Mercury 3 與 Muse Wonder：首個 Token 要等三十二秒

這項比較中有一個實測數字，本應在爭論開始前就終結它。Artificial Analysis 記錄到 Muse Wonder 的首個 token 時間為 32.08 秒。Mercury 3 宣稱每秒輸出 1,068 個 token，卻完全沒有獨立測量。一個模型要花半分鐘才開始回答；另一個則聲稱，在讀完這句話的時間內就能寫出一千個字。在延遲方面，它們根本不屬於同一類產品，而且再多的基準測試優勢，也無法彌補首個字元出現時間上三十倍的差距。 像這類發布背後的已記載 AI 故障與代理事件，都收集在 OrcaRouter AI Incident Archive，其中每一條記錄都附有自己的來源、嚴重程度、信心等級與爭議旗標。

但這是這個故事的簡單版本，而且它在一個重要方面會造成誤導。Muse Wonder 並不是在追求速度。Meta 於 2026 年 10 月 12 日發布 Muse Wonder，將它定位為前沿推理模型，定價為每百萬輸入 token 4.00 美元、每百萬輸出 token 20.00 美元；在這個價格上，買到的是深度——一個會思考三十秒並把難題做對的模型。Inception 於 2026 年 10 月 19 日發布的 Mercury 3，定價低二十到五十倍，因為它賣的是相反的取捨。開發者真正面對的問題不是哪個更好，而是你的產品做的是哪一種取捨，以及你是否誠實面對自己那到底是哪一種。

這兩個模型，各用一段來說明。

Mercury 3 是一種擴散語言模型——Inception 的術語是 dLLM——它會並行生成 token，而不是一次生成一個。它具備 100 萬 token 的上下文、131,072 token 的最大輸出、僅支援文字輸入，並在與 OpenAI 相容的端點上支援工具呼叫與結構化輸出；此外還有四種推理強度設定（instant、low、medium、high），預設為 low。定價為每百萬輸入 token 0.20 美元、每百萬輸出 token 0.70 美元，目前「上市期間」減半為 0.10 美元與 0.35 美元，且未公布結束日期。Inception 的品質說法是比較性的，且未附評分：它表示該模型與「GPT-6 Luna 和 Claude Haiku 5.5 等前沿速度最佳化模型」持平或更佳，並報告其自家代理測試框架的一項任務結果——在 50 個實際運行的 Mind2Web 任務上達到 50% 完成率。

Muse Wonder 是 Meta 的前沿推理模型，以兩個檢查點的形式發布：muse-wonder-1.0，可於 Meta Model API 及 Muse Code 內呼叫，以及muse-wonder-full-1.0，Meta 表示這是僅供 Muse Code 訂閱者使用、得分更高的配置。兩者均具備 1M token 的上下文，並採用相同的 $4.00/$20.00 費率，另享 95% 的快取折扣。推理為強制功能——努力程度階梯從 minimal 到 max，預設為 medium，而推理 token 按輸出計費。輸入為文字、圖像、語音與影片；輸出為文字。

每一項在請求層級實際上要花多少成本

在這種比較中，每個 token 的價格是最不實用的數字，因為兩個模型完成同一項工作所消耗的 token 數量差異極大。一個預設為中等努力程度、並在完成一次評估執行時花費 1.3 億個輸出 token 的推理模型，其定價不會和一個針對簡短回答最佳化的模型相同——甚至在套用費率表之前就已經如此。所以，要用兩種方式為同一項工作計價。

以文件審查助理為例：輸入 20,000 個 token 的合約文字，輸出 500 個 token 的結構化摘要與風險清單，每天進行 2,000 次審查。

• Mercury 3 按定價計算 — 4,000 萬個輸入 token，以每百萬 $0.20 計算，為 $8.00；100 萬個輸出 token，以每百萬 $0.70 計算，為 $0.70。每天約 $8.70。

• Mercury 3 以推出時的價格計算——其中一半約為每天 4.35 美元。

• Muse Wonder — 4,000 萬輸入 token 以 $4.00 計為 $160；100 萬輸出 token 以 $20.00 計為 $20。再加上推理 token，這些會按輸出計費，且 Meta 不允許你關閉。保守以每次呼叫 1,000 個推理 token 計算，輸出部分就變成 300 萬 token，即 $60，每日總計 $220。

在相同流量下，這是二十五倍的差距，而且這還是對 Muse Wonder 稍微有利的說法，因為推理模型在需要審慎處理的任務上，通常會花費遠超過一千個思考 token。努力程度設定是唯一的槓桿，而且它同時牽動成本與品質——你無法在不降低答案品質的情況下調低思考量。

