Mercury 3 vs Grok 4.6: uno ha sido reemplazado, el otro no se ha medido, y ambos se venden por su velocidad

El primer dato útil al comparar Mercury 3 con Grok 4.6 es que Grok 4.6 no es el Grok actual. SpaceXAI lo lanzó el 12 de agosto de 2026 a $2.00 por millón de tokens de entrada y $6.00 por millón de salida, y desde entonces ha publicado Grok 4.7; Artificial Analysis ahora marca 4.6 como obsoleto y remite a los lectores al modelo más nuevo. Mercury 3, en cambio, tiene dos días de vida: Inception Labs lo lanzó el 19 de octubre de 2026 a $0.20 y $0.70 por millón, reducido a la mitad durante una ventana de lanzamiento sin fecha de finalización publicada, y nadie imparcial lo ha medido todavía. Así que la forma honesta de plantear esta comparación no es «cuál de estos dos debería usar». Es que ambos se venden principalmente con una cifra de velocidad, las dos cifras de velocidad no son el mismo tipo de cifra, y uno de los dos productos está en proceso de salir del catálogo mientras que el otro aún no ha sido probado por nadie que no trabaje para la empresa que lo creó. Los fallos de IA documentados y los incidentes de agentes detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter donde cada entrada tiene sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Eso convierte esto en una comparación sobre medición, que resulta ser lo más útil que se puede saber antes de poner precio a cualquiera de los dos. Mercury 3 es un modelo de lenguaje de difusión —desruidiza un bloque de posiciones y las fija en conjunto en lugar de emitir un token por pasada— e Inception informa 1.068 tokens por segundo en hardware de NVIDIA, más de 40 veces el total de parámetros de Mercury 1, una ventana de contexto ampliada de 260.000 a 1.000.000 de tokens y un límite de salida de 131.072 tokens. Grok 4.6 es un modelo frontera convencional diseñado para ejecuciones agénticas largas, con un contexto de 500.000 tokens, entrada de texto, imágenes y archivos, y un descuento de caché del 75 % a 0,50 USD por millón de lecturas.

Qué miden realmente los dos números de velocidad

Los 1.068 tokens por segundo de Inception son una cifra de rendimiento de salida: la velocidad a la que los tokens salen del modelo una vez que empieza a producirlos. Artificial Analysis mide la misma cantidad para Grok 4.6 y obtiene 65,4 tokens por segundo. Si se comparan esas dos cifras lado a lado, Mercury 3 parece dieciséis veces más rápido. Es una diferencia real, y no es toda la diferencia, porque el rendimiento es solo uno de los tres números que componen un presupuesto de latencia.

El segundo es el tiempo hasta el primer token, y aquí el panorama resulta menos halagador para el planteamiento y más interesante. Artificial Analysis registra un tiempo medio hasta el primer token de 37,19 segundos para Grok 4.6 en la carga de trabajo que prueba, frente a una mediana de 3,75 segundos entre los modelos de su tabla. Nuestra propia telemetría del playground de siete días sitúa el p50 de Grok 4.6 en 8,00 segundos para el único día del que tiene muestras. Ninguno de esos datos es un problema ni una ventaja para Mercury 3: Inception no ha publicado ninguna cifra de primer token, y las únicas cifras de latencia de terceros en su anuncio son testimonios de clientes: Octen informó un tiempo de generación medio de 0,9 segundos y una respuesta de extremo a extremo media de 2,2 segundos; RevisionDojo informó que las respuestas llegaban «en aproximadamente un segundo»; y Lorikeet dijo que Mercury 3 superó a otros modelos en latencia y obtuvo puntuaciones más altas en sus evaluaciones. Son señales útiles, y son citas de marketing, sobre cargas de trabajo que nadie fuera de esas tres empresas puede inspeccionar.

El tercer número es el que decide si un modelo rápido es utilizable, y es la tasa de error. En nuestra propia infraestructura durante los últimos siete días, la ruta de servicio de GPT-5.6 Sol registró una tasa de error del 0,05 %. Grok 4.6, en el único día del que tiene telemetría —el 17 de octubre de 2026—, registró un 86,7 %. Eso es un día de muestras en un modelo que está en funcionamiento desde agosto, así que es una advertencia sobre una ruta de servicio más que un veredicto sobre un modelo, y es exactamente el tipo de cifra que nunca aparece en la página de un proveedor. Para Mercury 3 no hay ninguna tasa de error, porque no hay ruta que medir.

