Mercury 3 مقابل GPT-6.1 Sol: Inception أجرت هذا الاختبار بنفسها، وهذه هي القصة

طُرح Mercury 3 في 19 أكتوبر 2026، والرقم الوحيد في المقارنة المباشرة الذي نشرته Inception بشأنه يذكر GPT-6.1 Sol مباشرةً. خمسون مهمة تنقّل حية من Mind2Web، نُفّذت داخل أداة اختبار وكيل الويب الإنتاجية الخاصة بـ Inception: أكمل Mercury 3 منها 50%، وهو ما يقول منشور الإطلاق إنه "أكثر بكثير من GPT-6.1-Sol"، باستخدام الحجم نفسه من الرموز والعدد نفسه من خطوات الوكيل، وبتكلفة يصفها بأنها جزء يسير من تكلفة الرمز الواحد. هذا ادعاء أكثر تحديداً مما تقدمه معظم منشورات الإطلاق، وهو أيضاً ادعاء بلا مقام. خمسون مهمة عيّنة صغيرة، وأداة الاختبار مملوكة للبائع، ومعدل إكمال GPT-6.1 Sol لا يُطبع أبداً، ولا يظهر Mercury 3 بعد في أي مكان على لوحة Artificial Analysis المستقلة التي منحت GPT-6.1 Sol درجة 51.8. لذا فالمقارنة الصادقة ليست "أي النموذجين أذكى". بل ما يمكن لاختبار البائع نفسه أن يدعمه، وما تقوله قائمة الأسعار، وحيث لا يزال السجل المقاس لـ GPT-6.1 Sol يفوز افتراضياً. معدل التمرير هو نفسه عبر الكتالوج: هامش ربح 0% سعر قائمة المزوّد دخولاً، وسعر قائمة المزوّد خروجاً. تُجمع حالات فشل الذكاء الاصطناعي الموثّقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل خلاف.

أولًا، الجزء من الادعاء الذي يمكن التحقق منه على نحو غير معتاد

عادةً ما تكون معايير الإطلاق جدولًا من الدرجات على معايير اختارها المورّد، مقارنةً بنماذج اختارها المورّد، دون أي بيان عن مقدار الحوسبة التي أنفقها أي من الطرفين. وفعلت Inception شيئًا أندر: فقد ثبّتت حجم الرموز وعدد الخطوات. إن عبارة «حجم الرموز نفسه وعدد خطوات الوكيل نفسه» هي عبارة عن ضبط تجريبي، وهي مهمة لأن الطريقة الأكثر شيوعًا التي يتحايل بها نموذج سريع على معيار وكيل هي أخذ محاولات أكثر. إذا كانت Mercury 3 قد طابقت فعلًا خطوات GPT-6.1 Sol ورموزه وما زالت أنجزت مهامًا أكثر، فإن الفرق يكمن في ما فعله النموذج بكل خطوة، لا في عدد الخطوات التي حصل عليها.

ما لا يزال الادعاء يفتقر إليه:

• معدل الإنجاز المطلق لـ GPT-6.1 Sol. عبارة "أكثر بكثير" من رقم غير محدد ليست نتيجة يمكنك تسعيرها

• معيار الاجتياز. تختلف مهام Mind2Web في مدى صرامة اعتبار التنقّل مكتملًا، وأداة الاختبار خاصة بـ Inception وليست أداة عامة.

• جولة ثانية. خمسون مهمة صغيرة بما يكفي لأن تؤدي بضعة تقلّبات في النتائج إلى تحريك النسبة المئوية عدة نقاط.

• أي نتيجة على اختبار قياسي له خط أساس منشور، وهذا هو السبب في أن لوحة Artificial Analysis لا تستطيع بعد تصنيف Mercury 3 على الإطلاق

تم الاستشهاد بـ شوهاو تشانغ من TinyFish AI حول النتيجة، والاقتباس شهادة عميل وليس تكرارًا مستقلًا. وهذا أمر طبيعي لإطلاق، ويستحق أن يُسمّى كذلك، لأن رقم 50% سيتداول لأشهر دون أن يُرفق به هذا التحفظ.

