Mercury 3 vs GPT-6.1 Sol: Inception führte diesen Test selbst durch, und das ist die Geschichte.

Mercury 3 wurde am 19. Oktober 2026 veröffentlicht, und die einzige direkte Vergleichszahl, die Inception dafür veröffentlichte, nennt GPT-6.1 Sol direkt. Fünfzig Live-Navigationsaufgaben aus Mind2Web, ausgeführt in Inceptions eigener Produktions-Web-Agent-Harness: Mercury 3 schloss 50 % davon ab, was laut Launch-Post „deutlich mehr als GPT-6.1-Sol“ ist – bei gleichem Token-Volumen und gleicher Anzahl von Agent-Schritten und, wie es heißt, zu einem Bruchteil der Kosten pro Token. Das ist eine spezifischere Aussage als die meisten Launch-Posts, und es ist zugleich eine Aussage ohne Nenner. Fünfzig Aufgaben sind eine kleine Stichprobe, die Harness stammt vom Anbieter, GPT-6.1 Sols Abschlussrate wird nie genannt, und Mercury 3 taucht noch nirgends auf dem unabhängigen Artificial Analysis Board auf, das GPT-6.1 Sol mit 51,8 bewertet hat. Die ehrliche Gegenüberstellung ist also nicht „welches Modell klüger ist“. Sondern was der eigene Test des Anbieters stützen kann, was die Preisliste sagt und wo GPT-6.1 Sols gemessene Bilanz weiterhin standardmäßig gewinnt. Die Durchreichungsrate ist im gesamten Katalog dieselbe: 0 % Aufschlag Listenpreis des Anbieters rein, Listenpreis des Anbieters raus. Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Releases wie diesem sind gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Konfidenzstufe und sein Kennzeichen für strittig trägt.

Zuerst der Teil der Behauptung, der ungewöhnlich überprüfbar ist

Start-Benchmarks sind üblicherweise eine Tabelle mit Punktzahlen bei Benchmarks, die der Anbieter ausgewählt hat, verglichen mit Modellen, die der Anbieter ausgewählt hat, ohne Aussage darüber, wie viel Rechenleistung jede Seite aufgewendet hat. Inception tat etwas Selteneres: Es legte das Token-Volumen und die Schrittzahl fest. „Gleiches Token-Volumen und gleiche Anzahl an Agentenschritten“ ist eine Aussage über experimentelle Kontrolle, und sie ist wichtig, weil die häufigste Art, wie ein schnelles Modell bei einem Agenten-Benchmark schummelt, darin besteht, mehr Versuche zu unternehmen. Wenn Mercury 3 tatsächlich die Schritte und Tokens von GPT-6.1 Sol erreicht und trotzdem mehr Aufgaben erledigt hat, liegt der Unterschied darin, was das Modell mit jedem Schritt gemacht hat, nicht darin, wie viele es bekommen hat.

Was der Behauptung noch fehlt:

• Die absolute Abschlussrate für GPT-6.1 Sol. „Deutlich mehr“ als eine nicht genannte Zahl ist kein Ergebnis, das man bepreisen kann

• Das Bestehenskriterium. Bei Mind2Web-Aufgaben unterscheidet sich, wie streng eine Navigation als abgeschlossen gilt, und der Harness stammt von Inception, es ist kein öffentlicher.

• Ein zweiter Durchlauf. Fünfzig Aufgaben sind klein genug, dass schon eine Handvoll Umschwünge den Prozentsatz um mehrere Punkte verschiebt.

• Jeder Wert in einem Benchmark mit veröffentlichter Baseline, weshalb das Artificial Analysis-Board Mercury 3 noch gar nicht einordnen kann

Shuhao Zhang von TinyFish AI wird zu dem Ergebnis zitiert, wobei es sich bei dem Zitat um eine Kundenstimme und nicht um eine unabhängige Reproduktion handelt. Das ist bei einer Produkteinführung normal und sollte auch so benannt werden, denn die Zahl von 50 % wird monatelang kursieren, ohne dass die Einschränkung dazu genannt wird.

Die Preisliste – dort ist der Fall tatsächlich stark.

Der Preisunterschied ist nicht marginal, und er hängt nicht vom Harness von irgendjemandem ab. Mercury 3 ist mit $0.20 pro Million Eingabe-Tokens und $0.70 pro Million Ausgabe-Tokens gelistet, wobei gecachte Eingabe $0.02 kostet. Während des Launch-Fensters berechnet Inception die Hälfte davon: $0.10 Eingabe, $0.01 gecacht und $0.35 Ausgabe. GPT-6.1 Sol ist mit $2.00 Eingabe, $0.10 gecacht, $2.50 Cache-Schreiben und $10.00 Ausgabe gelistet. Zum Listenpreis beträgt der Ausgabepreis von Mercury 3 ein Vierzehntel von dem von GPT-6.1 Sol; während des Launch-Rabatts ist er ein Achtundzwanzigstel.

