Mercury 3 vs GPT-6.1 Sol: Inception ejecutó esta prueba por sí misma, y esa es la historia

Mercury 3 se lanzó el 19 de octubre de 2026, y el único dato de comparación directa que Inception publicó para él menciona a GPT-6.1 Sol directamente. Cincuenta tareas de navegación Mind2Web en vivo, ejecutadas dentro del propio harness de agentes web de producción de Inception: Mercury 3 completó el 50 % de ellas, lo que, según la publicación de lanzamiento, es «significativamente más que GPT-6.1-Sol», usando el mismo volumen de tokens y el mismo número de pasos del agente, a lo que describe como una fracción del coste por token. Es una afirmación más específica que la que hacen la mayoría de las publicaciones de lanzamiento, y también es una afirmación sin denominador. Cincuenta tareas son una muestra pequeña, el harness es del proveedor, la tasa de finalización de GPT-6.1 Sol nunca se publica y Mercury 3 todavía no aparece en ningún lugar del ranking independiente Artificial Analysis que ha puntuado a GPT-6.1 Sol con 51,8. Así que la comparación honesta no es «qué modelo es más inteligente». Es qué puede respaldar la propia prueba del proveedor, qué dice la tarifa y dónde el historial medido de GPT-6.1 Sol sigue ganando por defecto. La tasa de traspaso es la misma en todo el catálogo: 0 % de margen con el precio de lista del proveedor a la entrada y el precio de lista del proveedor a la salida. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Primero, la parte de la afirmación que es inusualmente verificable.

Las benchmarks de lanzamiento suelen ser una tabla de puntuaciones en benchmarks que eligió el proveedor, comparadas con modelos que eligió el proveedor, sin ninguna declaración sobre cuánta computación gastó cada parte. Inception hizo algo más raro: fijó el volumen de tokens y el número de pasos. «El mismo volumen de tokens y el mismo número de pasos del agente» es una afirmación sobre control experimental, y es importante porque la forma más habitual en que un modelo rápido hace trampa en una benchmark de agentes es hacer más intentos. Si Mercury 3 realmente igualó los pasos y los tokens de GPT-6.1 Sol y aun así completó más tareas, la diferencia está en lo que el modelo hizo con cada paso, no en cuántos pasos tuvo.

Lo que todavía le falta a la afirmación:

• La tasa de finalización absoluta de GPT-6.1 Sol. "Significativamente más" que una cifra no especificada no es un resultado que se pueda valorar.

• El criterio de aprobación. Las tareas de Mind2Web difieren en cuán estrictamente se considera que una navegación está completa, y el harness es de Inception, no uno público.

• Una segunda ejecución. Cincuenta tareas es un número lo bastante pequeño como para que un puñado de cambios de resultado mueva el porcentaje varios puntos.

• Cualquier puntuación en un benchmark con una línea base publicada, por lo que el tablero de Artificial Analysis aún no puede situar a Mercury 3 en absoluto

Shuhao Zhang, de TinyFish AI, es citado sobre el resultado, y la cita es un testimonio de cliente en lugar de una replicación independiente. Eso es normal en un lanzamiento y vale la pena señalarlo como tal, porque la cifra del 50% circulará durante meses sin esa salvedad adjunta.

La lista de tarifas, que es donde el argumento es realmente sólido.

La diferencia de precio no es marginal y no depende del arnés de nadie. Mercury 3 tiene un precio de lista de $0.20 por millón de tokens de entrada y $0.70 por millón de tokens de salida, con la entrada en caché a $0.02. Durante la ventana de lanzamiento, Inception cobra la mitad de eso: $0.10 de entrada, $0.01 en caché y $0.35 de salida. GPT-6.1 Sol tiene un precio de lista de $2.00 de entrada, $0.10 en caché, $2.50 por escritura en caché y $10.00 de salida. A precio de lista, la tarifa de salida de Mercury 3 es la decimocuarta parte de la de GPT-6.1 Sol; durante el descuento de lanzamiento, es la vigésimo octava parte.

