Mercury 3 vs Mistral Large 4：两个未完成的模型及其各自承载的承诺

这两个模型都尚未完成，而未完成的方式恰恰相反。Mercury 3 由 Inception Labs 于 2026 年 10 月 19 日作为正式发售产品发布，定价为每百万输入 token 0.20 美元、每百万输出 0.70 美元，并且它没有任何形式的独立评估——没有 Artificial Analysis 评分，没有第三方评测框架，什么都没有。Mistral Large 4 由 Mistral 于 2026 年 10 月 6 日以公开预览形式发布，定价为每百万 1.36 美元和 4.18 美元；它在 Artificial Analysis Intelligence Index 上有一个独立评分 38，实测每个指数任务成本为 1.13 美元，但其权重——Mistral 曾承诺会在“月底前”发布——在本文撰写时尚未发布到 Hugging Face，而且该预览版自身的强化学习运行在发布公告时仍在进行。 像此次发布这样的发布背后的有记录 AI 故障和智能体事件，均收录于 OrcaRouter AI Incident Archive，其中每条记录都带有自己的来源、严重程度、置信度等级和争议标记。

因此，这一比较发生在两个模型之间：一个模型的所有数字均由厂商报告，另一个模型的数字并非全部最终确定。它们还属于不同的产品类别：Mercury 3 是一个纯文本扩散语言模型，具有百万 token 上下文，并宣称吞吐量为每秒 1,068 个 token；而 Mistral Large 4 是一个原生多模态的 1 万亿参数混合专家模型，拥有 520 亿激活参数，在法国数据中心使用 3,800 块 NVIDIA Grace Blackwell GPU 训练，并明确围绕欧洲 AI 主权定位。如果你的工作负载是文本，且约束是成本，那么在参考任何基准测试之前，这一差异就是决定性的。如果不是，这两个模型几乎不构成竞争。

Mercury 3，以及具体缺失的那一项。

Inception 的模型是其并行解码押注的第三代。Mercury 不再在每次前向传递中只处理一个 token，而是对一组位置进行去噪并将它们一起提交，这正是每秒超过 1,000 个 token 的来源。按照 Inception 的说法，Mercury 3 的总参数量是 Mercury 1 的 40 多倍，上下文窗口从 260,000 个 token 增长到 1,000,000 个 token，输出上限为 131,072 个 token，并且在未指明的 NVIDIA 硬件上以每秒 1,068 个 token 的速度运行。

所缺的是 Inception 未自行执行的任何测量。公告中唯一一项结构化质量结果是一次真实网站智能体测试：在 Inception 自家的生产测试框架内，针对真实网站执行 50 个 Mind2Web 导航任务，Mercury 3 完成了 50%——即 25 个任务——Inception 称，在相同 token 量和步数下，这一成绩“显著多于 GPT-6.1-Sol”。这比基准测试表格更有意思，因为网站是真实在线的；但它也同样因为厂商演示一贯如此而更不可信：测试框架、目标和评分方式都由 Inception 选择。截至 2026 年 10 月 20 日，Artificial Analysis 上没有 Mercury 3 的页面，因此没有中立的吞吐量数据、没有中立的每任务成本，也没有针对那个百万 token 窗口的中立召回曲线。

其后果是具体而非哲学性的。一个拥有百万 token 上下文、却没有经过测量的召回曲线的模型，只是一种容量声明：这些 token 能装得下，但没有人确定模型实际使用了其中多少。Mercury 2.5 在 Artificial Analysis Intelligence Index 上得分 12，这只能说明上一代处于什么位置，而对这一代毫无说明。

Mistral Large 4，以及那件具体尚未完成的事

Mistral 的模型则完全是另一回事，而且公告对它异常具体。它是一个 1 万亿参数的原生多模态模型，拥有 520 亿活跃参数——采用稀疏专家混合架构，因此在任意给定 token 上，这万亿参数中的大部分并不参与计算。它能处理文档、图表、自然图像、技术图纸和千兆像素卫星影像，并且其训练数据涵盖 160 多种语言，包括欧盟所有官方语言。