بطاقة الأسعار، وهي النقطة التي تكون فيها الحجة قوية في الواقع

فرق السعر ليس هامشيًا ولا يعتمد على أداة أي جهة. يبلغ سعر Mercury 3 المدرج 0.20 دولار لكل مليون رمز إدخال و0.70 دولار لكل مليون رمز إخراج، مع إدخال مخزن مؤقتًا بسعر 0.02 دولار. وخلال فترة الإطلاق، تتقاضى Inception نصف ذلك: 0.10 دولار للإدخال، و0.01 دولار للمخزن مؤقتًا، و0.35 دولار للإخراج. ويبلغ سعر GPT-6.1 Sol المدرج 2.00 دولار للإدخال، و0.10 دولار للمخزن مؤقتًا، و2.50 دولار لكتابة الذاكرة المؤقتة، و10.00 دولارات للإخراج. وبالسعر المدرج، يكون سعر إخراج Mercury 3 واحدًا على أربعة عشر من سعر إخراج GPT-6.1 Sol؛ وخلال خصم الإطلاق يكون واحدًا على ثمانية وعشرين.

لنأخذ وكيل متصفح ينفّذ أربعين خطوة، ويرسل 12,000 رمز إدخال في كل خطوة، ويُصدر 400 رمز إخراج في كل خطوة. يمثّل ذلك 480,000 رمز إدخال و16,000 رمز إخراج للتشغيل، جميعها غير مخزّنة مؤقتًا، وهي الحالة المتشائمة بالنسبة إلى النموذج الأرخص:

• GPT-6.1 Sol — $0.96 من المدخلات بسعر $2.00 لكل مليون، بالإضافة إلى $0.16 من المخرجات بسعر $10.00 لكل مليون: نحو $1.12 لكل تشغيل

• Mercury 3 بالسعر المعلن — 0.096 دولار من الإدخال再加上 0.011 دولار من الإخراج بسعر 0.70 دولار لكل مليون: نحو 0.107 دولار لكل تشغيل، أو أرخص بـ10.4 مرة

• Mercury 3 بسعر الإطلاق — 0.048 دولار زائد 0.006 دولار: نحو 0.054 دولار لكل تشغيل، أو أرخص بنحو 21 مرة

الآن أضِف معدلات الإكمال فوق ذلك. إذا أنهى Mercury 3 خمسين مهمة من أصل مئة، وأنهى GPT-6.1 Sol عددًا أصغر، فإن التوفير لكل تشغيل لا يتحقق إلا في التشغيلات التي تُنجَز. النموذج الذي يكون أرخص عشر مرات لكل خطوة ويُنجز المهام بوتيرة تساوي الثلثين من وتيرة الآخر لا يزال أرخص لكل مهمة مكتملة، وهو الرقم الذي ينبغي أن يظهر على لوحة المعلومات. لكن عند خمسين مهمة، لا أحد يعرف النسبة الثانية بعد.

هناك تفصيلان في التكلفة يهمان أكثر من العنوان الرئيسي ويسهل إغفالهما. الإدخال المخزن مؤقتًا بسعر 0.10 دولار على GPT-6.1 Sol يعادل نصف سعر Mercury 3 المدرج للإدخال، وعشرين ضعفًا لسعر التخزين المؤقت لديه، لذا في مطالبة نظام طويلة ومستقرة، يسد التخزين المؤقت لدى GPT-6.1 Sol جزءًا من الفجوة — لكن في جانب الإدخال فقط، بينما الإخراج هو حيث يذهب إنفاق حلقات الوكلاء. ويعيد GPT-6.1 Sol تسعير الطلب بأكمله عند تجاوز 272,000 رمز إدخال: 2× على الإدخال والتخزين المؤقت، و1.5× على الإخراج. وهذا الجرف هو بالضبط حيث تستقر سجلات الوكلاء الطويلة، كما أن نافذة 1M رمز لدى Mercury 3 مع عدم وجود رسوم إضافية منشورة للمطالبات الطويلة تمثل ميزة هيكلية في السيناريو نفسه.

