Mercury 3 对比 Muse Wonder：三十二秒才迎来首个词元

这次对比中有一个实测数字，本应在争论开始前就终结它。Artificial Analysis 记录到 Muse Wonder 的首个 token 时间为 32.08 秒。Mercury 3 声称每秒输出 1,068 个 token，却完全没有独立测量数据。一个模型要半分钟才开始回答；另一个则说，它能在你读完这句话的时间里写出一千个词。在延迟方面，它们根本不属于同一类产品，再大的基准测试优势也无法弥合首个字符出现时间上三十倍的差距。像此次发布这类发布背后有记录的 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各自的来源、严重程度、置信等级和争议标记。

但那只是这个故事的简单版本，而且它在一个重要方面具有误导性。Muse Wonder 并不追求快。Meta 于 2026 年 10 月 12 日发布 Muse Wonder，将其作为前沿推理模型，定价为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元；在这个价位上，买到的是深度——一个会思考三十秒并把难题做对的模型。Inception 于 2026 年 10 月 19 日发布的 Mercury 3，价格低二十到五十倍，因为它卖的是相反的交易。构建者真正面临的问题不是哪个更好，而是你的产品做的是哪种取舍，以及你是否对自己诚实，清楚那是哪一种。

这两个模型，各用一段话。

Mercury 3 是一款扩散语言模型——Inception 将其称为 dLLM——它并行生成 token，而不是一次生成一个。它具备 100 万 token 上下文、131,072 token 最大输出、纯文本输入、工具调用和结构化输出（通过兼容 OpenAI 的端点），以及四档推理强度设置（即时、低、中、高），默认值为低。标价为每百万输入 token 0.20 美元、每百万输出 token 0.70 美元，目前“发布期间”减半至 0.10 美元和 0.35 美元，且未公布结束日期。Inception 的质量主张是相对性的且未给出评分：它称该模型与“GPT-6 Luna 和 Claude Haiku 5.5 等前沿速度优化模型”持平或更优，并报告了来自其自有 agent harness 的一项任务结果——在 50 个实时 Mind2Web 任务上完成率为 50%。

Muse Wonder 是 Meta 的前沿推理模型，以两个检查点形式发布：muse-wonder-1.0，可在 Meta Model API 和 Muse Code 内调用；以及muse-wonder-full-1.0，Meta 称这是一种得分更高的配置，仅向 Muse Code 订阅者提供。两者均具备 100 万 token 上下文和相同的 $4.00/$20.00 费率卡，并提供 95% 缓存折扣。必须启用推理——推理强度档位从 minimal 到 max，默认为 medium，推理 token 按输出计费。输入为文本、图像、语音和视频；输出为文本。

在请求层面，每一项的实际成本是多少

在这样一场比较中，按 token 计价的价格是最没用的数字，因为两个模型完成同一项工作所消耗的 token 数量天差地别。一个默认采用中等推理强度、并在一次评估运行中花费了 1.3 亿个输出 token 的推理模型，与一个针对简短回答优化的模型，即使还没套用价目表，定价也不会相同。所以，要用两种方式为同一项工作计价。

以一份文档审阅助手为例：输入 20,000 个 token 的合同文本，输出一份 500 个 token 的结构化摘要和风险清单，每天处理 2,000 次审阅。

• Mercury 3 按标价计算——4000 万个输入 token 按每 100 万个 $0.20 计算为 $8.00；100 万个输出 token 按每 100 万个 $0.70 计算为 $0.70。每天约 $8.70。

• Mercury 3 按发布价——是那个的一半，每天约 4.35 美元。

• Muse Wonder — 4000 万输入 token 按 $4.00 计算为 $160；100 万输出 token 按 $20.00 计算为 $20。再加上推理 token，它们按输出计费，而且 Meta 不允许你关闭。保守按每次调用 1,000 个推理 token 计算，输出项就变成 300 万 token，即 $60，每日总计 $220。

在相同流量下，这就是二十五倍的差距，而且这已经是对 Muse Wonder 略微有利的版本，因为推理模型在需要谨慎处理的任务上，通常会花费远超一千个思考 token。努力程度设置是唯一的杠杆，而它同时作用于成本和质量——你不可能在调低思考量的同时不降低答案质量。

这正是让比较不再只是算术的部分。Mercury 3 没有公布任何评测的输出 token 数量，所以没人知道它相对于基线任务是简洁还是冗长。如果它最终被证明是个话多的模型，每日成本会以倍数变化，而不是百分比。在生产环境中，25 倍的差距可能是 15 倍，也可能是 40 倍，而无论哪种情况都没有公开证据。

