Mercury 3 對決 Qwen3.8-Max：廉價的 Token 與昂貴的答案

Qwen3.8-Max 與 Mercury 3 是一場定價爭論的兩極，而大多數模型比較卻把這件事弄反了。在價目表上，Mercury 3 於上市期間每百萬輸入 token 收費 0.10 美元、每百萬輸出 token 收費 0.35 美元，而 Qwen3.8-Max 則是 2.00 美元與 6.00 美元。生成成本看起來僅為其十七分之一。接著，Artificial Analysis 衡量每個模型完成任務的實際花費，Qwen3.8-Max 在每項 Intelligence Index 評估中為 5.41 美元，儘管其每 token 價格屬於中等——因為它為此生成了 1.9 億個 token，而中位數是 8500 萬。Mercury 3 由 Inception Labs 於 2026 年 10 月 19 日發布，卻完全沒有對等的測量數據。 像這次發布背後有記錄的 AI 故障與代理事件，都收錄在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

所以，有用的問題不是哪個模型每個 token 更便宜，而是哪個模型每完成一項工作更便宜；而兩家廠商的發布頁面都沒有回答這一點。以下是證據確實支持的部分，以及你必須自行衡量的部分。

Qwen3.8-Max 是什麼，在你實際會呼叫的版本中

Qwen3.8-Max 是阿里巴巴的旗艦模型：一款稀疏混合專家模型，總參數達 2.4 兆，每個權杖啟用 950 億參數，原生支援多模態——可輸入文字、圖像與影片，輸出文字——託管 API 提供 100 萬權杖上下文，輸出上限為 131,072 個權杖。自 2026 年 8 月 3 日起全面開放，獨立紀錄已不再薄弱。

• 智慧指數 — 在 Artificial Analysis Index v4.3.2 中為 45，於該頁面目前快照的 217 個模型中排名第 33。

• 輸出速度 — 每秒 39.6 個 token，在 186 個中排名第 183。該頁面本身的摘要稱其「明顯偏慢」。

• 每項索引任務成本 — $5.41，位居其列出模型中最昂貴的四分位。

• 冗長程度——整個索引執行期間產生了 190M 個輸出 token，相較於中位數 85M，被描述為「非常冗長」。

• 上下文 —— 於端點實測為 984k，這是所宣稱一百萬的實際上限，而非另一套規格。

這種組合本身自洽，值得直說：Qwen3.8-Max 是推理能力強、速度慢、話又多的模型。它擅長它被定價要去做的事，但邊際成本高昂，因為完成這件事需要很多步驟。每項任務 5.41 美元不是定價錯誤，而是模型的行為反映在帳單上。

關於版本的說明，因為任何比較頁面的人都會被這一點絆住。上述獨立測量是對照 9 月 2 日快照，列為「Qwen3.8 Max (0902)」。Alibaba 也提供一個未標日期的 qwen/qwen3.8-max 端點，價格同為 $2/$6，快取輸入費率為 $0.25；兩者在我們的目錄中都能解析，而對於任何你打算重現的內容，鎖定有日期的快照才是正確做法。

Mercury 3 帶給你什麼，以及它保留了什麼

Inception 的模型是一種擴散語言模型，能平行生成 token，而發布文章中的每個數字談的都是速度、規模或價格，而非品質。

• 吞吐量 — 每秒 1,068 個 token，歸因於「NVIDIA GPUs」，但未指明硬體、未提供批次大小，也未說明四種推理投入程度設定中的哪一種產生此數據。