這就是讓這項比較不只是算術的部分。Mercury 3 並未公布任何評測的輸出 token 數量，因此沒有人知道它在基準任務上究竟是簡潔還是冗長。如果事實證明它是個話多的模型，每日成本會呈倍數變動，而不是百分比變動。這二十五倍的差距在實際生產環境中可能是十五倍，也可能是四十倍，而無論哪一種，都沒有已公布的證據。

吞吐量主張，以及削弱它的那個數字

Inception 的主打數據是在 NVIDIA GPU 上每秒 1,068 個 token，並被描述為比其所對比的模型快 4 到 8 倍。該公司未指明硬體、批次大小、effort 設定，或該數字是單流還是彙總，而這四項選擇會讓該數字相差數倍。截至 2026 年 10 月 20 日，尚無獨立的 Mercury 3 測量結果——Artificial Analysis 仍列出 Mercury 2.5 與 Mercury 2，且沒有 Mercury 3 頁面。

前一世代確實存在的獨立測量結果頗具啟發性。Artificial Analysis 在其自有測試框架下，測得 Mercury 2.5 約為每秒 706 個 token。這是真實且可重現的第三方數字，且明顯低於該次發布時所公布的廠商數字。這個差距是此類別中廠商數字與獨立測量之間常見的折扣，而非不誠實的證據——但在有人重現 1,068 之前，這就是應該在心理上套用到 1,068 的折扣。

另一方面，Muse Wonder 的實測輸出速度為每秒 161 個 token，首個 token 的實測耗時則為 32.08 秒。這兩個數字都顯示 Meta 的模型正按設計運作：首個 token 要經過漫長的思考過程才出現，其餘答案則以中等速度串流輸出。對批次工作來說，這無關緊要；但對任何有人等待的情境而言，這就是全部的體驗。

實測品質差距的方向正好相反。Muse Wonder 在 Artificial Analysis Intelligence Index 上得分 52，在 217 個模型中排名第九，每項指數任務的算力成本為 4.52 美元。Mercury 3 沒有指數分數。Muse Wonder Full 得分 56，在 696 個模型中排名第四；由於 Meta 不按 token 販售，因此未公布價格。因此，誠實的框架是：一個具有實測上限與實測延遲問題的前沿模型，對上一個宣稱有延遲優勢、卻完全沒有實測上限的平價模型。

推理是產品決策，不是設定。

這些模型之間最深的差異不是價格或速度，而是模型是否被允許短暫思考。

Mercury 3 在省略 reasoning 參數時預設為低投入（low effort），而四種設定從 instant 到 high。那個預設值是最可能被忽略、也最可能扭曲任何比較的細節：以低投入作答的模型，會看起來比同一個模型在高投入時更快、分數更低，而 Inception 自家的比較性說法並未說明是哪個設定產生的結果。如果你自己對 Mercury 3 做基準測試，請明確固定投入等級，否則你的數字將無法與其他人的數字相比——包括 Inception 的。

Muse Wonder 在設計上恰恰相反。推理是強制性的，預設為中等，而且沒有可以關閉它的開關。對一個瞄準專業與代理式工作的模型而言，這是刻意的設計選擇：Meta 的說法是，思考本身就是產品。這也意味著這個模型沒有便宜的路徑。每次呼叫都得付推理稅，而每百萬輸出 token 收費 20 美元，一個長時間的代理迴圈若填滿 943,718 token 的輸出預算，帳單可就相當可觀。

對開發者而言，實際後果是這兩個模型無法在單一提示模板背後互換並公平比較。要在 Mercury 3 上把同一項任務做好，意味著得選擇努力程度；要在 Muse Wonder 上做到，則意味著得接受思考時間。唯有當兩者都被固定到相同的實際行為時，比較才有意義，而對 Mercury 3 來說，該行為並沒有文件記載。

關於 Meta 自家的評分板，以及為何它並非最終定論

Meta 在發布時公布了一張基準測試表，涵蓋兩個檢查點，並與在最高推理設定下的 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5.5 並列比較。每一個數字都是廠商自行報告的，是在 Meta 的測試框架中產生的，而且沒有任何一項經過獨立重現。儘管如此，其中有兩行值得納入本次比較，因為它們展示了這款模型確實做到了它被推銷要去做的事。

• JobBench，長時程專業任務 — 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，電腦操作 — 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

當 Meta 與獨立評測機構的數字不一致時，該用來做規劃的是獨立的那個數字。Meta 的表格把 Muse Wonder Full 在 Artificial Analysis Index 上列為 59.0；而 Artificial Analysis 自己公布的是 56。同一個指數上差三分算不上醜聞，但它確立了哪個數字背後有一套方法論。