关于吞吐量的说法，以及那个使其站不住脚的数字

Inception 的核心宣传数字是在 NVIDIA GPU 上每秒 1,068 个 token，并称其比所对标的模型快 4 到 8 倍。该公司没有说明硬件、批大小、effort 设置，也没有说明该数字是单流还是聚合结果，而这四项选择会让该数字成倍变化。截至 2026 年 10 月 20 日，尚无独立的 Mercury 3 测量结果——Artificial Analysis 仍只列出 Mercury 2.5 和 Mercury 2，且没有 Mercury 3 页面。

关于上一代产品，确实存在一项独立测量，这一点很有启发性。Artificial Analysis 在自己的测试框架下测得 Mercury 2.5 约为每秒 706 个 token。这是一个真实、可复现的第三方数字，而且明显低于该产品发布时厂商公布的数字。这一差距属于该品类中厂商数据与独立数据之间的正常折扣，而非恶意造假的证据——但在有人复现 1,068 这个数字之前，这就是你需要在心里对它所施加的折扣。

与此同时，Muse Wonder 实测输出速度为每秒 161 个 token，实测首 token 时间为 32.08 秒。这两个数字都表明 Meta 的模型正按设计运行：首个 token 在一段漫长的思考过程后到达，而答案的其余部分则以中等速率流式输出。对于批处理作业来说，这无关紧要。对于任何有人类在等待的场景，这就是体验的全部。

实际测出的质量差距却朝相反方向。Muse Wonder 在 Artificial Analysis Intelligence Index 上得分为 52，在 217 个模型中排名第九，每项索引任务的计算成本为 4.52 美元。Mercury 3 没有索引得分。Muse Wonder Full 得分为 56，在 696 个模型中排名第四，且没有公布价格，因为 Meta 不按 token 出售它。因此，诚实的表述是：一个具有可测量上限和可测量延迟问题的前沿模型，对比一个声称具有延迟优势但完全没有可测量上限的低成本模型。

推理是产品层面的决策，而不是一项设置

这些模型之间最深刻的差异不在于价格或速度，而在于模型是否被允许进行简短思考。

Mercury 3 在省略 reasoning 参数时默认使用低强度，四个档位从“即时”到“高强度”。这个默认值是最容易被忽略、也最容易扭曲任何比较的细节：同一模型在低强度下作答会显得更快、得分更低，而 Inception 自己的对比声明并未说明这些结果是在哪个档位下产生的。如果你自己要对 Mercury 3 做基准测试，请明确固定推理强度档位，否则你的数据将无法与任何其他人的数据比较——包括 Inception 的。

Muse Wonder 从构造上则相反。推理是强制性的，默认级别为中等，且没有关闭它的开关。对于一个面向专业工作和智能体工作的模型来说，这是刻意做出的设计选择：Meta 的表述是，思考本身就是产品。这也意味着该模型没有廉价路径。每次调用都要支付推理税，而按每百万输出 token 20 美元计算，一个填满 943,718 token 输出预算的长智能体循环会是一笔不小的账单。

对构建者来说，实际后果是：这两个模型无法在同一个提示模板背后互换并进行公平比较。要在 Mercury 3 上把同一项任务做好，就意味着要选择努力等级；要在 Muse Wonder 上做好，则意味着要接受思考时间。只有当两者都被锁定到相同的有效行为时，比较才有意义，而对 Mercury 3 来说，这种行为并没有文档说明。

关于 Meta 自己的记分板，以及为什么它并非最终定论

Meta 在发布时公布了一张基准测试表，涵盖两个检查点，并与以最高推理强度运行的 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5.5 并列对比。所有数字均由厂商自报，在 Meta 自家的测试框架中产生，没有任何一项经过独立复现。即便如此，其中有两行仍值得带入本次比较，因为它们展示了该模型确实在做它被推销去做的事。

• JobBench，长周期专业任务——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 5.1 6.4、GPT-6 Astra 8.6、Claude Opus 5.5 4.2

• OSWorld V2.1，计算机使用 — 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

当 Meta 与独立评估机构的结果不一致时，应以独立评估机构的数字作为规划依据。Meta 的表格将 Muse Wonder Full 在 Artificial Analysis Index 上列为 59.0；而 Artificial Analysis 自己发布的数字是 56。同一指数上相差三点算不上丑闻，但这足以说明哪个数字背后有方法论支撑。