Tomemos un agente de navegador que ejecuta cuarenta pasos, envía 12.000 tokens de entrada por paso y emite 400 tokens de salida por paso. Eso supone 480.000 tokens de entrada y 16.000 tokens de salida para la ejecución, todos sin caché, que es el caso pesimista para el modelo más económico:

• GPT-6.1 Sol — $0.96 de entrada a $2.00 por millón, más $0.16 de salida a $10.00 por millón: aproximadamente $1.12 por ejecución

• Mercury 3 a precio de lista — $0,096 de entrada más $0,011 de salida a $0,70 por millón: aproximadamente $0,107 por ejecución, o 10,4 veces más barato

• Mercury 3 a la tarifa de lanzamiento — $0.048 más $0.006: alrededor de $0.054 por ejecución, o aproximadamente 21 veces más económico

Ahora pon las tasas de finalización por encima de eso. Si Mercury 3 completa 50 de 100 tareas y GPT-6.1 Sol completa algún número menor, el ahorro por ejecución solo se materializa en las ejecuciones que terminan. Un modelo que es diez veces más barato por paso y termina dos tercios de las veces sigue siendo más barato por tarea completada, que es el número que corresponde a un panel de control. Pero con 50 tareas, nadie conoce todavía la segunda proporción.

Dos detalles de costo importan más que el titular y son fáciles de pasar por alto. La entrada en caché a $0.10 en GPT-6.1 Sol es la mitad del precio de entrada de lista de Mercury 3 y veinte veces su precio en caché, así que con un prompt de sistema largo y estable, el almacenamiento en caché de GPT-6.1 Sol cierra parte de la brecha —pero solo por el lado de la entrada, y la salida es donde gastan los bucles de agentes. Además, GPT-6.1 Sol vuelve a fijar el precio de toda la solicitud por encima de 272,000 tokens de entrada: 2× en entrada y caché, 1.5× en salida. Ese acantilado es exactamente donde aterrizan las transcripciones largas de agentes, y la ventana de 1M tokens de Mercury 3 sin recargo publicado por prompts largos es una ventaja estructural en el mismo escenario.

Lo que GPT-6.1 Sol tiene y Mercury 3 no: un récord medido

Todo lo anterior es una comparación con una tarjeta de tarifas y una prueba de un proveedor. El panel independiente ofrece una imagen distinta, y solo incluye uno de estos modelos.

• Índice de Inteligencia — Mercury 3 no figura en la lista; GPT-6.1 Sol 51.8 con el máximo esfuerzo de razonamiento, según Artificial Analysis el 20 de octubre de 2026

• Costo por tarea de indexación — Mercury 3 no medido; GPT-6.1 Sol $0.72, frente a una mediana del ranking muy por encima de eso

• Terminal-Bench 4.0 — Mercury 3 no medido; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 no medido; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 no medido; GPT-6.1 Sol 0.5292

• AA-LCR razonamiento de contexto largo — Mercury 3 no medido; GPT-6.1 Sol 0.83

• GDPval-AA, trabajo de conocimiento con valor económico — Mercury 3 no medido; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 no medido; GPT-6.1 Sol 41,5

• Contexto y salida — Mercury 3 1,000,000 de entrada / 131,072 de salida; GPT-6.1 Sol 1,050,000 de entrada / 128,000 de salida

• Pesos — cerrados en ambos; ninguno te proporciona un checkpoint

• Modalidad — texto en ambos; GPT-6.1 Sol también acepta imágenes y archivos

Esa última línea es la diferencia menos glamurosa y más decisiva para algunos equipos. GPT-6.1 Sol acepta entrada de imágenes y archivos. La propia documentación de Mercury 3 enumera los formatos compatibles como texto. Si tu agente tiene que leer una captura de pantalla, un PDF o una factura escaneada, la comparación termina ahí independientemente del precio, y ninguna cantidad de tokens por segundo lo cambia.