• 编程 — 在 DeepSWE v1.1 上为 61.7%，在 SWE-Atlas-QnA 上为 59.4%，在 Terminal-Bench 4 上为 28.3%，综合 Coding Agent Index 为 49.8%。均由 Mistral 报告。

• 智能体与网络安全——在 AutomationBench 上为 59.9%，在 AA-Briefcase 上为 1,393 Elo，在 Mistral 称其领先所有模型的真实漏洞复现与补丁测试中为 82%，在 Cybench 上为 93%，在 Lakera 的 B3 上攻击抵抗率为 93.3%。

• 视觉 — 在 Dense 200 视觉定位任务上达到 42%，略微领先于 41% 的 GPT-6 Astra。

• 人工评估——在 Surge AI 的盲测编程评估中，5 分制下得分为 3.74 分，在五个模型中排名第二，落后于 Claude Opus 5 的 4.22 分。该研究由第三方开展；Mistral 委托并发布了这项研究。

• 独立聚合模型——在 Artificial Analysis Intelligence Index 上得分为 38，在 217 个模型中排名第 66 位，每项索引任务成本 1.13 美元，输出速度为每秒 67.5 个 token，首个 token 延迟为 1.65 秒。

• 状态 — 预览版，权重承诺于 2026 年 10 月底前提供，发布公告时 RL 运行仍在进行中。

这种分类值得审慎对待。Mistral 自己的文档将 v26.10 这一代列为“Open”且为开放权重；而在 10 月 20 日查阅的 Artificial Analysis 页面仍称其“专有”，并称“模型权重尚未公开提供”。两者在不同时点都成立：许可证体现的是意图，权重尚未落盘。任何假定 Mistral Large 4 将在 11 月可下载并据此构建部署的人，都应注意：这一承诺已有日期，但尚无仓库。

两张费率卡，以及一个让差距看起来没那么大的数字

从纸面上看，Mercury 3 便宜得多：每百万输出 $0.70，对比 $4.18；输入 $0.20，对比 $1.36。按标价计算，这相差 6 倍；在 Mercury 的发布窗口期内，价格为 $0.10 和 $0.35，差距为 12 倍；而 Mistral 自己的促销价 $0.68 和 $2.09 将其缩小到约 6 倍。

按答案计算的数字正是它进一步压缩的地方，也是本文中唯一一个由销售该模型的厂商之外的人测量出的数字。Artificial Analysis 将 Mistral Large 4 Preview 定为每项 Intelligence Index 任务 1.13 美元。Mercury 3 没有对应数字，因此构造这样一个数字的唯一方法就是假设一个 token 量——而早先的 Mercury 对比说明了这一假设为何重要：一个模型在另一个模型花费 193,000 个输出 token 的地方只花费 31,000 个输出 token，即使每 token 贵 20 倍，按答案计仍可能更便宜。按每百万 0.70 美元计算，Mercury 3 需要约 160 万个输出 token，才能在单项任务上花费 1.13 美元。它不会花那么多。在任何现实用量下，它都远低于 1.13 美元，而这正是其论点的诚实核心：在这里，按 token 的优势经受住了按答案修正，而在对阵 GPT-6 Sol 时则没有。

上下文——Mercury 3：根据 Inception 的文档，为 1,000,000 个 token。Mistral Large 4：根据 Mistral 的模型列表，为 1,000,000 个，而在 Artificial Analysis 的测试配置中为 524,288 个。

• 多模态——Mercury 3：输入文本，输出文本，任何情况下都不涉及图像。Mistral Large 4：文档、图表、照片、技术图纸、卫星图像。

• 速度——Mercury 3：每秒 1,068 个 token，厂商实测。Mistral Large 4：根据 Artificial Analysis，每秒 67.5 个 token，首 token 时间为 1.65 秒，对于这种规模的模型来说确实很快。

• 权重 — Mercury 3：未公布任何权重，且 Inception 的 Hugging Face 组织下没有模型仓库。Mistral Large 4：曾承诺在10月底前发布，但目前尚未发布。

• 治理 —— Mercury 3：未发布关于训练数据或欧盟部署的声明。Mistral Large 4：在欧洲数据中心训练，由欧洲运营部署，支持所有欧盟官方语言。