Mercury 3 没有可供争辩的同等表格。其唯一的结构化质量结果是 Mind2Web 智能体测试：在 Inception 自己的生产测试框架中执行 50 个实时导航任务，完成率为 50%，"显著多于 GPT-6.1-Sol"，使用相同的 token 量和相同数量的智能体步骤，因此每 token 成本只是其一小部分。五十个任务是小样本，测试框架是 Inception 的，且被比较的模型只被点名而没有给出分数。这是一个真实信号，表明该模型能够以完成同样任务的前沿模型所需成本的一小部分来驱动浏览器。这不是基准测试。

你实际应该评估的是这两个中的哪一个

这个决定通常取决于一个问题：是人等待这份输出，还是由队列来消费它？

如果让人来等，Muse Wonder 仅凭自身的测量数据就几乎要被淘汰了。首个 token 需要三十二秒，这种延迟没法摆到客户面前，也没有人会为聊天界面选择它。Mercury 3 正是为这种场景打造的，而且它的价格让这次实验成本很低。即便在中立测试框架下吞吐量只有宣称的一半，它仍然比前沿梯队里的任何东西都快好几倍。

如果是队列在消费它——夜间文档处理、交付报告的智能体运行、无人盯守的后台工作流——那么 32 秒的首 token 就不再重要，而实测的质量差距开始变得重要。Muse Wonder 在该指数上为 52，且有完整的独立记录，是一个已知量。Mercury 3 的指数分数未知，而在一个错误答案代价高昂且无人监控的工作负载上，它是一场赌博。

有三种情况不属于上述两者：

• 提示词中的视频、图像或音频——Muse Wonder 三者全都支持，Mercury 3 则一个都不支持。这里不存在需要权衡的取舍。

• 任何需要最高得分检查点的用途——Muse Wonder Full 并非 API 产品。它是 Muse Code 每月 50 到 200 美元的订阅服务，而 Meta 尚未表示会开放它。

• 任何需要依据稳定价格来做规划的场景——Mercury 3 的发布折扣没有截止日期，而它的前代产品正在对新用户停用。Muse Wonder 的 $4/$20 未宣布有任何变动。

OrcaRouter 在此做什么以及不做什么

Muse Wonder 和 Mercury 3 都不在我们的目录中。检查我们的模型 API 后，meta/muse-wonder 没有任何返回结果，任何 Inception 模型也没有任何返回结果，而我们不会描述一条我们并不具备的路由。我们从 Meta 实验室提供的是 Muse Spark 系列——Muse Spark 1.2 和 Muse Spark 1.1，两者均具备 100 万 token 上下文，价格为每百万 token 输入 $1.25、输出 $4.25。

对这场特定的对比来说，这一点比听起来更重要。选用 Muse Wonder 的理由是深度，选用 Mercury 3 的理由是速度。这两点都可以用一个你目前已经能调用的模型来验证：Muse Spark 1.2 为你提供了一个 Meta 推理系列，并且我们这边有公开的价目表，以及 通过一个 OpenAI 兼容密钥即可访问的 200 多个模型，让你无需再签一份合同就能完成延迟对比。如果 Muse Wonder 的 $4/$20 要在你的工作负载上站得住脚，它就必须胜过点什么——而这个“点什么”应该是一个你今天下午就能测量的模型。

值得专门一提的机制优势，是价格传导。供应商的目录价会原封不动地体现在您的账单上，因此供应商一旦降价——比如 Inception 的五折首发折扣，或假设中的 Meta 降价——在宣布当天就会在我们这边生效，而不必等到下一次续约。这是件小事，直到它不再是小事的那一天。

怎样才能解决这件事

两项测量就能完成大部分工作。第一项是在明确给定的测试框架、投入级别和批大小下，独立的 Mercury 3 吞吐量数据；第二项是任何独立的 Mercury 3 质量评分——有就行。在这两项都出现之前，本次比较中最快的模型，也是你了解得最少的那个；而能力最强的模型，则是你只能通过订阅调用，或者要以一个很难说合理的价格调用的那个——除非你的使用场景能容忍半分钟的静默。

让这个决定变得容易而不是困难的原因在于，这两个模型并不争夺同一个槽位。唯一真正的风险是选错槽位——因为某个三十秒模型的基准测试成绩更好，就把它部署到聊天窗口里；或者因为某个未经测量的模型价格更优，就把它部署到无人监控的流水线中。这两者都是关于你的产品的决定，而不是关于模型的决定，而且二者都不能由排行榜上的一个数字来决定。