Mercury 3 vs. Grok 4.7: Zwei Uhren, nicht zwei Modelle

Fragen Sie, was Mercury 3 und Grok 4.7 gemeinsam haben, und die Antwort ist eine Uhr. Beide werden über die Dauer vermarktet, die eine Aufgabe benötigt, und sie verstehen darunter entgegengesetzte Dinge. Mercury 3, am 19. Oktober 2026 von Inception veröffentlicht, ist darauf ausgelegt, in unter einer Sekunde zu antworten: ein Diffusionsmodell, das auf NVIDIA-GPUs 1.068 Token pro Sekunde erzeugt, ein Kontextfenster von 1 Mio. Token und vier Reasoning-Einstellungen, deren schnellste Stufe „instant“ heißt. Grok 4.7, am 21. September 2026 von SpaceXAI veröffentlicht, ist darauf ausgelegt, weiterzuarbeiten: ein Kontextfenster von 500.000 Token, eine Reasoning-Leiter, deren höchste Stufe xhigh ist, und eine unabhängige Messung, die zeigt, dass es rund 240 Millionen Ausgabe-Token verbrauchte, um den Artificial Analysis Intelligence Index abzuschließen, bei Kosten von 3,74 US-Dollar pro Aufgabe. Das eine Modell betrachtet Latenz als das Produkt. Das andere betrachtet Dauer als das Produkt. Vergleicht man sie auf einer einzigen Ergebniszeile, verfehlt man die einzige Frage, die zählt – auf welcher Uhr Ihre Arbeitslast tatsächlich läuft. Beide Enden einer Split-Policy können hinter einem Schlüssel liegen, wobei automatisches Failover die langsame Spur auffängt. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Vertrauensgrad und eine Kennzeichnung als umstritten enthält.

Die beiden Uhren, bepreist

Beginne mit dem, was in den Tarifkarten steht, denn der Unterschied ist groß genug, um zu verändern, was du bauen kannst:

• Eingabe — Mercury 3: 0,20 $ pro 1 Mio. zum Listenpreis (0,10 $ zum Start) vs. Grok 4.7: 2,00 $ pro 1 Mio.

• Ausgabe — Mercury 3 0,70 $ pro 1 Mio. zum Listenpreis (0,35 $ zum Start) vs. Grok 4.7 6,00 $ pro 1 Mio.

• Zwischengespeicherte Eingabe — Mercury 3 0,02 $ pro 1 Mio. (0,01 $ beim Start) vs. Grok 4.7 0,50 $ pro 1 Mio.

• Kontext — 1.000.000 Tokens vs. 500.000

• Maximale Ausgabe in einer Antwort — 131.072 Tokens gegenüber keiner veröffentlichten Herstellerobergrenze; unsere eigene Karte für grok-4.7 nennt 450.000

• Eingabemodalität — nur Text vs. Text und Bilder

• Reasoning-Einstellungen — Sofort, Niedrig, Mittel, Hoch vs. Niedrig, Mittel, Hoch, Sehr hoch

• Durchsatz — 1.068 Tokens pro Sekunde, vom Hersteller angegeben vs. nicht vom Hersteller veröffentlicht

• Neupreisgestaltung für lange Anfragen – keine veröffentlicht vs. jeder Tarif ab 200.000 Eingabe-Tokens verdoppelt, angewendet auf die gesamte Anfrage

• Gewichte — beidseitig geschlossen

Betrachtet man nur die Output-Zeile, wirkt Mercury 3 neben Grok 4.7 wie ein Rundungsfehler: $0,70 gegenüber $6,00, bzw. $0,35 während des Launch-Zeitfensters. Betrachtet man die Cache-Zeile, wird die Lücke nicht kleiner, sondern größer, denn $0,02 gegenüber $0,50 sind unabhängig vom Rabatt ein Faktor von fünfundzwanzig. Diese Kombination – günstiger Output und nahezu kostenlose Cache-Lesevorgänge – macht eine hochfrequente Schleife bezahlbar, und genau darauf wurde das Modell offensichtlich ausgelegt.

Doch die Preisliste ist nur die Hälfte der Kosten. Grok 4.7 geht in seiner eigenen Designannahme davon aus, dass ein schwieriges Problem einen langen Reasoning-Durchlauf verdient, und das unabhängige Board zeigt, was das kostet, wenn das Problem schwierig genug ist: 3,74 $ pro abgeschlossener Index-Aufgabe, gegenüber 0,72 $ für GPT-6.1 Sol und, auf demselben Board, gar keinem Mercury-3-Eintrag. Grok 4.7 gibt Tokens aus, um zu denken. Mercury 3 gibt pro Token fast nichts aus und verspricht, schnell zu denken. Das sind keine konkurrierenden Aussagen; das sind konkurrierende Budgets.

