Mercury 3 对比 Reflection Beam：最快的闭源模型遇上最快的开源模型

Reflection Beam 带着一个可核验的数字登场，而 Mercury 3 带来的数字则无法核验。Artificial Analysis 给 Beam 评出的成绩是每秒 335.1 个输出 token，首 token 时间为 0.80 秒，智能指数为 30——在 78 个被测模型中速度排第四，在 121 个模型中质量排第二十。Mercury 3 声称达到每秒 1,068 个 token，却没有任何形式的独立评分；此时距离 Inception 于 2026 年 10 月 19 日发布它才过去一天。因此，开启这场比较的公平方式不是问“谁更快”，而是问“当未测量的一方被测量时，差距会发生什么变化”。像这次发布这样的发布背后，有记录的 AI 故障和智能体事件都收录在OrcaRouter AI Incident Archive中，每条记录都附有自己的来源、严重程度、置信度等级和争议标记。

这对组合之所以在规格表之外仍然重要，是因为两个模型卖的是同一样东西。Mercury 3 是一种扩散语言模型，可并行细化 token 块；Reflection Beam 是一种稀疏专家混合模型，总参数达 5010 亿，但每个 token 仅激活 230 亿。手法不同，押注相同：下一场较量在于推理成本，而非能力上限。Beam 于 2026 年 10 月 5 日发布，其权重于 10 月 16 日以 Apache 2.0 许可上线；Mercury 3 在九天后以闭源 API 形式推出。其中一个你可以下载并自行评测，另一个你只能调用并选择信任。

双方实际上各自记录在案的内容

Beam 的记录详细到足以拿来争论。Intelligence Index 为 30，在 121 个模型中排名第 20，高于 Artificial Analysis 所记录的同类开放权重模型中位数 19。实测每秒输出 335.1 个 token，首个 token 用时 0.80 秒，两项对比的同类中位数分别约为每秒 77 个 token 和 1.70 秒。公布价格为每百万输入 token $0.70、每百万输出 token $2.10，并享有 84% 缓存折扣，折算为每个索引任务 $0.57 的计算成本。完成该索引的冗长度指标为 7900 万输出 token，在 47 个受评估模型中位列第十精简，而中位数为 1.4 亿。最后一个数字是效率主张首次出现在别人的评测框架中，也是两个模型档案中最有意思的数字。

相比之下，Mercury 3 的记录是三项声明和一个小型实验。声明包括：在 NVIDIA GPU 上每秒 1,068 个 token；参数量是 Mercury 1 的 40 多倍，实测智能约为其 3 倍；质量“与 GPT-6 Luna 和 Claude Haiku 5.5 等前沿速度优化模型相当或更优”。实验是：在 Inception 自家的 web-agent 测试框架中执行 50 个实时 Mind2Web 导航任务，完成率为 50%，“显著多于 GPT-6.1-Sol”，且 token 用量和步数相同，因此成本只有其一小部分。这些结果均未经过独立复现，而 Artificial Analysis 根本没有 Mercury 3 的页面。

这种不对称并不是对 Inception 工程能力的贬低，而是在说明你今天能决定什么。对于 Beam，你可以计算每个已完成任务的成本，因为有人衡量了任务完成情况和冗长度。而对于 Mercury 3，你只能计算每个 token 的成本，除此之外别无其他。

规格表，每行附有采购来源信息

• 每百万价格——Mercury 3 标价为输入 $0.20、输出 $0.70，发布折扣期间为 $0.10 和 $0.35；相比之下 Beam 为输入 $0.70、输出 $2.10

• 缓存输入 — Mercury 3 的标价为每百万 $0.02，而 Beam 在输入费率上提供 84% 折扣，即每百万约 $0.11

• 吞吐量 — Mercury 3 为每秒 1,068 个 token，系厂商声称，未说明硬件；Beam 为每秒 335.1 个 token，由 Artificial Analysis 实测

• 首个 token 时间 — Mercury 3 未公布，对比 Beam 实测 0.80 秒

• 智能指数 — 截至 2026 年 10 月 20 日，Mercury 3 未收录；而 Beam 30 在 121 个中排名第 20。

• 每个索引任务的成本 — 若无评分，Mercury 3 无法计算，而 Beam 为 $0.57

• 索引中的输出冗长度——Mercury 3 未公布，而 Beam 为 7900 万个 token，在 47 个中精简度排名第 10

• 上下文窗口 — Mercury 3 为 1,000,000 个 token，最大输出 131,072 个 token；Beam 为 1,048,576 个 token，最大输出 131,072 个 token

• 参数 —— Mercury 3 未披露，仅称其超过 Mercury 1 的 40 倍；相比之下，Beam 总参数量为 501B，每 token 激活 23B

• 输入模态——两者均仅为文本

• 推理控制 — Mercury 3 提供从即时到高的四档设置，默认低档；Beam 则强制要求设置推理强度，共五级；而 Reflection 的文档默认设为最高档