Las escalas de razonamiento tampoco tienen la misma forma. Mercury 3 ofrece instant, low, medium y high, con temperatura ajustable de 0,5 a 1,0. GPT-6.1 Sol ofrece low, medium, high, xhigh y max, y ya no acepta en absoluto el ajuste sin razonamiento. Un modelo con un nivel «instant» hace una promesa de producto diferente: te está diciendo que algunas solicitudes no deberían pensar, y te cobrará en consecuencia. Es una diferencia de diseño real, y resulta invisible en un único número de inteligencia.

Cuándo cada modelo es la opción correcta

Mercury 3 es la elección correcta cuando la carga de trabajo está limitada por la latencia, es solo texto y el coste por paso domina el presupuesto: navegación por el navegador, atención por chat, tutoría en tiempo real, trabajo de alto volumen cercano a la clasificación, cualquier bucle en el que un humano u otro sistema esté esperando en cada turno. El contexto de 1M y el límite de salida de 131.072 tokens encajan con transcripciones largas de agentes, y el nivel instantáneo existe para las solicitudes que no deberían pensar. El riesgo es que ningún evaluador independiente lo ha puntuado, así que su envolvente de calidad es una afirmación del proveedor por ahora.

GPT-6.1 Sol es la elección correcta cuando el trabajo requiere visión o entrada de archivos, cuando necesitas un nivel mínimo de capacidad medido antes de comprometer tráfico, cuando quieres una escala de razonamiento que vaya más allá de «high», o cuando las solicitudes de 272.000 tokens son la excepción y no la norma. Su coste por tarea de indexación es uno de los mejores de la tabla, que es la otra mitad del argumento: barato por token y barato por trabajo terminado son afirmaciones distintas, y GPT-6.1 Sol es el que tiene publicado el segundo dato.

El error práctico es tratar esto como una elección en la que el ganador se lo lleva todo. Mercury 3 no está en OrcaRouter —se sirve a través de la propia API de Inception y de varias plataformas de terceros—, mientras que GPT-6.1 Sol sí está, al precio de lista de OpenAI con un 0 % de margen, así que lo que se paga es la tarifa del propio proveedor y no un equivalente con margen añadido. Eso hace que la prueba dividida sea barata de ejecutar: mantén GPT-6.1 Sol en la ruta de producción, pon Mercury 3 detrás de la API del proveedor en una porción del tráfico y compara tareas completadas por dólar en lugar de tokens por segundo. Si la porción aguanta, traslada los pasos sensibles a la latencia; si no, habrás perdido una semana y una factura pequeña. La conmutación automática por fallo importa sobre todo justo en esta ventana, cuando un modelo de un día está a prueba y uno ya medido está soportando la carga.

¿Qué resolvería esto?

Tres cosas, en orden de cuánto afectarían la respuesta:

• Una entrada de Artificial Analysis para Mercury 3. Un número de índice y un coste por tarea sustituirían todas las estimaciones de este artículo. Hasta que exista, «sin puntuación independiente» es el estado correcto, no «no demostrado» ni «de clase frontera».

• Una tasa de completitud para GPT-6.1 Sol en las mismas 50 tareas, o una nueva ejecución pública de ese harness por alguien que no sea Inception. La afirmación sobre los tokens controlados es buena metodología; aún no es un resultado que alguien más pueda inspeccionar.

• Una respuesta publicada sobre cómo se factura la salida de difusión. Mercury 3 genera tokens en paralelo y los refina en pasadas, y la documentación de Inception no indica si las pasadas de eliminación de ruido cuentan para los tokens de salida facturados. Si no cuentan, la ventaja efectiva de coste es mayor de lo que sugiere la tabla de tarifas; si cuentan, los 1,068 tokens por segundo son una cifra de rendimiento y no de facturación.

Hasta entonces, la postura defendible es limitada y útil: Mercury 3 es el modelo de texto rápido más barato de esta comparación por un orden de magnitud, en una prueba del proveedor que al menos estaba diseñada para controlar el esfuerzo, con una ventana de 1M de tokens y sin puntuación independiente. GPT-6.1 Sol es el modelo más caro, más lento y con mediciones que además lee imágenes y tiene un costo publicado por tarea completada. Compra el segundo para el trabajo que no puedes permitirte hacer mal; prueba el primero para el trabajo en el que esperar es el costo real.