Mercury 3 vs. Grok 4.6: Das eine ist abgelöst, das andere ungemessen – und beide werden über Geschwindigkeit verkauft.

Der erste nützliche Fakt beim Vergleich von Mercury 3 mit Grok 4.6 ist, dass Grok 4.6 nicht das aktuelle Grok ist. SpaceXAI brachte es am 12. August 2026 zu 2,00 US-Dollar pro Million Eingabe-Token und 6,00 US-Dollar pro Million Ausgabe-Token heraus und hat seitdem Grok 4.7 veröffentlicht; Artificial Analysis kennzeichnet 4.6 inzwischen als veraltet und verweist Leser auf das neuere Modell. Mercury 3 hingegen ist zwei Tage alt: Inception Labs veröffentlichte es am 19. Oktober 2026 zu 0,20 und 0,70 US-Dollar pro Million, für ein Launch-Fenster ohne veröffentlichtes Enddatum halbiert, und keine neutrale Stelle hat es überhaupt gemessen. Die ehrliche Einordnung dieser Paarung ist also nicht „Welches der beiden sollte ich verwenden?“. Sie besteht darin, dass beide primär mit einer Geschwindigkeitszahl verkauft werden, die beiden Geschwindigkeitszahlen nicht dieselbe Art von Zahl sind und eines der beiden Produkte aus dem Katalog verschwindet, während das andere noch von niemandem getestet wurde, der nicht für das Unternehmen arbeitet, das es hergestellt hat.Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Veröffentlichungen wie dieser finden sich indem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Disputed-Flag trägt.

Damit ist dies ein Vergleich über Messung – und das ist zufällig das Nützlichste, was man wissen kann, bevor man eines der beiden bepreist. Mercury 3 ist ein Diffusions-Sprachmodell – es entrauscht einen Block von Positionen und legt sie gemeinsam fest, statt pro Durchlauf ein Token auszugeben –, und Inception meldet 1.068 Token pro Sekunde auf NVIDIA-Hardware, mehr als das 40-Fache der Gesamtparameter von Mercury 1, ein Kontextfenster, das von 260.000 auf 1.000.000 Token gewachsen ist, und eine Ausgabeobergrenze von 131.072 Token. Grok 4.6 ist ein konventionelles Frontier-Modell, das für lange agentische Läufe gebaut wurde, mit einem Kontext von 500.000 Token, Text-, Bild- und Dateieingabe sowie einem Cache-Rabatt von 75 % bei 0,50 US-Dollar pro Million Lesezugriffe.

Was die beiden Geschwindigkeitszahlen tatsächlich messen

Die 1.068 Tokens pro Sekunde von Inception sind ein Wert für den Ausgabedurchsatz: wie schnell Tokens das Modell verlassen, sobald es mit der Produktion beginnt. Artificial Analysis misst dieselbe Größe für Grok 4.6 und kommt auf 65,4 Tokens pro Sekunde. Liest man diese beiden Werte nebeneinander, wirkt Mercury 3 sechzehnmal schneller. Das ist ein echter Unterschied, und er ist nicht der ganze Unterschied, denn der Durchsatz ist nur eine der drei Größen, aus denen ein Latenzbudget besteht.

Das Zweite ist die Zeit bis zum ersten Token, und hier fällt das Bild für die Darstellung weniger schmeichelhaft und interessanter aus. Artificial Analysis verzeichnet für Grok 4.6 bei der von ihm getesteten Arbeitslast einen Median von 37,19 Sekunden bis zum ersten Token, gegenüber einem Median von 3,75 Sekunden über die Modelle auf seinem Board. Unsere eigene siebentägige Playground-Telemetrie setzt den p50 von Grok 4.6 auf 8,00 Sekunden für den einen Tag, für den sie Stichproben hat. Keines davon ist das Problem von Mercury 3 oder der Vorteil von Mercury 3 – Inception hat überhaupt keinen First-Token-Wert veröffentlicht, und die einzigen Latenzzahlen von Drittanbietern in seiner Ankündigung sind Kundenreferenzen: Octen berichtete von einer medianen Generierungszeit von 0,9 Sekunden und einer medianen End-to-End-Antwortzeit von 2,2 Sekunden, RevisionDojo berichtete, dass Antworten „in etwa einer Sekunde“ zurückkamen, und Lorikeet sagte, Mercury 3 habe andere Modelle bei der Latenz geschlagen und gleichzeitig bei seinen Evals besser abgeschnitten. Das sind nützliche Signale, und es sind Marketingzitate, zu Arbeitslasten, die niemand außerhalb dieser drei Unternehmen prüfen kann.