• 上下文 — 100 萬個 token，較 Mercury 2.5 的 26 萬個有所提升，輸出上限為 131,072 個 token。

• 價格 — 定價為每百萬輸入 $0.20、輸出 $0.70，於上線期間減半至 $0.10 與 $0.35。快取輸入定價為 $0.02，上線期間為 $0.01。

• 強度 — 四種設定：即時、低、中、高。預設值為 低，而 Mercury 2.5 與 Mercury 2 則預設為中。

• 模態 — 文字輸入，文字輸出。不支援視覺，不支援音訊。

• 品質 — 沒有數值基準。其宣稱是它「優於 GPT-6 Luna 與 Claude Haiku 5.5」，但未提供領先幅度，也未指明基準測試名稱。唯一有結構的結果，是在 Inception 自家測試框架下，於 50 個真實的 Mind2Web 導覽任務中達到 50% 完成率。

那個預設的 effort 設定，是最可能讓比較失真的細節。模型以低 effort 回答時，會比同一個模型在高 effort 下更快、分數更低，而 Inception 自家的比較並沒有說明他們用的是哪個設定。如果你在評測 Mercury 3 時沒有固定這個參數，你的數字就無法與任何人的數字相比——包括 Inception 的。

測試一：看的是每項完成工作的成本，而非每個 token 的成本

以一個客服分流代理為例，它每天處理 200 萬個輸入 token 和 30 萬個輸出 token。在 Mercury 3 上按牌價計算，輸入為 $0.40、輸出為 $0.21，也就是每天 $0.61。在 Qwen3.8-Max 上按 $2/$6 計算，則是 $4.00 和 $1.80，也就是每天 $5.80。兩者相差大約十倍；而如果按推出時的費率計算，Mercury 這邊則會降至約 $0.31。

現在來說真正重要的更正。那些數字假設每個任務只跑一次。Qwen3.8-Max 在每個 GDPval-AA 任務上實測為 64 步，而其前代為 14 步，這正是把 6 美元的輸出費率變成每次評估 5.41 美元的機制。如果 Mercury 3 在 Qwen 只需嘗試一次的地方需要兩次，Mercury 的有效成本就會翻倍，部分差距也會縮小。如果 Mercury 需要四次嘗試，大部分差距就會縮小。因此，成本比較取決於一個沒有人測量過的完成率問題；這就是為什麼 token 費率表是兩家廠商頁面上最沒用的東西。

在輸入端，有一個值得了解的槓桿。Qwen3.8-Max 每百萬個快取輸入 token 收費 $0.25；Mercury 3 收費 $0.02，推出期間為 $0.01。代理程式在每一步都會重新送出相同的系統提示與工具定義，因此一段 20,000 token 的前置內容，按 Mercury 的快取費率每次呼叫要 $0.0004，而 Qwen 則要 $0.005。在五十步的執行中，這就是兩美分對二十五美分。兩款模型的標價都沒有反映這一點，而對代理工作負載來說，這才是決定預算的數字。

測試二：當有人在等待時，緩慢的模型會付出什麼代價

速度正是這兩個模型完全不在同一級別的地方，而值得精確說明每一項測量各自代表什麼意思。

Mercury 的每秒 1,068 個 token 是廠商數據，沒有獨立重現。我們從 Artificial Analysis 取得的是上一代資料：Mercury 2.5 在其自家測試框架下測得約每秒 706 個 token，低於該次發表時所附的廠商數字。這個落差是此類別中廠商數據與獨立數據之間的正常折扣，並非不誠信的證據——但在有人重現之前，這就是你在心裡對 1,068 該打的折扣。

Qwen3.8-Max 的每秒 39.6 個 token 是獨立測量所得，並附有排名：186 個之中排名第 183。以這種速度，一個 1,500 個 token 的回答光是生成就要花約 38 秒，這還不含 prefill。對於會回報結果的背景代理程式而言，這沒問題。但對於任何人類會盯著游標看的情境，無論品質如何，光這一點本身就足以淘汰。

這正是這場比較真正立足的分界線。Mercury 3 的速度未經證實，但以此架構而言尚屬合理，而且價格確實低廉。Qwen3.8-Max 的速度已獲證實，但表現不佳，價格也確實高昂。這兩項事實都無法告訴你哪個模型寫出的答案更好，而對多數團隊來說，答案品質這個問題正是他們目前還無法解決的。

