúng. Tự vận hành loại bỏ hoàn toàn câu hỏi tính theo token và chuyển nó thành câu hỏi về giờ GPU.

Mercury 3 không cung cấp bất kỳ điều nào trong số đó. Nó là hệ thống đóng, chỉ truy cập qua API, và gói doanh nghiệp của nó bổ sung năng lực chuyên dụng cùng khả năng cấu hình lưu giữ dữ liệu thay vì cung cấp trọng số. Đối với một khối lượng công việc mà mô hình là một thành phần trong sản phẩm bạn bán, đó là một mối phụ thuộc chứ không phải một chuỗi cung ứng.

Còn có một tín hiệu nữa từ lịch sử của nhà cung cấp. Ghi chú di chuyển của chính Inception nói rằng Mercury 2 và Mercury 2.5 không còn mở cho người dùng mới, và khách hàng hiện hữu sẽ mất quyền truy cập vào ngày 15 tháng 11 năm 2026 — chưa đầy một tháng sau khi Mercury 3 ra mắt. Một công ty cho hai thế hệ nghỉ hưu nhanh đến vậy đang nói cho bạn biết họ kỳ vọng các mô hình của mình sẽ được sử dụng như thế nào: như những dịch vụ thuê ngắn hạn. Reflection, hiện tại, đã làm điều ngược lại và bàn giao hiện vật.

Vị trí phù hợp của một router là ở đâu, khi cả hai mẫu đều không có trong danh mục của chúng tôi

OrcaRouter không cung cấp Mercury 3 lẫn Reflection Beam. Kiểm tra API mô hình của chúng tôi không trả về gì cho cả hai, và chúng tôi sẽ không mô tả một tuyến mà chúng tôi không có. Những gì chúng tôi cung cấp là lớp bao quanh chúng: hơn 200 mô hình đằng sau một endpoint tương thích OpenAI, đúng giá niêm yết của nhà cung cấp, không cộng thêm, với tính năng chuyển đổi dự phòng tự động và một DSL định tuyến để kết hợp các mô hình thành một lần gọi duy nhất.

Đối với cặp cụ thể này, lớp đó đảm nhận hai nhiệm vụ. Nhiệm vụ đầu tiên là so sánh. Nếu bạn muốn biết liệu một mô hình trọng số mở 300 token mỗi giây có đủ nhanh cho sản phẩm của bạn trước khi bạn cam kết bất kỳ điều nào trong số này hay không, bài kiểm tra trung thực là chạy khối lượng công việc với các mô hình mà bạn đã có thể gọi — Kimi K3 ở mức $3.00/$15.00 với 1.048.576 token ngữ cảnh, GLM 5.2 ở mức $1.40/$4.40, Qwen 3.8-Max ở mức $2.00/$6.00 — và đo lường điều người dùng của bạn thực sự nhận thấy. Nhiệm vụ thứ hai là dự phòng. Một triển khai Beam tự lưu trữ và Mercury 3 do nhà cung cấp lưu trữ là hai kiểu lỗi khác nhau; đặt đường dẫn sản xuất phía sau một bộ định tuyến có chuyển đổi dự phòng nghĩa là suy giảm điểm cuối trở thành một sự kiện được ghi nhật ký thay vì một sự cố ngừng dịch vụ. Bởi vì giá niêm yết của nhà cung cấp được chuyển qua không thay đổi, việc giảm giá Reflection hoặc ưu đãi Inception sẽ đến hóa đơn của bạn ngay ngày được công bố.

Quyết định, dựa trên ràng buộc thay vì điểm số

• Nếu bạn cần mô hình trở thành một tài sản — có thể kiểm toán, tinh chỉnh được, chạy được trên phần cứng của riêng bạn, tồn tại lâu hơn nhà cung cấp — thì Beam là lựa chọn duy nhất ở đây. Apache 2.0, một bản dựng 273 GiB vừa vặn trên một nút, và một trình xác minh để kiểm tra bất kỳ nhà cung cấp nào so với các con số của Reflection. Đó là câu trả lời trọn vẹn cho một câu hỏi mà Mercury 3 hoàn toàn không thể trả lời.

• Nếu bạn cần độ trễ thấp nhất có thể trên một API đóng và có người đang chờ, Mercury 3 là lựa chọn đáng cân nhắc hơn, và mức giá của nó khiến việc đánh giá trở nên rẻ. Hãy đặt cố định rõ ràng thiết lập effort khi bạn kiểm thử, vì mặc định là thấp và các tuyên bố của Inception không cho biết thiết lập nào đã tạo ra chúng.

• Nếu bạn cần biết chất lượng trước khi cam kết, Beam có một con số còn Mercury 3 thì không. Điểm 30 trên một chỉ số gồm 121 mô hình là tầm thường — đó không phải điểm tiên phong và Reflection không tuyên bố như vậy — nhưng đó là mức sàn mà bạn có thể thiết kế dựa trên đó.

• Nếu khối lượng công việc của bạn mang tính tác tử và chạy trong thời gian dài, việc Beam bắt buộc lý luận ở mức nỗ lực tối đa mặc định sẽ đắt đỏ mỗi lần gọi, còn mức mặc định nỗ lực thấp của Mercury 3 thì rẻ mỗi lần gọi. Cái nào rẻ hơn trên mỗi công việc hoàn thành còn phụ thuộc vào tỷ lệ hoàn thành mà chưa ai đo được đối với Mercury 3.

Điều hữu ích nhất có thể xảy ra với so sánh này là một phép đo Mercury 3 độc lập. Nếu nó đạt gần 1.068 với điểm chất lượng cạnh tranh, Inception đã tung ra mô hình rẻ nhanh nhất trong lĩnh vực và câu chuyện hiệu quả của Beam trở thành câu chuyện về độ mở thay vì tốc độ thuần. Nếu nó đạt gần 335 của Beam với điểm ở mức trung bình, thì mô hình mở nhanh nhất và mô hình đóng nhanh nhất có cùng tốc độ, và các câu hỏi quyết định trở thành giá, giấy phép và liệu bạn có muốn sở hữu sản phẩm hay không — ba câu hỏi mà Beam hiện có câu trả lời tốt hơn.