• 权重 — Mercury 3 闭源版对比 Beam Apache 2.0，涵盖 BF16、FP8 以及 273 GiB 的 NVFP4 构建版本

• 自托管 — Mercury 3 仅提供企业专属容量，而 {{1}}Beam a reference deployment of four NVIDIA B300 GPUs on NVLink{{/1}} 则提供首日 vLLM、SGLang、Transformers 和 Dynamo 支持

关于价格项有一点需要注意。Mercury 3 的折扣没有公布结束日期，因此规划中可采用的数字是 $0.20/$0.70，而不是 $0.10/$0.35。Beam 的 $0.70/$2.10 是由评估方和 Reflection 自有平台发布的实时费率卡。

真正重要的差距是 335 对 1,068。

如果 Inception 的数据在中立测试框架下成立，那么 Mercury 3 的速度大约是该领域已测得最快的开放权重模型的三倍，而且其输入价格仅为 Beam 的三分之一，输出价格也仅为 Beam 的三分之一。更快且更便宜——这一组合用一句话概括了支持 Mercury 3 的理由，而这是一句很有力的话。

问题在于，这句话完全依赖一个未说明方法论的数字化结论。Inception 没有说明用的是哪款 GPU、批大小是多少、推理强度设置如何，也没有说明测量是单流还是聚合。这四个选择中的任何一个都会让吞吐量数字成倍变化。需要打的折扣并非假设：Mercury 2.5 发布时，厂商给出的吞吐量数字明显高于 Artificial Analysis 随后在其自有测试框架下测得的每秒 706 个 token。这是该品类中厂商数据与独立评测之间的正常差距，并非恶意——但这正是应当假设的差距。

如果按三比一削减，Mercury 3 会落在接近每秒 350 个 token 的水平：与 Beam 的实测数值持平，价格只有三分之一，质量评分未知。如果按二比一削减，它便稳稳是两家实验室在这个价位上推出过的最快模型。无论哪种情况，比较结论都会从“快三倍”变成“速度介于与 Beam 一样快和快三倍之间，而且无论哪种情况都比 Beam 便宜”。

同一对数字中还隐藏着第二个不对称之处。Beam 的 0.80 秒首个 token 时间，是在一个默认采用最高努力设置的推理模型上测得的——这意味着该模型在输出任何内容之前都在进行真正的思考，却仍能在不到一秒内返回首个 token。这比原始吞吐量数字更令人印象深刻的工程成果，而且这是只有独立测试框架才能发现的东西。

230 亿活跃参数才是 Beam 这边的真正看点。

Beam 规格卡上的 501B 数字基本没在发挥作用。每个 token 仅激活 230 亿参数，模型在处理任意给定 token 时大约只唤醒自身的 4.6%，这一激活比例即便按当前开放权重模型的标准来看也相当激进。架构说明中提到了交错的局部与全局注意力、细粒度路由专家、SandwichNorm 以及 FP8/FP4 服务构建，但实际后果更简单：Beam 能装进单个四 GPU 节点。这是一种面向服务的配置，而非研究上的新奇玩意。

这也解释了关于输出冗长度的结果。一个模型花费 7900 万个输出 token 来完成一项索引，而中位数是 1.4 亿个，这相当于用大约一半的输出 token 完成同样的工作，而输出 token 正是成本所在。Reflection 自己的论点是推理时的效率，而不是在前沿水平上的持平，公司在其发布材料中也如此表示——它承认在原始能力上让位于 Kimi K3 和 G​LM。独立数据同时支持这一让步和效率主张。

Mercury 3 的效率论点在性质上有所不同。它讲的不是花更少的 token，而是更快地生成 token；而 Inception 的规模化叙事——参数是其第一个模型的 40 倍、测得智能水平是其三倍、速度相同——是在声称扩散模型的并行性带来了自回归模型无法匹敌的吞吐量。这是一个有说服力且有趣的论点。它也完全是自报的，并且完全没有说明该模型为得出相同答案所花费的 token 是否比同等自回归模型更多。没有人公布过 Mercury 3 的冗长度数据，因为根本没有可供提取该数据的 Mercury 3 评估。

每项已完成工作的成本，逐项核算

以一个智能体编码任务为例：20 万 token 的仓库上下文，输出 4,000 token 的补丁和说明，并且整个团队每天运行 5,000 次。

• Mercury 3 按标价计算——10 亿输入 token，按每百万 $0.20 计算为 $200；2000 万输出，按每百万 $0.70 计算为 $14。每天约 $214。

• Mercury 3 按上市价——每天约 107 美元。

• 按 Beam 公布的价格计算——1,000 million 输入按 $0.70 计为 $700；20 million 输出按 $2.10 计为 $42。每天约 $742，这还没算 84% 的缓存折扣，而这一点在这里极其重要，因为仓库上下文恰恰就是那种会被缓存的前置内容。若上下文的缓存命中率达到现实水平，输入费用项会降至约 $112，每日总费用则落在 $154 附近。