Was ein langer Reasoning-Durchlauf tatsächlich bringt

Grok 4.7 ist kein schnelles Modell, das langsamer geworden ist. Es ist eine bewusste Wette darauf, dass mehrstündige Arbeit – agentische Coding-Loops, dokumentenlastige Analysen, professionelle Deliverables – ein Modell belohnt, das dranbleibt, und die unabhängigen Ergebnisse zeigen, dass sich diese Wette an bestimmten Stellen auszahlt und nicht durchgängig.

• GDPval-AA, wirtschaftlich wertvolle Wissensarbeit — Grok 4.7 Elo 1711,07, der zweithöchste Wert unter den hier verglichenen Modellen und besser als GPT-6.1 Sol mit 1593,85

• SciCode — 0.5741, vor sowohl GPT-6.1 Sol (0.5417) als auch Qwen3.8 Max (0.5208)

• HLE — 0,4314

• AA-LCR Langkontext-Reasoning — 0.7667

• Terminal-Bench 4.0 — 0,2576, die schwächste Zahl in ihrer eigenen Spalte

• AutomationBench — 0.6556, das stärkste der vier Modelle dieser Serie

• Intelligence Index — 46,4 bei xhigh, laut Artificial Analysis

• Kosten pro Indexierungsaufgabe — 3,74 $

Dieses Profil – stark bei Wissensarbeit und Automatisierung, schwach beim Programmieren im Terminal-Stil – ist nicht das Profil eines Allzweck-Flaggschiffs, und es ist nützlicher zu wissen als ein Rang. Ein Team, das lange autonome Coding-Sessions durchführt und dafür Grok 4.7 wählt, entscheidet sich damit gegen seine eigenen Messungen.

Mercury 3 hat keine vergleichbare Spalte. Die von Inception veröffentlichten Belege sind anderer Art: ein Navigationstest mit 50 Aufgaben auf Mind2Web im eigenen Harness, bei dem es 50 % der Aufgaben abschloss, plus Partner-Testimonials von TinyFish AI, RevisionDojo, Octen AI und Lorikeet. Mit Stand vom 20. Oktober 2026 gibt es keinen Eintrag bei Artificial Analysis, was bedeutet, dass jede Fähigkeitsaussage in diesem Beitrag über Mercury 3, die über Geschwindigkeit und Preis hinausgeht, vom Anbieter stammt und nicht reproduziert wurde. Das ist kein Grund, es abzutun – ein neun Tage altes Modell ohne unabhängige Bewertung ist ein normaler Zustand, und frühe Berichterstattung ist genau das, was dieser Blog veröffentlichen soll. Es ist ein Grund, die beiden Spalten unterschiedlich zu kennzeichnen.

Drei Workloads, drei Antworten

Eine Support-Warteschlange oder ein Voice-Agent. Jede Millisekunde ist ein Kunde, der wartet, und das Modell muss günstig genug sein, um bei jeder Nachricht zu laufen. Mercury 3 gewinnt dies mit den veröffentlichten Zahlen: 1.068 Tokens pro Sekunde, 0,70 $ Ausgabe zum Listenpreis, 0,02 $ gecachte Eingabe, eine „Instant“-Stufe, die das Reasoning vollständig überspringt. Grok 4.7 kann diese Arbeit erledigen, aber bei 6,00 $ Ausgabe mit einem standardmäßigen Reasoning-Durchlauf zahlt es für Überlegung, die das Gespräch nicht braucht. Das ist der Fall, für den Inception das Modell gebaut hat, und die Partnerzitate stammen alle aus dieser Art von Produkt.