測試三：讓每個模型做它適合的工作

這兩個模型的失敗方向相反，因此並排評估比單一排名更具資訊性。

把冗長、多模態、高風險的一端交給 Qwen3.8-Max。一份 400 頁的申報文件、一段結帳流程故障的螢幕錄影、一張必須正確判讀的圖表。在兩者之中，它是唯一能接收這類輸入的，而且它有獨立評分可作為設定預期的依據。要為冗長輸出編列預算：開啟推理時，輸出 token 每百萬收費 6 美元，而且數量會比你想像的還多。應先測試的是指令遵循落差——Q​wen 自己公布的表格把 IFBench 列為其最弱的一項數字，而獨立的每項任務成本數字，正是它超出範圍的直接後果。

讓 Mercury 3 負責短、純文字、對延遲至關重要的端點場景，在這些場景中，錯誤答案很容易被抓出來。自動補全、查詢改寫、第一輪分類、教學流程中的提示。固定 effort 設定。設定重試預算。把每一項品質宣稱都當成假設，因為它目前就只是假設。

此外，也別把取決於另一個模型長處的工作交給任何一方。Qwen3.8-Max 不會因為你客氣請求就變快；Mercury 3 讀不了 PDF 頁面。只憑整體基準排名在兩者之間做取捨，等於選錯了變數。

OrcaRouter 在這其中所處的位置，而這僅在一側

Qwen3.8-Max 已在我們的目錄中以 qwen/qwen3.8-max 提供，價格為供應商牌價且 0% 加成直接反映 — 因此若 A​libaba 調整費率，變更會當天在此生效，而不是等到下一個帳單週期。它和我們提供的其他所有服務一樣，位於同一個 OpenAI 相容端點之後，這表示評估只是改一個模型字串，而正式試用只是調整流量百分比，並非遷移。

Mercury 3 不在我們的目錄中。我們的模型 API 對任何 Inception 模型都不回傳任何內容，因此通往它的途徑是 Inception 自己的平台，而該平台會發給新帳戶 1 億個免費 token。我們為 Q​wen 這一側提供路由，卻不為 Mercury 這一側提供路由；你接觸各自的方式之所以不對稱，是源於這一點，而不是出於偏好。

路由層的實際用途在於讓評估可以盲測且低成本。將一部分流量送往 qwen/qwen3.8-max，讓現有模型留在另一部分，並比較每完成任務成本而非每 token 成本——正如上述數字所示，這兩者並非同一種量測，且可能指向相反方向。跨供應商的自動容錯移轉意味著某個端點表現不佳的一週會變成路由決策，而不是事故，而路由 DSL讓你能將分流比例保留為規則，因此結束實驗只是一項配置變更。

什麼能讓這件事塵埃落定，以及在那之前該做什麼

三項測量就能結束這場爭論。為 Mercury 3 建立一個 Artificial Analysis 頁面，這會讓兩個模型處於同一套測試框架下，並用數字取代廠商的一句話。公布 Mercury 3 在程式設計或代理式基準測試上的完成率，這會把 token 折扣轉換成每項工作的成本。以及在你自己的併發負載下測量 Qwen3.8-Max 的延遲，因為每秒 39.6 個 token 是指標數字，不是服務保證，而一個在基準測試中只是偏慢的模型，在高負載下可能根本無法使用。

在那些出現之前，站得住腳的立場比兩篇發布文所暗示的都更狹窄。Qwen3.8-Max 是一個審慎、多模態、緩慢、昂貴的模型，你可以有信心地估算其價格，而且它不會在輸入格式上讓你意外。Mercury 3 是便宜、快速、純文字的模型，品質未知，速度數據也未被重現。對於交付前你不會親自審閱的工作，買 Qwen3.8-Max。對於有人正在等待、且重試免費的工作，試用 Mercury 3——並固定投入程度設定，否則你會拿自己的低投入執行結果去和別人的高投入比較。