Mercury 3 对比 Qwen3.8-Max：廉价的 Token 与昂贵的答案

Qwen3.8-Max 和 Mercury 3 是一场定价争论的两极，而大多数模型比较把这场争论弄反了。在费率表上，Mercury 3 在发布窗口期内每百万输入 token 收费 0.10 美元、每百万输出 token 收费 0.35 美元，而 Qwen3.8-Max 分别为 2.00 美元和 6.00 美元。这看起来像是生成成本仅为十七分之一。随后，Artificial Analysis 衡量了每个模型完成一项任务的实际花费：Qwen3.8-Max 在每次 Intelligence Index 评估上的成本为 5.41 美元，尽管其每 token 价格适中——因为它为了达到这一结果生成了 1.9 亿个 token，而中位数为 8500 万个。由 Inception Labs 于 2026 年 10 月 19 日发布的 Mercury 3，则根本没有同等测量数据。 此类发布背后已记录的 AI 故障和智能体事件，均收录在 OrcaRouter AI Incident Archive 中，其中每条记录都附带各自的来源、严重程度、置信度等级和争议标记。

所以，有用的问题不是哪个模型每个 token 更便宜，而是哪个模型每完成一项工作更便宜，而两家厂商的发布页面都没有回答这个问题。以下是证据确实支持的内容，以及你必须自己衡量的内容。

在你实际会称呼的那个版本中，Qwen3.8-Max 是什么？

Qwen3.8-Max 是阿里巴巴的旗舰模型：一个稀疏混合专家（MoE）模型，总参数达 2.4 万亿，每 token 激活 950 亿参数，原生多模态——可输入文本、图像和视频，输出文本——托管 API 支持 100 万 token 上下文，输出上限为 131,072 token。该模型自 2026 年 8 月 3 日起正式全面可用（GA），独立评测记录也已不再单薄。

• 智能指数 — 在 Artificial Analysis Index v4.3.2 上为 45 分，在该页面当前快照的 217 个模型中排名第 33 位。

• 输出速度 — 每秒 39.6 个 token，在 186 个中排名第 183。该页面自己的摘要称其“明显偏慢”。

• 每项索引任务成本 — $5.41，处于其列出的模型中最昂贵的四分位区间。

• 冗长度——整个索引运行期间共输出 1.9 亿个 token，与 8500 万的中位数相比，被描述为“非常冗长”。

上下文——在端点上实测为 984k，这是所宣称的一百万的实际上限，而非另一套规格。

这种组合内部自洽，值得直白说明：Qwen3.8-Max 是一个推理能力强、速度慢、话多的模型。它擅长其定价所对应的任务，而在边际上很昂贵，因为它需要很多步骤才能完成。每个任务 $5.41 并不是定价错误。这是模型的行为反映在账单上。

关于版本的一点说明，因为任何对比页面的人都会因此踩坑。上面的独立测量是针对 9 月 2 日快照进行的，该快照列为“Qwen3.8 Max (0902)”。Alibaba 还提供一个未标注日期的 qwen/qwen3.8-max 端点，价格同为 $2/$6，缓存输入费率为 $0.25；两者都能在我们的目录中解析，对于任何你打算复现的内容，固定使用带日期的快照都是正确做法。

Mercury 3 给予你什么，又保留了什么

Inception 的模型是一个扩散语言模型，能够并行生成 token，而发布博文中的每一个数字都关乎速度、规模或价格，而非质量。

• 吞吐量——每秒 1,068 个 token，被归因于"NVIDIA GPUs"，但未指明具体硬件、未给出批大小，也未说明该数据由四种推理强度设置中的哪一种产生。

• 上下文 — 100 万 token，较 Mercury 2.5 上的 26 万有所提升，输出上限为 131,072 token。

• 价格 — 按目录价为每百万输入 $0.20、输出 $0.70，在发布窗口期内减半至 $0.10 和 $0.35。缓存输入按目录价为 $0.02，窗口期内为 $0.01。