Die dritte Zahl ist diejenige, die darüber entscheidet, ob ein schnelles Modell nutzbar ist, und das ist die Fehlerrate. Auf unserer eigenen Infrastruktur verzeichnete der Serving-Pfad von GPT-5.6 Sol über die letzten sieben Tage eine Fehlerrate von 0,05 %. Grok 4.6 verzeichnete an dem einzigen Tag, für den Telemetrie vorliegt – dem 17. Oktober 2026 – 86,7 %. Das ist ein Tag mit Stichproben bei einem Modell, das seit August live ist; es ist also eher eine Warnung bezüglich eines Serving-Pfads als ein Urteil über ein Modell, und es ist genau die Art von Zahl, die nie auf einer Anbieterseite auftaucht. Für Mercury 3 gibt es überhaupt keine Fehlerrate, weil es keine Route gibt, die man messen könnte.

Das Datenblatt, mit der Herkunftsangabe an jeder Zeile

• Preis — Mercury 3: 0,20 $ / 0,70 $ pro Million, 0,10 $ / 0,35 $ zum Start, kein Enddatum veröffentlicht, zwischengespeicherte Eingabe 90 % günstiger. Grok 4.6: 2,00 $ / 6,00 $ pro Million bis 200.000 Token, 4,00 $ / 12,00 $ für die gesamte Anfrage darüber, zwischengespeicherte Lesezugriffe 0,50 $.

• Kontext und Ausgabe — Mercury 3: 1.000.000 Eingabe, 131.072 Ausgabe. Grok 4.6: 500.000 Eingabe, wobei auf unserer Modellseite dafür keine Obergrenze für die Ausgabe veröffentlicht ist.

• Modalitäten — Mercury 3: nur Text. Grok 4.6: Text, Bild und Datei als Eingabe, Text als Ausgabe.

• Durchsatz — Mercury 3: 1.068 Token pro Sekunde, von Inception gemessen. Grok 4.6: 65,4 Token pro Sekunde laut Artificial Analysis; 256 Token pro Sekunde in unserem eigenen Playground an dem Tag, an dem er Samples hatte.

• Unabhängige Bewertungen – Mercury 3: keine, es gibt keine Seite bei Artificial Analysis. Grok 4.6: 44 im Artificial Analysis Intelligence Index, Rang 37 von 217 Modellen, und 76,8 in ihrem Coding-Index, Rang 5 von 138.

• Status — Mercury 3: zwei Tage alt, nicht gemessen. Grok 4.6: auf dem Board von Artificial Analysis als veraltet eingestuft, abgelöst durch Grok 4.7.

Der Kontextvergleich ist der Punkt, an dem sich die übliche Reihenfolge umkehrt. Mercury 3 bietet ein doppelt so großes Fenster wie Grok 4.6 – eine Million Tokens gegenüber einer halben Million – und das zu einem Zehntel des Eingabepreises. Auf dem Papier ist das für die Arbeit mit langen Dokumenten kein enges Rennen. In der Praxis ist ein Fenster von 500.000 Tokens bereits größer als fast jedes einzelne Dokument, das irgendjemand verarbeitet, und die interessante Frage bei einem Millionen-Token-Fenster eines nicht vermessenen Modells ist nicht, ob es existiert, sondern ob die Qualität über die gesamte Fensterlänge hinweg hält. Artificial Analysis misst den Long-Context-Recall explizit, und Grok 4.6 erzielt dort 80,3. Mercury 3 hat keinen entsprechenden Wert, was bedeutet, dass ein Millionen-Token-Fenster mit unbekannter Recall-Kurve eine Aussage über die Kapazität und nicht über die Fähigkeit ist.