长上下文这一行值得读两遍。Mistral 的文档列出的是一百万 tokens；Artificial Analysis 测试的是 524,288。这并不矛盾——提供商会按其测试框架所支持的 2 的幂次进行测试——但这提醒我们，上下文数值是上限，而非经过测试的能力；而且 Mistral Large 4 的长上下文召回率也尚未在完整窗口下公布。

欧洲论点真正切中要害之处

主权卖点在这款模型上并非点缀；它正是若干买家会选择它、而不是更便宜且更优秀产品的原因。它使用 French datacenters 中的 Blackwell GPUs 训练，从欧洲运营，支持所有欧盟官方语言的多语言能力——对于公共部门买家或受监管的欧洲企业而言，这种组合可能压过智能指数上的十二个点，因为替代方案也许根本无法采购。

Mercury 3 完全不具备这些。除了指出企业客户可以购买专用容量、自动扩缩容、合规控制和可配置的保留策略之外，Inception 没有公布任何关于模型运行位置、训练数据或适用保留条款的信息。这些确实是向企业客户推销的正确卖点，但它们并不等同于一份公开的数据处理立场。

欧洲叙事中还有一个更值得点明、而非解决的波折：开放权重承诺。如果 Mistral 在十月底公布权重，欧洲买家就能获得美国实验室目前在这一规模上都无法提供的东西——一个接近前沿的多模态模型，可在其自有边界内、自有硬件上运行，请求路径中无需经过任何供应商。这与预览版 API 是实质上不同的产品，也正是为什么缺失的代码仓库比缺失的基准分数更重要。

这两款型号都已从我们的产品目录中下架，这会改变推荐结果。

Mercury 3 不在 OrcaRouter 的目录中，Mistral Large 4 也不在——无论我们尝试了哪种 slug 变体，我们的模型 API 对两者都没有返回任何内容。这很不寻常，值得直说，因为这意味着本次比较不能以“把两者放在同一个密钥上”收尾。任何调用其中任一模型的人，都会直接去找厂商，或者去托管它的几个第三方平台之一。

在这种情况下，路由层仍然要做的是不需要托管模型的那部分：它把我们确实要路由的模型放在一个与 OpenAI 兼容的单一端点之后，并让你表达一条规则，规定哪些流量走向哪里。如果 Mistral 的权重在十月底落地，值得关注的架构并不是“所有事情都用 Mistral Large 4”——而是为不能离开你边界的文档提供一条自托管的 Mistral 路径，为可以离开的工作路由一个前沿模型，以及一条在两者之间做决定的规则。如果 Inception 把 Mercury 3 发布到我们能触及的地方，同一条规则也能处理它；它还能处理任一厂商的促销定价结束的情况，而对于 Mercury 3，这一点没有公布日期。

谁应该选哪个，以及什么会改变答案

如果任务是文本处理、数量很大，且答案验证成本低，就选 Mercury 3。根据当前生效的价格，其价目表比 Mistral Large 4 便宜六到十二倍，上下文窗口的标称规模相同，而缺少中性评分这一风险，你可以在一天内通过自己的错误率来衡量。你要放弃的是所有非文本的输入形式，以及在部署前审计模型行为的能力。

如果输入包含图像、图纸或扫描件，请选择 Mistral Large 4；如果采购要求欧洲的训练和运营，也请选择它；如果 1.65 秒的首个 token 时间比原始吞吐量更重要，同样选择它；或者，如果开放权重承诺才是你真正感兴趣的原因，那就选择它——不过在这种情况下，应等待代码仓库发布，而不是公告。你要放弃的是价格上的六倍优势，以及任何宣称自己是现有最快产品的说法。

两个日期将能解决本文中的大部分未决问题。第一个是十月底，届时 Mistral 要么公布权重，要么不公布。第二个是 Artificial Analysis 运行 Mercury 3 的时候，这将用实测数字替换第一节中所有厂商提供的数字。这两个日期都尚未公布。在它们到来之前，站得住脚的总结是：Mercury 3 是更便宜的文本引擎，Mistral Large 4 是更完整的产品，而且两者都在靠买家目前只能凭信任接受的说法来销售。