La ficha técnica, con la procedencia adjunta a cada línea

• Precio — Mercury 3: $0.20 / $0.70 por millón, $0.10 / $0.35 en el lanzamiento, sin fecha de finalización publicada, entrada en caché con un 90 % de descuento. Grok 4.6: $2.00 / $6.00 por millón hasta 200,000 tokens, $4.00 / $12.00 por la solicitud completa por encima de esa cifra, lecturas en caché $0.50.

• Contexto y salida — Mercury 3: 1.000.000 de entrada, 131.072 de salida. Grok 4.6: 500.000 de entrada, sin límite de salida publicado en nuestra página del modelo para este.

• Modalidades — Mercury 3: solo texto. Grok 4.6: texto, imagen y archivo como entrada; texto como salida.

• Rendimiento — Mercury 3: 1.068 tokens por segundo, medido por Inception. Grok 4.6: 65,4 tokens por segundo según Artificial Analysis; 256 tokens por segundo en nuestro propio entorno de pruebas el día que tuvo muestras.

• Puntuaciones independientes: Mercury 3: ninguna, no existe una página de Artificial Analysis. Grok 4.6: 44 en el Índice de Inteligencia de Artificial Analysis, clasificado en el puesto 37 de 217 modelos, y 76,8 en su índice de codificación, clasificado en el puesto 5 de 138.

• Estado — Mercury 3: con dos días de antigüedad, sin mediciones. Grok 4.6: obsoleto en el panel de Artificial Analysis, reemplazado por Grok 4.7.

La comparación de contexto es la que invierte el orden habitual. Mercury 3 ofrece el doble de ventana que Grok 4.6 —un millón de tokens frente a medio millón— y lo hace a una décima parte del precio de entrada. Sobre el papel, no es un duelo reñido para el trabajo con documentos largos. En la práctica, una ventana de 500.000 tokens ya es mayor que casi cualquier documento individual que alguien procese, y la pregunta interesante sobre una ventana de un millón de tokens en un modelo sin medir no es si existe, sino si la calidad se mantiene a lo largo de ella. Artificial Analysis mide explícitamente el recall de contexto largo, y Grok 4.6 obtiene 80,3 allí. Mercury 3 no tiene una cifra equivalente, lo que significa que una ventana de un millón de tokens con una curva de recall desconocida es una afirmación sobre capacidad (capacity) más que sobre habilidad (capability).

Lo que realmente compra el precio de Grok 4.6

Grok 4.6 cuesta diez veces más que Mercury 3 en la entrada y aproximadamente nueve veces más en la salida a precio de lista, y la respuesta honesta a qué se obtiene con eso es: una posición medida en un arnés neutral, entrada multimodal y un costo por respuesta publicado. Ese último es el más útil. Artificial Analysis sitúa a Grok 4.6 en $1.48 por tarea del Intelligence Index — una cifra que ya incluye sin importar cuántos tokens necesite el modelo para completar la suite, que es el único número por respuesta de toda esta comparación que existe para cualquiera de los dos modelos.

Frente a eso, la tarifa de salida de 0,70 dólares de Mercury 3 es una cifra por token sin equivalente por respuesta. Si una tarea de Mercury 3 consume el mismo volumen de salida que una tarea de Grok 4.6, cuesta aproximadamente una décima parte. Si consume el triple de volumen —lo cual es plausible para un modelo que recurre por defecto a un esfuerzo de razonamiento bajo en un trabajo que Grok realiza con un esfuerzo mayor—, cuesta aproximadamente un tercio, y el argumento estratégico se debilita de "un orden de magnitud" a "un descuento significativo en un modelo no probado". Todavía nadie puede decir cuál de esas afirmaciones es cierta. Eso no es una evasiva retórica; es la medición concreta que falta.

Los números propios de Grok 4.6, por lo que puedan valer, son sólidos en los aspectos en los que una ejecución agéntica prolongada los necesita: 94,9 en GPQA Diamond, 42,9 en Humanity's Last Exam, 80,3 en recuperación de contexto largo y un índice de programación de 76,8 que lo sitúa en quinto lugar entre 138 modelos. Esos son los resultados de Artificial Analysis, no los de SpaceXAI, y por eso pueden compararse con Mercury 3 —y Mercury 3, al no tener tales resultados, no puede.