这套算术正是这两个模型存在的原因。在缓存良好的智能体工作负载上，两者相差不到40%——缓存场景好时Beam略便宜，场景差时Mercury 3更便宜——而且两者的费用都只是前沿模型对同样流量收费的一小部分。成本论证并不能把它们区分开。真正区分它们的是：Beam的数字可复现，而Mercury 3的数字是标价，对应的完成率却未知。

许可问题，远未接近解决

Beam 的权重可在 Apache 2.0 许可下以三种精度下载，另有一个 1.93B 的推测解码草稿模型，Reflection 表示不限制蒸馏、微调、量化或合并。有一个一致性验证工具——beam-verifier——它会针对任何在线的 Beam 端点运行一套测试，然后在主要基准上对其进行评估，这意味着买家可以核验提供商给出的数字，而不是直接相信它们。自托管完全消除了按 token 计费的问题，并将其转化为 GPU 小时数的问题。

Mercury 3 这些都不提供。它是闭源的，仅提供 API，其企业版增加的是专用容量和可配置的数据保留，而不是权重。对于模型只是你所销售产品中的一个组件的工作负载而言，那是一种依赖，而不是供应链。

还有一个厂商历史信号。Inception 自己的迁移说明称，Mercury 2 和 Mercury 2.5 已对新用户关闭，现有客户将于 2026 年 11 月 15 日失去访问权限——距离 Mercury 3 发布还不到一个月。一家公司如此迅速地淘汰两代产品，是在告诉你它期望其模型以何种方式被使用：作为短命的租赁服务。而 Reflection 目前恰恰相反，交出了实际产物。

鉴于两款型号都不在我们的产品目录中，路由器应如何定位？

OrcaRouter 既不提供 Mercury 3，也不提供 Reflection Beam。查询我们的模型 API，两者均无返回结果，我们不会描述自己并不具备的路由。我们实际提供的是围绕它们的这一层：一个兼容 OpenAI 的端点背后有 200 多个模型，按提供商标价、零加价，并具备自动故障转移和 用于将模型组合为单次调用的路由 DSL。

对于这一特定组合，这一层承担两项工作。第一项是比较。如果你想知道一个每秒 300 token 的开放权重模型在你就此投入之前是否已经快到足以支撑你的产品，诚实的测试方法就是让工作负载跑在你已经可以调用的模型上——上下文为 1,048,576 token、价格为 $3.00/$15.00 的 Kimi K3，价格为 $1.40/$4.40 的 GLM 5.2，价格为 $2.00/$6.00 的 Qwen 3.8-Max——并衡量你的用户实际会注意到什么。第二项是回退。自托管的 Beam 部署和供应商托管的 Mercury 3 是两种不同的故障模式；将生产路径置于带故障转移的路由器之后，意味着端点降级会成为一个被记录的事件，而不是一次服务中断。因为提供商标价原样传递，Reflection 的降价或 Inception 的折扣会在宣布当天反映到你的账单上。

这个决定依据的是约束条件，而不是得分。

• 如果你需要让模型成为一项资产——可审计、可微调、可在自己的硬件上运行、即使供应商消失也依然可用——那么 Beam 是这里唯一的选择。Apache 2.0，一个可放在单个节点上的 273 GiB 构建，以及一个验证器，可对照 Reflection 的数字检查任何提供商。对于 Mercury 3 完全无法回答的问题，这就是一个完整的答案。

• 如果你需要在闭源 API 上获得尽可能低的延迟，并且有人正在等待，那么 Mercury 3 是更值得考虑的选择，而且它的价格让评估成本很低。测试时请明确固定 effort 设置，因为默认值很低，而 Inception 的说法并未说明这些结果是在哪个设置下产生的。

• 如果你需要在做出选择之前了解质量，Beam 有一个数值，而 Mercury 3 没有。在包含 121 个模型的指数中，30 分只是平庸——它不是前沿分数，Reflection 也没有声称它是——但它是你可以据此设计的下限。

• 如果你的工作负载是智能体式且长时间运行的，Beam 默认会以最大努力强制进行推理，因此每次调用成本都很高；而 Mercury 3 默认采用低努力，因此每次调用成本都很低。至于按每个已完成作业计算，哪一个更便宜，取决于 Mercury 3 的完成率，而目前还没有人测量过这一完成率。

对这个比较来说，最有用的一件事就是得到一项独立的 Mercury 3 测量结果。如果测得的数值接近 1,068，并且质量得分具有竞争力，那么 Inception 就已经推出了该领域最快的廉价模型，而 Beam 的效率叙事也就变成了关于开放性的故事，而不是关于原始速度的故事。如果测得的数值接近 Beam 的 335，并且得分处于中游，那么最快的开放权重模型和最快的闭源模型速度相同，决定性问题就变成了价格、许可证，以及你是否想拥有这个模型产物——而目前 Beam 在这三个问题上都有更好的答案。