Nehmen Sie einen Browser-Agenten, der vierzig Schritte ausführt, pro Schritt 12.000 Eingabe-Tokens sendet und pro Schritt 400 Ausgabe-Tokens erzeugt. Das sind 480.000 Eingabe-Tokens und 16.000 Ausgabe-Tokens für den Lauf, alle ungecacht, was der pessimistische Fall für das günstigere Modell ist:

• GPT-6.1 Sol — 0,96 $ Eingabe zu 2,00 $ pro Million, plus 0,16 $ Ausgabe zu 10,00 $ pro Million: etwa 1,12 $ pro Lauf

• Mercury 3 zum Listenpreis — 0,096 $ Eingabe plus 0,011 $ Ausgabe bei 0,70 $ pro Million: etwa 0,107 $ pro Lauf oder 10,4-mal günstiger

• Mercury 3 zum Einführungspreis – 0,048 $ plus 0,006 $: etwa 0,054 $ pro Lauf, also rund 21-mal günstiger

Jetzt setzen Sie noch die Abschlussquoten obendrauf. Wenn Mercury 3 50 von 100 Aufgaben abschließt und GPT-6.1 Sol eine kleinere Zahl abschließt, wird die Ersparnis pro Lauf nur bei den Läufen realisiert, die auch abgeschlossen werden. Ein Modell, das pro Schritt zehnmal günstiger ist und zwei Drittel so oft abschließt, ist pro abgeschlossener Aufgabe immer noch günstiger – und das ist die Zahl, die auf ein Dashboard gehört. Doch bei 50 Aufgaben kennt noch niemand das zweite Verhältnis.

Zwei Kostendetails sind wichtiger als die Schlagzeile und leicht zu übersehen. Zwischengespeicherte Eingabe zu $0,10 bei GPT-6.1 Sol kostet die Hälfte von Mercury 3s Listen-Eingabepreis und das Zwanzigfache seines Cache-Preises. Bei einem langen, stabilen System-Prompt schließt das Caching von GPT-6.1 Sol einen Teil der Lücke – aber nur auf der Eingabeseite, und Ausgabe ist der Bereich, in dem Agent-Loops Geld ausgeben. Und GPT-6.1 Sol berechnet für die gesamte Anfrage oberhalb von 272.000 Eingabe-Tokens höhere Preise: 2× auf Eingabe und Cache, 1,5× auf Ausgabe. Diese Klippe ist genau dort, wo lange Agent-Transkripte landen, und Mercury 3s 1M-Token-Fenster ohne veröffentlichten Zuschlag für lange Prompts ist in demselben Szenario ein struktureller Vorteil.

Was GPT-6.1 Sol hat und Mercury 3 nicht: einen gemessenen Rekord

Alles oben ist ein Vergleich mit einer Preisliste und einem Anbietertest. Das unabhängige Board zeigt ein anderes Bild, und darauf ist nur eines dieser Modelle vertreten.

• Intelligence Index — Mercury 3 nicht aufgeführt; GPT-6.1 Sol 51.8 bei maximalem Reasoning-Aufwand, laut Artificial Analysis vom 20. Oktober 2026

• Kosten pro Indexierungsaufgabe — Mercury 3 nicht gemessen; GPT-6.1 Sol $0,72, gegenüber einem Board-Median, der deutlich darüber liegt

• Terminal-Bench 4.0 — Mercury 3 nicht gemessen; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 nicht gemessen; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 nicht gemessen; GPT-6.1 Sol 0.5292

• AA-LCR-Langkontext-Reasoning — Mercury 3 nicht gemessen; GPT-6.1 Sol 0,83

• GDPval-AA, wirtschaftlich wertvolle Wissensarbeit — Mercury 3 nicht gemessen; GPT-6.1 Sol Elo 1593,85

• AA-Omniscience — Mercury 3 nicht gemessen; GPT-6.1 Sol 41,5

• Kontext und Ausgabe — Mercury 3 1.000.000 Eingabe / 131.072 Ausgabe; GPT-6.1 Sol 1.050.000 Eingabe / 128.000 Ausgabe

• Gewichte — bei beiden geschlossen; keines davon liefert einen Checkpoint

• Modalität — Text bei beiden; GPT-6.1 Sol verarbeitet außerdem Bilder und Dateien

Diese letzte Zeile ist der am wenigsten glamouröse und für manche Teams der entscheidendste Unterschied. GPT-6.1 Sol akzeptiert Bild- und Dateieingaben. Die eigene Dokumentation von Mercury 3 führt als unterstützte Formate Text auf. Wenn Ihr Agent einen Screenshot, ein PDF oder eine gescannte Rechnung lesen muss, endet der Vergleich dort – unabhängig vom Preis, und keine noch so hohe Anzahl an Tokens pro Sekunde ändert daran etwas.

Auch die Reasoning-Stufen haben nicht dieselbe Form. Mercury 3 bietet „instant“, „low“, „medium“ und „high“, mit einer von 0,5 bis 1,0 einstellbaren Temperatur. GPT-6.1 Sol bietet „low“, „medium“, „high“, „xhigh“ und „max“ und akzeptiert die No-Reasoning-Einstellung überhaupt nicht mehr. Ein Modell mit einer „instant“-Stufe gibt ein anderes Produktversprechen: Es sagt dir, dass manche Anfragen nicht nachdenken sollten, und es wird dir das entsprechend in Rechnung stellen. Das ist ein echter Designunterschied, und er ist in einer einzigen Intelligenzzahl unsichtbar.