El problema del modelo reemplazado, que es la verdadera decisión

Elegir Grok 4.6 hoy significa elegir un modelo que su propio proveedor ya ha reemplazado. Grok 4.7 está en nuestro catálogo, y la página de 4.6 en Artificial Analysis remite explícitamente a los lectores a él. Para una carga de trabajo sobre la que estás a punto de desarrollar, empezar con un modelo obsoleto es decidir migrar más adelante; la única pregunta es cuándo, y la respuesta suele ser «durante un incidente».

Eso no convierte a Mercury 3 en la opción segura. Un modelo sin medir de dos días de antigüedad y uno obsoleto de nueve semanas son tipos de riesgo distintos, y ninguno de los dos es la opción de bajo riesgo en este emparejamiento. Lo que la comparación establece en realidad es más acotado y más útil: si quieres un modelo medido con un coste documentado por respuesta y entrada multimodal, Grok 4.7 es la versión actual de eso y 4.6 es su predecesor al mismo precio. Si quieres los tokens de solo texto más baratos disponibles en cualquier parte con una ventana de un millón de tokens, Mercury 3 es eso, con la salvedad de que la cifra más barata de su ficha es una promoción sin fecha de finalización.

Grok 4.7 está en el catálogo de OrcaRouter a las tarifas propias de SpaceXAI, detrás del mismo endpoint compatible con OpenAI que todo lo demás que enrutamos, sin recargo añadido y con conmutación automática entre proveedores cuando una ruta alcanza su límite de velocidad; lo cual, dado el índice de errores que nuestra telemetría registró en la ruta de servicio de 4.6 el 17 de octubre, no es un beneficio teórico. Mercury 3 no está en el catálogo: nuestra API de modelos no devuelve nada para ningún modelo de Inception, así que cualquiera que lo llame acude a la plataforma de Inception, donde las cuentas nuevas reciben 100 millones de tokens gratis, o a una de las varias plataformas de terceros que lo alojan.

El patrón de enrutamiento que encaja con este par no es una división por precio. Es una división por lo que estás dispuesto a que falle. Pon el tráfico del modelo obsoleto en el actual, pon una porción limitada del trabajo solo de texto en Mercury 3, mantén un modelo con métricas como respaldo y deja que la conmutación por error se encargue del caso en que el nuevo camino tenga un mal día. La porción es un valor de configuración; el respaldo es una regla de enrutamiento; la decisión de ampliarla o reducirla la toman tus propias tasas de error en el plazo de una semana.

Qué hacer el lunes

Si el trabajo es texto largo, el volumen es alto y las respuestas son verificables, la lista de precios de Mercury 3 merece un experimento acotado esta semana: los 100 millones de tokens gratuitos en la plataforma de Inception cubren la prueba, y la ventana de un millón de tokens significa que puedes enviar el documento completo en lugar de una suposición por fragmentos. Vigila dos cosas: si los recuentos de tokens de salida por tarea se disparan respecto a tu línea base de Sol o G​rok, y si la calidad se degrada hacia el final de un contexto largo. Ambas son medibles en un día y ninguna requiere el benchmark de nadie.

Si el trabajo implica imágenes, se ejecuta durante horas con herramientas en el ciclo, o tiene que salir bien a la primera, la respuesta en este emparejamiento no es Grok 4.6. Es Grok 4.7, o uno de los modelos de frontera medidos, y la razón honesta es que 4.6 está obsoleto y Mercury 3 no está medido: una elección entre dos modelos que no pondrías delante de un cliente sin un respaldo detrás.

El número que cambiaría todo esto es un coste neutro por tarea completada para Mercury 3. Una sola cifra, sobre el arnés que produjo los 1,48 dólares de Grok, convertiría la incertidumbre central de este artículo en una proporción. Hasta que exista, la postura defendible es la aburrida: los tokens baratos son reales, la afirmación sobre la velocidad es plausible y proviene de una sola fuente, y lo único que puedes verificar por ti mismo es tu propia tasa de errores en tu propio tráfico.