Inception: Mercury 2 contre Qwen: Qwen3 VL 8B Instruct
Un comparatif côte à côte de Inception: Mercury 2 (0,88 $US / 1M jetons (≈ 0,78 €)) et Qwen: Qwen3 VL 8B Instruct (0,88 $US / 1M jetons (≈ 0,78 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| Inception: Mercury 2 | Qwen: Qwen3 VL 8B Instruct | |
|---|---|---|
| Fournisseur | Inception | Qwen |
| Entrée | 0,88 $US / 1M jetons (≈ 0,78 €) | 0,88 $US / 1M jetons (≈ 0,78 €) |
| Sortie | 2,63 $US / 1M jetons (≈ 2,35 €) | 2,63 $US / 1M jetons (≈ 2,35 €) |
| Lecture du cache | 0,09 $US / 1M jetons (≈ 0,08 €) | 0,42 $US / 1M jetons (≈ 0,38 €) |
| Fenêtre de contexte | 128 000 | 262 144 |
| Sortie max. | 50 000 | 235 929 |
| Entrée | text | image, text |
| Sortie | text | text |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 4 mars 2026 | 14 oct. 2025 |
Principales différences
- Les deux ont à peu près le même prix en entrée.
- Qwen: Qwen3 VL 8B Instruct lit 2.0× plus de contexte (262 144 tokens).
- Seul Inception: Mercury 2 prend en charge le contrôle de l’effort de raisonnement.
- Une requête de 1 000 tokens en entrée et 500 en sortie coûte 0,00219 $US avec Inception: Mercury 2 et 0,00219 $US avec Qwen: Qwen3 VL 8B Instruct.
En détail
Inception : Mercury 2 est un modèle texte d'Inception, publié le 4 mars 2026. Qwen : Qwen3 VL 8B Instruct est un modèle texte de Qwen, publié le 14 octobre 2025. Les deux sont servis via api14 dans la catégorie texte, donc ils occupent le même emplacement dans votre intégration même s'ils viennent de fournisseurs différents et ont été construits à des moments différents.
La séparation la plus claire se situe au niveau du contexte et des modalités. Qwen3 VL 8B Instruct accepte à la fois l'image et le texte en entrée et renvoie du texte, tandis que Mercury 2 accepte uniquement le texte et renvoie du texte. Qwen3 VL 8B Instruct dispose également de la fenêtre de contexte la plus large, avec 262144 tokens contre 128000 pour Mercury 2, il peut donc contenir environ deux fois plus de matière en un seul appel. Sur le raisonnement, c'est Mercury 2 qui dispose d'un support de raisonnement dédié : sa liste de paramètres inclut include_reasoning, reasoning et reasoning_effort, dont aucun n'apparaît pour Qwen3 VL 8B Instruct. Les deux sont à peu près au même prix en entrée et en sortie, donc le coût n'est pas un facteur décisif ici.
Pour les tâches qui impliquent des captures d'écran, des diagrammes, des pages scannées ou toute autre image accompagnée de texte, Qwen3 VL 8B Instruct est la seule option des deux, car Mercury 2 ne peut pas du tout prendre d'image en entrée. Il en va de même lorsque vous devez faire tenir un très gros document, une transcription ou une base de code dans un seul prompt, où la fenêtre de contexte plus large de Qwen3 VL 8B Instruct vous donne plus de marge avant de devoir découper. Mercury 2 est le meilleur choix lorsque la tâche bénéficie d'un contrôle explicite du raisonnement, car vous pouvez demander une sortie de raisonnement et ajuster l'effort de raisonnement, et lorsque l'entrée est purement textuelle et confortablement dans les 128000 tokens. Qwen3 VL 8B Instruct expose également un ensemble plus large de paramètres d'échantillonnage et de décodage, notamment frequency_penalty, presence_penalty, repetition_penalty, logit_bias, seed, top_k, top_p, logprobs et top_logprobs, ce qui compte si vous dépendez d'une reproductibilité par seed ou d'une inspection au niveau des tokens. Mercury 2 répond avec response_format, structured_outputs, tools et tool_choice, que Qwen3 VL 8B Instruct prend également en charge, donc la sortie structurée et l'appel d'outils sont disponibles des deux côtés.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous pointez votre client vers l'URL de base api14, envoyez votre requête au point de terminaison des complétions de chat avec votre clé api14, et définissez le champ model sur l'id souhaité. Passer de l'un à l'autre est un changement d'une ligne : utilisez "inception/mercury-2" pour Mercury 2 et "qwen/qwen3-vl-8b-instruct" pour Qwen3 VL 8B Instruct. Le format des messages, les champs tools et response_format et le comportement de streaming restent les mêmes, vous pouvez donc conserver un seul chemin de code et échanger l'id, ou router entre les deux à l'exécution selon que la requête porte une image.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "inception/mercury-2" par "qwen/qwen3-vl-8b-instruct" : prompts, streaming et outils continuent de fonctionner.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "qwen/qwen3-vl-8b-instruct",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Plus de comparatifs
- LiquidAI: LFM3-1.7B contre Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contre Crouton Alpha
- LiquidAI: LFM3-1.7B contre Tencent: Hy4
- LiquidAI: LFM3-1.7B contre Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contre Crouton Alpha
- Ricursive: Ripple 65B Preview contre Tencent: Hy4
- Ricursive: Ripple 65B Preview contre Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contre Tencent: Hy4