Was der Preis von Grok 4.6 tatsächlich kauft

Grok 4.6 kostet zum Listenpreis bei der Eingabe zehnmal so viel wie Mercury 3 und bei der Ausgabe rund neunmal so viel, und die ehrliche Antwort darauf, was das bringt, lautet: eine gemessene Position auf einem neutralen Harness, multimodale Eingabe und veröffentlichte Kosten pro Antwort. Letzteres ist am nützlichsten. Artificial Analysis beziffert Grok 4.6 mit 1,48 US-Dollar pro Intelligence-Index-Aufgabe – eine Zahl, die bereits sämtliche Token einschließt, die das Modell zum Abschließen der Suite benötigt, und damit die einzige Pro-Antwort-Zahl in diesem gesamten Vergleich, die für eines der beiden Modelle überhaupt existiert.

Dem steht gegenüber, dass der Ausgabepreis von Mercury 3 in Höhe von 0,70 US-Dollar ein Pro-Token-Wert ist, dem kein Gegenstück pro Antwort gegenübersteht. Wenn eine Mercury-3-Aufgabe dasselbe Ausgabevolumen verbraucht wie eine Grok-4.6-Aufgabe, kostet sie etwa ein Zehntel davon. Wenn sie das Dreifache verbraucht – was für ein Modell plausibel ist, das bei Arbeiten, die Grok mit höherem Aufwand erledigt, standardmäßig auf geringen Reasoning-Aufwand zurückgreift –, kostet sie etwa ein Drittel davon, und das strategische Argument schwächt sich ab: von „einer Größenordnung“ zu „einem spürbaren Preisnachlass bei einem unerprobten Modell“. Niemand kann Ihnen derzeit sagen, welches davon zutrifft. Das ist kein rhetorisches Ausweichen; es ist genau die Messung, die fehlt.

Grok 4.6s eigene Zahlen sind, so viel sie auch wert sein mögen, stark an den Stellen, an denen ein langer agentischer Lauf sie braucht: 94,9 bei GPQA Diamond, 42,9 bei Humanity's Last Exam, 80,3 beim Long-Context-Recall und ein Coding-Index von 76,8, der es auf Platz fünf von 138 Modellen setzt. Das sind die Durchläufe von Artificial Analysis, nicht die von SpaceXAI, weshalb sie überhaupt mit Mercury 3 verglichen werden können – und Mercury 3, das keine solchen Durchläufe hat, kann es nicht.

Das Problem des überholten Modells, das die eigentliche Entscheidung ist

Grok 4.6 heute zu wählen bedeutet, ein Modell zu wählen, das sein eigener Anbieter bereits ersetzt hat. Grok 4.7 ist in unserem Katalog, und die 4.6-Seite bei Artificial Analysis verweist Leser ausdrücklich darauf. Für eine Workload, auf die Sie gerade hinentwickeln, ist es eine Entscheidung, später zu migrieren, wenn Sie mit einem abgekündigten Modell starten; die einzige Frage ist, wann, und die Antwort lautet meist „während eines Vorfalls“.

Das macht Mercury 3 nicht zur sicheren Wahl. Ein ungemessenes zwei Tage altes Modell und ein abgekündigtes neun Wochen altes sind unterschiedliche Arten von Risiko, und keines von beiden ist in dieser Paarung die risikoarme Option. Was der Vergleich tatsächlich belegt, ist enger und nützlicher: Wenn Sie ein gemessenes Modell mit dokumentierten Kosten pro Antwort und multimodaler Eingabe wollen, ist Grok 4.7 die aktuelle Version davon und 4.6 sein Vorgänger zum selben Preis. Wenn Sie die billigsten reinen Text-Tokens wollen, die es irgendwo mit einem Kontextfenster von einer Million Token gibt, dann ist Mercury 3 genau das – mit dem Vorbehalt, dass die billigste Zahl auf seinem Datenblatt eine Aktion ohne Enddatum ist.