ما يمتلكه GPT-6.1 Sol ولا يمتلكه Mercury 3: سجل مُقاس

كل ما سبق هو مقارنة مقابل بطاقة أسعار واختبار مورّد واحد. أما اللوحة المستقلة فهي صورة مختلفة، ولا تضم سوى واحد من هذه الطرازات.

• مؤشر الذكاء — Mercury 3 غير مُدرج؛ GPT-6.1 Sol عند 51.8 بأقصى جهد استدلالي، وفقًا لـ Artificial Analysis في 20 أكتوبر 2026

• تكلفة كل مهمة فهرسة — لم يُقَس Mercury 3؛ GPT-6.1 Sol 0.72 دولارًا، مقابل وسيط لوحة يتجاوز ذلك بكثير

• Terminal-Bench 4.0 — Mercury 3 غير مُقاس؛ GPT-6.1 Sol 0.5606

• SciCode — لم يتم قياس Mercury 3؛ GPT-6.1 Sol 0.5417

• Humanity's Last Exam — لم تُقس Mercury 3؛ GPT-6.1 Sol 0.5292

• AA-LCR للاستدلال بالسياق الطويل — Mercury 3 لم يُقَس؛ GPT-6.1 Sol 0.83

• GDPval-AA، عمل معرفي ذو قيمة اقتصادية — لم يتم قياس Mercury 3؛ GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — لم يتم قياس Mercury 3؛ GPT-6.1 Sol 41.5

• السياق والمخرجات — Mercury 3: 1,000,000 إدخال / 131,072 إخراج؛ GPT-6.1 Sol: 1,050,000 إدخال / 128,000 إخراج

• الأوزان — مغلقة في كليهما؛ لا يمنحك أيٌّ منهما نقطة تحقق

• الوسائط — النص مدعوم في كليهما؛ كما يستقبل GPT-6.1 Sol الصور والملفات

ذلك السطر الأخير هو الفرق الأقل بريقًا والأكثر حسمًا بالنسبة لبعض الفرق. يقبل GPT-6.1 Sol إدخال الصور والملفات. وتُدرج وثائق Mercury 3 الخاصة الصيغ المدعومة على أنها نصية. وإذا كان وكيلك بحاجة إلى قراءة لقطة شاشة أو ملف PDF أو فاتورة ممسوحة ضوئيًا، فإن المقارنة تنتهي عند هذا الحد بغض النظر عن السعر، ولا يغيّر ذلك أي عدد من الرموز في الثانية.

سلالم الاستدلال ليست بالشكل نفسه أيضاً. يقدّم Mercury 3 أوضاعاً فورية ومنخفضة ومتوسطة وعالية، مع إمكانية ضبط درجة الحرارة من 0.5 إلى 1.0. ويقدّم GPT-6.1 Sol أوضاعاً منخفضاً ومتوسطاً وعالياً وxhigh وmax، ولم يعد يقبل إعداد "بدون استدلال" على الإطلاق. إنّ نموذجاً يتضمن درجة "فورية" يقدّم وعداً مختلفاً للمنتج: فهو يخبرك بأن بعض الطلبات لا ينبغي أن تفكّر، وسيحاسبك وفقاً لذلك. هذا فرق تصميمي حقيقي، وهو غير مرئي في رقم ذكاء واحد.

أين يكون كل نموذج هو الخيار الصحيح

Mercury 3 هو الخيار الصحيح عندما يكون عبء العمل مقيدًا بالزمن الكامن، ونصيًا فقط، وتسيطر تكلفة كل خطوة على الميزانية: التنقل في المتصفح، ودعم الدردشة، والتدريس في الوقت الفعلي، والأعمال عالية الحجم القريبة من التصنيف، وأي حلقة ينتظر فيها إنسان أو نظام آخر كل دور. سياق 1M وسقف الإخراج البالغ 131,072 رمزًا يناسبان نصوص الوكلاء الطويلة، والمستوى الفوري موجود للطلبات التي يجب ألا تفكر. الخطر هو أن أي مقيّم مستقل لم يقيّمه، لذا فإن نطاق جودته ادعاء من البائع في الوقت الحالي.