• 投入程度 — 四档设置：即时、低、中、高。默认值为 低，而 Mercury 2.5 和 Mercury 2 此前默认采用中档。

• 模态 — 文本输入，文本输出。不支持视觉，不支持音频。

• 质量——没有数值基准。其宣称是“优于 GPT-6 Luna 和 Claude Haiku 5.5”，但既未给出领先幅度，也未指明所依据的基准。唯一的结构化结果是在 Inception 自有测试框架下，50 个实时 Mind2Web 导航任务达到 50% 的完成率。

那个默认的推理强度设置，恰恰是最容易让对比结果失真的细节。以低推理强度作答的模型会更快，得分也会低于同一模型在高强度下的表现，而 Inception 自家的对比并未说明用的是哪一档设置。如果你在测试 Mercury 3 时没有固定这一参数，你的数据就无法与任何人的结果相比较——包括 Inception 自己的。

测试一：按完成的作业计成本，而非按 token 计

假设一个客服工单分流智能体每天处理 200 万输入 token 和 30 万输出 token。在 Mercury 3 上按标价计算，输入费用为 $0.40，输出费用为 $0.21，合计每天 $0.61。在 Qwen3.8-Max 上按 $2/$6 计算，输入费用为 $4.00，输出费用为 $1.80，合计每天 $5.80。两者大约相差十倍，而按发布价格计算，Mercury 这边会降至约 $0.31。

现在说真正要紧的更正。那些数字假设每个任务只跑一遍。Qwen3.8-Max 在 GDPval-AA 任务上实测每个任务 64 步，而其前代是 14 步，这正是把 6 美元的输出费率变成每次评估 5.41 美元的机制。如果 Mercury 3 在 Qwen 只需一次尝试的地方需要两次尝试，Mercury 的有效成本就会翻倍，差距也会缩小一部分。如果 Mercury 需要四次尝试，大部分差距都会缩小。因此，成本比较取决于一个没有人测量过的完成率问题，这就是为什么 token 费率表是两家厂商页面上最没用的东西。

在输入侧，有一个值得了解的杠杆。Qwen3.8-Max 对每百万缓存输入 token 收费 $0.25；Mercury 3 收费 $0.02，上线期间为 $0.01。智能体在每一步都会重新发送相同的系统提示和工具定义，因此一个 20,000 token 的前置内容，按 Mercury 的缓存费率每次调用花费 $0.0004，而按 Qwen 的费率则为 $0.005。在五十步的运行中，这就是 2 美分对 25 美分。两个模型的标价都没有体现这一点，而对智能体工作负载来说，决定预算的正是这个数字。

测试二：当有人在等待时，慢模型要付出多大代价

速度方面，这两个模型完全不在同一量级，因此有必要精确说明每一项测量的具体含义。

Mercury 的每秒 1,068 个 token 是厂商数据，没有经过独立复现。我们目前能从 Artificial Analysis 得到的，是上一代产品的数据：Mercury 2.5 在其自有测试框架下实测约为每秒 706 个 token，低于该产品发布时厂商给出的数字。这一差距属于该类别中厂商数据与独立数据之间的正常折价，并非表明厂商存在恶意——但在有人复现 1,068 这一数字之前，这就是你在心里应当对它的折扣。

Qwen3.8-Max 的每秒 39.6 个 token 是独立测得的，并附有排名：在 186 个中位列第 183。按这个速度，一个 1,500 token 的回答仅生成就需要约 38 秒，这还不包括预填充。对于会回报结果的后台代理来说，这没问题。但对于任何需要人盯着光标等待的场景，无论质量如何，仅凭这一点就足以被淘汰。

这正是这场比较真正所依赖的分界线。Mercury 3 的速度尚未经过验证，但考虑到其架构是合理的，而且它的价格确实低。Qwen3.8-Max 的速度已经过验证且表现不佳，而且它的价格确实高。这两点都无法说明哪个模型写出的答案更好，而对大多数团队来说，答案质量才是他们目前还无法定论的问题。