Ein mehrstündiger Coding- oder Research-Agent. Der Job läuft unbeaufsichtigt, das Transkript wächst über ein paar hunderttausend Tokens hinaus, und das Modell muss einen Plan über viele Schritte hinweg halten. Hier sind das 500K-Fenster von Grok 4.7, xhigh-Reasoning und die gemessene Stärke bei Wissensarbeit die relevanten Merkmale, und das 1M-Fenster von Mercury 3 ist das relevante Gegenargument: mehr Platz, weit günstiger pro Token, aber noch kein Beleg dafür, dass es einen Plan über einen langen Horizont hinweg hält. Beachten Sie außerdem, dass Grok 4.7 für die gesamte Anfrage jeden Tarif verdoppelt, sobald die Eingabe 200.000 Tokens überschreitet, während Mercury 3 keinen Zuschlag für lange Anfragen ausweist. Bei einem wirklich langen Transkript kann der nominale 8,6-fache Output-Abstand auf unter das 5-Fache schrumpfen – und das ist der Bereich, in dem das Fehlen eines Benchmarks für Mercury 3 zum Problem wird, denn der Kostenvorteil kommt genau dort zum Tragen, wo seine Leistungsfähigkeit am wenigsten belegt ist.

Alles, was ein Bild lesen muss. Grok 4.7 akzeptiert Bilder. In der Dokumentation von Mercury 3 ist Text als einzig unterstütztes Format aufgeführt. Das ist keine Preisfrage, und keine Menge an Tokens pro Sekunde beantwortet sie.

Der Grund, beide auszuführen, statt auszuwählen

Der Unterschied ist ungewöhnlich sauber, weil die beiden Modelle in unterschiedliche Richtungen scheitern: Mercury 3 ist günstig und nicht gemessen, Grok 4.7 ist teuer und gemessen, und ihre Modalitäts- und Reasoning-Bereiche überlappen sich kaum. Das ist die Form eines Routing-Problems und keine Beschaffungsentscheidung.

Grok 4.7 ist auf OrcaRouter verfügbar zum Listenpreis von SpaceXAI mit 0 % Aufschlag, einschließlich des verdoppelten Tarifs für über 200K, sodass die Kosten für das Ausprobieren einer Richtlinie genauso hoch sind wie die Kosten für einen direkten Anruf beim Anbieter. Mercury 3 ist nicht auf dem Router; es wird über Inceptions eigene API und mehrere Drittplattformen bereitgestellt und ist neun Tage alt. Eine Routing-DSL rechtfertigt hier ihren Einsatz auf eine Weise, wie sie es selten tut: Senden Sie Instant-Lane-Anfragen – kurze Prompts, strikte Latenzbudgets, keine Bilder – an Mercury 3, behalten Sie alles, was Vision oder xhigh-Reasoning benötigt, auf Grok 4.7, und lassen Sie automatisches Failover den Fall abfangen, in dem sich die Warteschlange des neuen Modells staut. Die Richtlinie lässt sich formulieren; die Belege dafür wird der Verkehr des nächsten Monats liefern.

Worauf Sie achten sollten, bevor Sie Budget verschieben

Zwei Signale würden diesen Vergleich verändern, und beide sind konkret.

• Ein Mercury-3-Eintrag bei Artificial Analysis. Ein Intelligence-Index-Wert und eine Kennzahl zu Kosten pro Aufgabe würden dir zeigen, ob das günstige, schnelle Modell bei Wissensarbeit nah genug an Grok 4.7 heranreicht, um echten Datenverkehr darauf zu routen. Ohne ihn bleibt die Angabe von 1.068 Tokens pro Sekunde ein Durchsatzfakt und keine Aussage über die Leistungsfähigkeit.

• Der Token-Verbrauch von Grok 4.7 bei deinen eigenen Workloads. Der Indexlauf mit 240 Millionen Tokens ist ein synthetischer Benchmark; eine Support-Warteschlange und ein Coding-Agent verbrauchen sehr unterschiedliche Mengen. Miss die Ausgabe-Tokens pro abgeschlossener Aufgabe in einer repräsentativen Woche, bevor du annimmst, dass der Satz von $6.00 deine Rechnung bestimmt

Was man hingegen ignorieren sollte, ist jeder Vergleich, der die beiden Modelle in einer einzigen Leaderboard-Spalte nebeneinanderstellt, ohne zu erwähnen, dass eines von ihnen nie auf dem Board war. Das Interessante an Mercury 3 ist nicht, dass es schnell ist – Inception liefert seit einem Jahr schnelle Diffusionsmodelle aus –, sondern dass es schnell ist mit einem 1M-Fenster zu einem Preis, der die Ökonomie pro Anfrage trivial macht. Das Interessante an Grok 4.7 ist nicht, dass es eine Bestenliste anführt, denn das tut es nicht; es ist, dass es das automatisierungsstärkste Modell in diesem Set ist und das mit Tokens bezahlt. Das sind unterschiedliche Produkte, und die richtige Anzahl von ihnen, die man laufen lässt, ist wahrscheinlich nicht eins.