GPT-6.1 Sol هو الخيار الصحيح عندما يحتاج العمل إلى الرؤية أو إدخال ملفات، أو عندما تحتاج إلى حدّ أدنى مُقاس للقدرات قبل تخصيص حركة المرور، أو عندما تريد سلّم استدلال يتجاوز «high»، أو عندما تكون طلبات الـ272,000 رمز استثناءً لا القاعدة. تكلفته لكل مهمة فهرسة من الأفضل على اللوحة، وهذا هو النصف الآخر من الحجة: التكلفة المنخفضة لكل رمز والتكلفة المنخفضة لكل وظيفة منجزة ادعاءان مختلفان، وGPT-6.1 Sol هو الذي نُشر له الرقم الثاني.

الخطأ العملي هو التعامل مع هذا كخيار "الفائز يأخذ كل شيء". لا يتوفر Mercury 3 على OrcaRouter — بل يُقدَّم عبر واجهة Inception البرمجية الخاصة بها وعدة منصات تابعة لجهات خارجية — بينما GPT-6.1 Sol متاح، بسعر قائمة OpenAI مع هامش ربح 0%، لذا فإن بطاقة الأسعار الخاصة بالبائع هي ما تدفعه بدلاً من نظير بسعر مرتفع. وهذا يجعل الاختبار المنقسم رخيصًا: أبقِ GPT-6.1 Sol على مسار الإنتاج، وضع Mercury 3 خلف واجهة API الخاصة بالبائع على شريحة من حركة المرور، وقارن المهام المكتملة لكل دولار بدلاً من الرموز في الثانية. إذا صمدت الشريحة، فانقل الخطوات الحساسة لزمن الاستجابة؛ وإن لم تفعل، فقد خسرت أسبوعًا وفاتورة صغيرة. التجاوز التلقائي عند الفشل يهم أكثر في هذه النافذة بالضبط، عندما يكون نموذج عمره يوم واحد قيد التجربة ونموذج مُختبَر يتحمل العبء.

ما الذي سيحسم هذا؟

ثلاثة أشياء، مرتبة حسب مدى تأثيرها على الإجابة:

• مدخلٌ لـ Mercury 3 في Artificial Analysis. رقم مؤشر واحد وتكلفة واحدة لكل مهمة كانا سيحلّان محل كل تقدير في هذا المقال. وإلى أن يوجد ذلك، فإن «لا نتيجة مستقلة» هي الحالة الصحيحة، لا «غير مُثبت» ولا «من فئة الطليعة»

• معدل إكمال لـ GPT-6.1 Sol على المهام الخمسين نفسها، أو إعادة تشغيل علنية لتلك المنظومة من قبل شخص ليس من Inception. إن ادعاء الرموز الخاضعة للتحكم منهجية جيدة؛ لكنه ليس بعد نتيجة يمكن لأي شخص آخر فحصها.

• إجابة منشورة حول كيفية فوترة مخرجات الانتشار. يولّد Mercury 3 الرموز على نحو متوازٍ ويحسّنها على مراحل، ولا توضح وثائق Inception ما إذا كانت مراحل إزالة الضوضاء تُحتسب ضمن رموز المخرجات المفوترة. إذا لم تُحتسب، فإن ميزة التكلفة الفعلية أكبر مما توحي به بطاقة الأسعار؛ وإذا كانت تُحتسب، فإن 1,068 رمزًا في الثانية رقم إنتاجية لا رقم فوترة.

حتى ذلك الحين، يظل الموقف القابل للدفاع عنه ضيقًا ومفيدًا: فـ Mercury 3 هو أرخص نموذج نصي سريع في هذه المقارنة بفارق رتبة مقدار كاملة، وفق اختبار من المورّد صُمم على الأقل للتحكم في الجهد، مع نافذة سياق بسعة مليون رمز، ودون تقييم مستقل. أما GPT-6.1 Sol فهو النموذج الأكثر تكلفة والأبطأ والأكثر قياسًا، ويقرأ الصور أيضًا، وله تكلفة منشورة لكل مهمة مكتملة. اشترِ الثاني للعمل الذي لا يمكنك تحمّل الخطأ فيه، وجرّب الأول للعمل الذي يكون فيه الانتظار هو التكلفة الفعلية.