测试三：为每个模型分配适合其特性的任务

这两个模型的失败方向正好相反，因此并排评估比单一的排名更具参考价值。

把冗长、多模态、高风险的极端任务交给 Qwen3.8-Max。400 页的申报材料、一段结账流程崩溃的屏幕录像、一张必须读对的图表。两者之中，只有它能真正接受这类输入，而且它还有一项独立评分可作为预期的参照基准。要为它的啰嗦做好预算：开启推理后，输出 token 按每百万 6 美元计费，而且数量会比你预想的多。首先该测的是指令遵循上的差距——Qwen 自己公布的表格中，IFBench 正是它最弱的一项，而独立的每任务成本数字，正是它超出任务范围的直接后果。

把 Mercury 3 用在短小、纯文本、对延迟敏感的一端，也就是错误答案很容易被抓出来的场景。自动补全、查询改写、首轮分类、辅导流程中的一个提示。锁定 effort 设置。设置重试预算。把每项质量声明都当作假设，因为它目前就是假设。

也不要给任何一个模型分配依赖另一个模型优势的任务。Qwen3.8-Max 无法靠礼貌请求就变快；Mercury 3 读不了一页 PDF。根据综合基准排名在二者之间做选择，是选错了变量。

OrcaRouter 在其中处于什么位置，而这只在一侧

Qwen3.8-Max 在我们的目录中以 qwen/qwen3.8-max 的形式提供，按供应商的目录价、0% 加价透传——因此如果 A​libaba 调整价格，这里当天就会生效，而不是等到下一个计费周期。它和我们提供的其他所有服务一样，通过同一个 OpenAI 兼容端点提供，这意味着评估只是改一下模型字符串，而生产试用只是调整流量百分比，不是迁移。

Mercury 3 不在我们的目录中。我们的模型 API 对任何 Inception 模型都不返回任何结果，因此通往它的途径是 Inception 自己的平台，而该平台会向新账户赠送 1 亿个免费 token。我们为 Q​wen 一侧提供路由，而不为 Mercury 一侧提供路由；你访问各自的方式之所以不对称，是由此决定的，而不是出于偏好。

路由层的实际用途在于，评估可以是盲测且低成本的。将一部分流量发送到 qwen/qwen3.8-max，让现有模型继续处理另一部分，并比较每完成任务的成本，而不是每 token 的成本——正如上面的数字所示，这两者并不是同一种衡量方式，甚至可能指向相反的方向。跨提供商的自动故障转移意味着某个端点表现不佳的一周会变成一项路由决策，而不是一次事故，而 路由 DSL 让你可以将这种拆分作为规则来保持，因此结束实验只需更改配置。

什么能解决这件事，以及在那之前该怎么做

三项测量就能结束这场争论。为 Mercury 3 提供一个 Artificial Analysis 页面，这会让两个模型置于同一套测试框架中，并用一个数字取代厂商的一句话。公布 Mercury 3 在编程或智能体基准测试上的完成率，这会把 token 折扣换算成单任务成本。以及在你自己的并发条件下对 Qwen3.8-Max 进行延迟测量，因为每秒 39.6 个 token 是榜单指标，而不是服务保证，而一个在基准测试中只是慢的模型，在负载下可能根本无法使用。

在那些东西出现之前，站得住脚的立场比两篇发布文章所暗示的都要窄。Qwen3.8-Max 是一个审慎、多模态、缓慢且昂贵的模型：你可以放心地为它定价，它也不会在输入格式上让你意外。Mercury 3 是一个便宜、快速、纯文本的模型，质量未知，速度数字也未被复现。对于交付前你不会审阅的工作，买 Qwen3.8-Max。对于有人正在等待、且重试免费的工作，试试 Mercury 3——并锁定 effort 设置，否则你就是在拿自己的低 effort 运行去和别人高 effort 的运行作比较。