Grok 4.7 ist im OrcaRouter-Katalog zu SpaceXAIs eigenen Preisen verfügbar, hinter demselben OpenAI-kompatiblen Endpunkt wie alles andere, was wir routen – ohne Aufschlag und mit automatischem Failover zwischen Anbietern, wenn bei einem Pfad das Rate-Limit greift. Und das ist angesichts der Fehlerrate, die unsere Telemetrie am 17. Oktober auf dem Serving-Pfad von 4.6 verzeichnet hat, kein theoretischer Vorteil. Mercury 3 ist nicht im Katalog: Unsere Modell-API liefert für kein Inception-Modell etwas zurück, wer es also aufruft, landet auf Inceptions Plattform, wo neue Konten 100 Millionen kostenlose Token erhalten, oder auf einer der mehreren Drittanbieter-Plattformen, die es hosten.

Das Routing-Muster, das zu diesem Paar passt, ist keine Aufteilung nach dem Preis. Es ist eine Aufteilung danach, was ausfallen darf. Verlagern Sie den Traffic des veralteten Modells auf das aktuelle, legen Sie einen begrenzten Anteil der reinen Textarbeit auf Mercury 3, behalten Sie ein gemessenes Modell als Fallback und lassen Sie das Failover den Fall abdecken, in dem der neue Pfad einen schlechten Tag hat. Der Anteil ist ein Konfigurationswert; der Fallback ist eine Routing-Regel; die Entscheidung, ihn zu verbreitern oder zu verengen, treffen Ihre eigenen Fehlerraten innerhalb einer Woche.

Was am Montag zu tun ist

Wenn die Arbeit aus langem Text besteht, das Volumen hoch ist und die Antworten überprüfbar sind, ist die Tarifkarte von Mercury 3 diese Woche ein begrenztes Experiment wert – die 100 Millionen kostenlosen Token auf Inceptions Plattform decken den Test ab, und das Fenster von einer Million Token bedeutet, dass Sie das ganze Dokument senden können, statt eine stückweise Vermutung darüber abzugeben. Achten Sie auf zwei Dinge: ob die Ausgabstoken-Zahlen pro Aufgabe von Ihrer Sol- oder G​rok-Basislinie abweichen und ob die Qualität gegen Ende eines langen Kontexts nachlässt. Beides ist an einem Tag messbar, und keines von beiden erfordert jemandes Benchmark.

Wenn die Arbeit Bilder umfasst, stundenlang mit Tools im Loop läuft oder beim ersten Mal sitzen muss, ist die Antwort in dieser Paarung nicht Grok 4.6. Es ist Grok 4.7 oder eines der gemessenen Frontier-Modelle, und der ehrliche Grund dafür ist, dass 4.6 veraltet ist und Mercury 3 nicht gemessen wurde – eine Wahl zwischen zwei Modellen, die man einem Kunden nicht ohne ein Fallback dahinter präsentieren würde.

Die Zahl, die all das ändern würde, sind neutrale Kosten pro abgeschlossener Aufgabe für Mercury 3. Eine einzige Kennzahl – auf dem Harness, das Groks 1,48 US-Dollar hervorgebracht hat – würde die zentrale Unsicherheit dieses Artikels in ein Verhältnis verwandeln. Bis es sie gibt, ist die vertretbare Position die langweilige: Die günstigen Tokens sind real, die Geschwindigkeitsbehauptung ist plausibel und stammt aus einer einzigen Quelle, und das Einzige, was man selbst überprüfen kann, ist die eigene Fehlerrate im eigenen Traffic.