Mercury 3 沒有可供爭辯的對等表格。它唯一結構化的品質結果是 Mind2Web 代理測試：在 Inception 自家生產測試框架中執行 50 個即時導航任務，完成率為 50%，「顯著高於 GPT-6.1-Sol」，使用相同的 token 量與相同的代理步數，因此每 token 成本僅為一小部分。五十個任務是小樣本，測試框架是 Inception 的，且比較模型僅被指名而沒有分數。這是一個真實訊號，顯示該模型能以遠低於前沿模型執行相同工作的成本來驅動瀏覽器。但這不是基準測試。

你實際上應該評估的是這兩者中的哪一個

這個決定通常取決於一個問題：這份輸出是由人等待接收，還是由佇列消費？

如果要讓人類等待，Muse Wonder 幾乎會被自己的測量數據淘汰。首個 token 要等三十二秒，這不是能端到客戶面前的延遲，也不會有人選擇它作為聊天介面。Mercury 3 正是為這種情境打造，而且它的價格讓實驗成本很低。即使在中立測試框架下，吞吐量只有宣稱的一半，它仍然比前沿級別的任何模型快好幾倍。

如果佇列會消耗它——夜間文件處理、會交付報告的代理式執行、無人監看的後台工作流程——那麼首個 token 要花 32 秒就不再重要，而實測的品質差距開始變得重要。Muse Wonder 在指數上為 52，並有完整的獨立紀錄，是已知量。Mercury 3 的指數分數未知，且在錯誤答案代價高昂又無人監控的工作負載上，則是一場賭注。

有三種情況不屬於這兩者：

• 提示詞中的影片、圖像或音訊——Muse Wonder 三者全收，Mercury 3 一概不收。無需取捨。

• 任何需要最高得分檢查點的用途——Muse Wonder Full 不是 API 產品。它是 Muse Code 每月 50 至 200 美元的訂閱服務，而 Meta 尚未表示會開放它。

• 任何需要以穩定價格進行規劃的情況——Mercury 3 的上市折扣沒有結束日期，而其前代產品正逐步停止向新使用者提供。Muse Wonder 的 $4/$20 沒有宣布任何變動。

OrcaRouter 在這裡會做什麼、不會做什麼

Muse Wonder 與 Mercury 3 都不在我們的目錄中。查詢我們的模型 API，meta/muse-wonder 沒有任何結果，任何 Inception 模型也同樣沒有結果，而我們不會描述我們並未提供的途徑。我們從 Meta 實驗室引進的是 Muse Spark 系列——Muse Spark 1.2 與 Muse Spark 1.1，兩者皆具備 100 萬 token 的上下文，每百萬 token 輸入 $1.25、輸出 $4.25。

對這個特定對決來說，這件事比聽起來更重要。使用 Muse Wonder 的理由是深度，使用 Mercury 3 的理由是速度。這兩者都能用你已經能呼叫的模型來測試：Muse Spark 1.2 提供你一個在我們這邊附有公開價目表的 Meta 推理系列，而透過單一 OpenAI 相容金鑰就能存取的 200 多個模型，讓你不必簽第二份合約就能做延遲比較。如果 Muse Wonder 的 $4/$20 要對你的工作負載站得住腳，它就必須勝過某個東西——而那個東西應該是你今天下午就能測量的模型。

值得特別指出的機制優勢是價格傳導。供應商的牌價會原封不動地反映到你的帳單上，因此廠商降價——例如 Inception 的 50% 首發折扣，或假設中的 Meta 降價——在宣布當天就會在我們這邊生效，而不是等到下一次續約。這看似微不足道，直到有一天它不再如此。

「什麼能解決這件事？」

兩項測量就能完成大部分工作。第一項是在明確指定的測試框架、努力程度與批次大小下，獨立的 Mercury 3 吞吐量數據；第二項是任何獨立的 Mercury 3 品質分數，任何一種都行。在兩者都存在之前，這場比較中最快的模型，也是你了解最少的模型；而能力最強的模型，則是你只能透過訂閱，或以一個難以合理化的價格來使用——除非你的使用情境能容忍半分鐘的靜默。

這之所以是容易的決定，而不是困難的決定，在於這兩個模型並不是在競爭同一個位置。唯一真正的風險是選錯位置——因為某個模型的基準測試成績更好，就把一個三十秒的模型部署到聊天視窗裡；或者因為某個模型的價格更划算，就把一個未經測量的模型部署到無人監控的流程中。這兩者都是關於你產品的決定，而不是關於模型的決定，而且這兩者都不是排行榜上的某個數字能定奪的。