Inception: Mercury 2 mot Qwen: Qwen3 VL 8B Instruct
En jämförelse sida vid sida av Inception: Mercury 2 (0,88 US$ / 1M textdelar (≈ 8,57 kr)) och Qwen: Qwen3 VL 8B Instruct (0,88 US$ / 1M textdelar (≈ 8,57 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| Inception: Mercury 2 | Qwen: Qwen3 VL 8B Instruct | |
|---|---|---|
| Leverantör | Inception | Qwen |
| Indata | 0,88 US$ / 1M textdelar (≈ 8,57 kr) | 0,88 US$ / 1M textdelar (≈ 8,57 kr) |
| Utdata | 2,63 US$ / 1M textdelar (≈ 25,72 kr) | 2,63 US$ / 1M textdelar (≈ 25,72 kr) |
| Cacheläsning | 0,09 US$ / 1M textdelar (≈ 0,86 kr) | 0,42 US$ / 1M textdelar (≈ 4,11 kr) |
| Kontextfönster | 128 000 | 262 144 |
| Max utdata | 50 000 | 235 929 |
| Indata | text | image, text |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 4 mars 2026 | 14 okt. 2025 |
Viktiga skillnader
- Båda har ungefär samma indatapris.
- Qwen: Qwen3 VL 8B Instruct läser 2.0× mer kontext (262 144 tokens).
- Endast Inception: Mercury 2 stöder styrning av resonemangsnivå.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,00219 US$ med Inception: Mercury 2 och 0,00219 US$ med Qwen: Qwen3 VL 8B Instruct.
Mer i detalj
Inception: Mercury 2 är en textmodell från Inception, släppt den 4 mars 2026. Qwen: Qwen3 VL 8B Instruct är en textmodell från Qwen, släppt den 14 oktober 2025. Båda serveras via api14 under kategorin text, så de upptar samma plats i din integration även om de kommer från olika leverantörer och byggdes vid olika tidpunkter.
Den tydligaste skillnaden ligger i kontext och modaliteter. Qwen3 VL 8B Instruct accepterar både bild och text som indata och returnerar text, medan Mercury 2 endast accepterar text och returnerar text. Qwen3 VL 8B Instruct har också det större kontextfönstret med 262144 tokens mot 128000 för Mercury 2, så det kan rymma ungefär dubbelt så mycket material i ett enda anrop. När det gäller resonemang är Mercury 2 den som har dedikerat stöd för resonemang: dess parameterlista innehåller include_reasoning, reasoning och reasoning_effort, vilka ingen av dem förekommer för Qwen3 VL 8B Instruct. De två har ungefär samma pris både för indata och utdata, så kostnaden är inte en avgörande faktor här.
För uppgifter som involverar skärmbilder, diagram, skannade sidor eller någon annan bild tillsammans med text är Qwen3 VL 8B Instruct det enda alternativet av de två, eftersom Mercury 2 inte kan ta bildindata alls. Samma sak gäller när du behöver få plats med ett mycket stort dokument, en transkription eller en kodbas i en enda prompt, där det större kontextfönstret hos Qwen3 VL 8B Instruct ger dig mer utrymme innan du måste dela upp det. Mercury 2 passar bättre när uppgiften drar nytta av explicit resonemangskontroll, eftersom du kan begära resonemangsutdata och finjustera resonemangsansträngningen, och när indata är enbart text och bekvämt inom 128000 tokens. Qwen3 VL 8B Instruct exponerar också en bredare uppsättning parametrar för sampling och avkodning, inklusive frequency_penalty, presence_penalty, repetition_penalty, logit_bias, seed, top_k, top_p, logprobs och top_logprobs, vilket spelar roll om du förlitar dig på seedad reproducerbarhet eller inspektion på tokennivå. Mercury 2 kontrar med response_format, structured_outputs, tools och tool_choice, vilka Qwen3 VL 8B Instruct också stöder, så strukturerad utdata och verktygsanrop är tillgängliga på båda sidor.
Att anropa någon av modellerna via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot api14:s bas-URL, skickar din begäran till chat completions-slutpunkten med din api14-nyckel och ställer in model-fältet till det id du vill använda. Att växla mellan dem är en ändring på en rad: använd "inception/mercury-2" för Mercury 2 och "qwen/qwen3-vl-8b-instruct" för Qwen3 VL 8B Instruct. Meddelandeformatet, fälten tools och response_format samt streamingbeteendet förblir desamma, så du kan behålla en kodväg och byta ut id:t, eller dirigera mellan de två vid körning baserat på huruvida begäran innehåller en bild.
Det finns ett fall där resonemangsmodellen fortfarande är det bättre valet även om den andra modellen är mer flexibel överlag. Om din arbetsbelastning är enbart text, ryms inom 128000 tokens och du vill att modellen ska arbeta igenom ett problem steg för steg med kontroll över hur mycket resonemang den utför, ger Mercury 2 dig det genom include_reasoning och reasoning_effort, och Qwen3 VL 8B Instruct erbjuder inte dessa parametrar. I den situationen ger den extra kontexten och bildstödet hos Qwen3 VL 8B Instruct dig ingenting, och Mercury 2 är det mer direkta valet.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "inception/mercury-2" till "qwen/qwen3-vl-8b-instruct", promptar, streaming och verktyg fortsätter att fungera.
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);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4