Wann welches Modell die richtige Wahl ist

Mercury 3 ist die richtige Wahl, wenn die Arbeitslast latenzgebunden und rein textbasiert ist und die Kosten pro Schritt das Budget dominieren: Browsernavigation, Chat-Support, Echtzeit-Tutoring, hochvolumige, klassifizierungsnahe Arbeit, jede Schleife, in der ein Mensch oder ein anderes System auf jede Runde wartet. Das 1M-Kontextfenster und die Ausgabeobergrenze von 131.072 Token passen zu langen Agent-Transkripten, und die Instant-Stufe gibt es für die Anfragen, die nicht nachdenken sollen. Das Risiko ist, dass kein unabhängiger Evaluator es bisher bewertet hat, sodass seine Qualitätshülle vorerst eine Herstellerangabe ist.

GPT-6.1 Sol ist die richtige Wahl, wenn die Arbeit Vision oder Dateieingabe erfordert, wenn du eine gemessene Fähigkeitsuntergrenze brauchst, bevor du Traffic bindest, wenn du eine Reasoning-Leiter willst, die über „high" hinausgeht, oder wenn Anfragen mit 272.000 Tokens die Ausnahme und nicht die Regel sind. Seine Kosten pro Index-Aufgabe gehören zu den besten im Feld, und das ist die andere Hälfte des Arguments: billig pro Token und billig pro erledigter Aufgabe sind unterschiedliche Aussagen, und GPT-6.1 Sol ist das Modell, für das die zweite Zahl veröffentlicht ist.

Der praktische Fehler besteht darin, dies als Alles-oder-nichts-Entscheidung zu behandeln. Mercury 3 ist nicht auf OrcaRouter – es wird über Inceptions eigene API und mehrere Drittanbieterplattformen bereitgestellt –, während GPT-6.1 Sol dort verfügbar ist, zum Listenpreis von OpenAI mit 0 % Aufschlag, sodass Sie die Preisliste des Anbieters selbst zahlen und nicht ein aufgeschlagenes Äquivalent. Das macht den Split-Test günstig durchzuführen: Behalten Sie GPT-6.1 Sol im Produktionspfad, setzen Sie Mercury 3 hinter die API des Anbieters auf einen Teil des Traffics und vergleichen Sie erledigte Aufgaben pro Dollar statt Tokens pro Sekunde. Wenn der Teil standhält, verlagern Sie die latenzempfindlichen Schritte; wenn nicht, haben Sie eine Woche und eine kleine Rechnung verloren. Automatisches Failover ist genau in diesem Zeitfenster am wichtigsten, wenn ein erst einen Tag altes Modell getestet wird und ein gemessenes Modell die Last trägt.

Was würde das klären

Drei Dinge, geordnet danach, wie stark sie die Antwort verändern würden:

• Ein Artificial-Analysis-Eintrag für Mercury 3. Eine Indexzahl und ein Kostenwert pro Aufgabe würden jede Schätzung in diesem Beitrag ersetzen. Bis er existiert, ist „keine unabhängige Bewertung“ der korrekte Status, nicht „unbewiesen“ und nicht „Frontier-Klasse“.

• Eine Abschlussrate für GPT-6.1 Sol bei denselben 50 Aufgaben oder ein öffentlicher erneuter Lauf dieses Harness durch jemanden, der nicht Inception ist. Die Behauptung zu kontrollierten Tokens ist gute Methodik; sie ist aber noch kein Ergebnis, das irgendein anderer überprüfen kann.

• Eine veröffentlichte Antwort darauf, wie Diffusion-Output abgerechnet wird. Mercury 3 erzeugt Tokens parallel und verfeinert sie in Durchgängen, und Inceptions Dokumentation sagt nicht, ob die Denoising-Durchgänge zu den abgerechneten Output-Tokens zählen. Wenn nicht, ist der effektive Kostenvorteil größer, als die Preisliste vermuten lässt; wenn doch, sind die 1.068 Tokens pro Sekunde eine Durchsatz- und keine Abrechnungszahl.

Bis dahin ist die vertretbare Position eng umrissen und nützlich: Mercury 3 ist in diesem Vergleich um eine Größenordnung das günstigste schnelle Textmodell, in einem Anbietertest, der zumindest darauf ausgelegt war, den Aufwand zu kontrollieren, mit einem Kontextfenster von 1 Mio. Token und ohne unabhängige Bewertung. GPT-6.1 Sol ist das teurere, langsamere, mit Messwerten belegte Modell, das außerdem Bilder verarbeitet und veröffentlichte Kosten pro abgeschlossener Aufgabe hat. Nehmen Sie das zweite für die Arbeit, bei der Sie sich keinen Fehler leisten können, und testen Sie das erste für die Arbeit, bei der das Warten die eigentlichen Kosten sind.