Mercury 3 vs Grok 4.7: Dos relojes, no dos modelos

Pregunta qué Mercury 3 y Grok 4.7 tienen en común, y la respuesta es un reloj. Ambos se promocionan por cuánto tarda un trabajo, y con ello se refieren a cosas opuestas. Mercury 3, lanzado por Inception el 19 de octubre de 2026, está diseñado para responder en menos de un segundo: un modelo de difusión que genera 1.068 tokens por segundo en GPU de NVIDIA, una ventana de 1 millón de tokens y cuatro ajustes de razonamiento cuyo nivel más rápido se denomina «instant». Grok 4.7, lanzado por SpaceXAI el 21 de septiembre de 2026, está diseñado para seguir trabajando: una ventana de 500.000 tokens, una escala de razonamiento que llega hasta xhigh y una medición independiente que muestra que consumió aproximadamente 240 millones de tokens de salida para completar el Artificial Analysis Intelligence Index a un coste de 3,74 dólares por tarea. Un modelo trata la latencia como el producto. El otro trata la duración como el producto. Compararlos en una única puntuación pasa por alto la única pregunta que importa: en qué reloj está realmente tu carga de trabajo. Ambos extremos de una política dividida pueden vivir detrás de una sola clave, con conmutación automática por error que cubre la ruta lenta. Los fallos de IA y los incidentes de agentes documentados detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Los dos relojes, con precio

{{1}}Empieza por lo que dicen las tarjetas de tarifas{{/1}}, {{2}}porque la diferencia es lo bastante grande como para cambiar lo que puedes construir{{/2}}:

• Entrada — Mercury 3: 0,20 USD por 1 M a precio de lista (0,10 USD en el lanzamiento) frente a Grok 4.7: 2,00 USD por 1 M

• Salida — Mercury 3 $0.70 por 1M a precio de lista ($0.35 en el lanzamiento) vs Grok 4.7 $6.00 por 1M

• Entrada en caché — Mercury 3 $0.02 por 1M ($0.01 en el lanzamiento) vs Grok 4.7 $0.50 por 1M

• Contexto — 1.000.000 de tokens frente a 500.000

• Salida máxima en una sola respuesta — 131.072 tokens frente a ningún límite publicado por el proveedor; nuestra propia ficha de grok-4.7 indica 450.000

• Modalidad de entrada — solo texto vs. texto e imágenes

• Ajustes de razonamiento — instantáneo, bajo, medio, alto vs bajo, medio, alto, xhigh

• Rendimiento — 1.068 tokens por segundo, según el proveedor, frente a no publicado por el proveedor

• Reajuste de precios para solicitudes largas: ninguno publicado frente a todas las tarifas duplicadas por encima de 200.000 tokens de entrada, aplicado a toda la solicitud

• Pesos — cerrados en ambos

Si se mira solo la línea de salida, Mercury 3 parece un error de redondeo junto a Grok 4.7: $0.70 frente a $6.00, o $0.35 durante la ventana de lanzamiento. Si se mira la línea de caché, la diferencia se amplía en lugar de reducirse, porque $0.02 frente a $0.50 es un factor de veinticinco independientemente del descuento. Esa combinación —salida barata y lecturas de caché casi gratuitas— es lo que hace asequible un bucle de alta frecuencia, y es el objetivo de diseño para el que claramente se construyó el modelo.

Pero la tarifa solo es la mitad de un costo. El propio supuesto de diseño de Grok 4.7 es que un problema difícil merece una larga pasada de razonamiento, y el ranking independiente muestra cuánto cuesta eso cuando el problema es lo bastante difícil: $3,74 por tarea de índice completada, frente a $0,72 para GPT-6.1 Sol y, en la misma tabla, ninguna entrada de Mercury 3. Grok 4.7 gasta tokens en pensar. Mercury 3 gasta casi nada por token y promete pensar rápido. No son afirmaciones que compitan entre sí; son presupuestos que compiten entre sí.

Lo que realmente aporta una pasada larga de razonamiento

Grok 4.7 no es un modelo rápido que se volvió más lento. Es una apuesta deliberada por que el trabajo de varias horas —bucles de programación agéntica, análisis con gran volumen de documentos, entregables profesionales— recompense a un modelo que sigue avanzando, y los resultados independientes muestran que esa apuesta da frutos en ámbitos concretos y no de forma generalizada.

• GDPval-AA, trabajo intelectual económicamente valioso — Grok 4.7 Elo 1711.07, el segundo más alto de los modelos comparados aquí y por delante del 1593.85 de GPT-6.1 Sol

• SciCode — 0,5741, por delante tanto de GPT-6.1 Sol (0,5417) como de Qwen3.8 Max (0,5208)

• HLE — 0.4314

• AA-LCR razonamiento de contexto largo — 0.7667

• Terminal-Bench 4.0 — 0.2576, el número más débil en su propia columna

• AutomationBench — 0.6556, el más potente de los cuatro modelos de esta serie

• Índice de Inteligencia — 46.4 en xhigh, según Artificial Analysis

Costo por tarea de indexación — $3.74

Ese perfil —fuerte en trabajo de conocimiento y automatización, débil en programación al estilo de terminal— no es el perfil de un buque insignia de propósito general, y es más útil saberlo que conocer un ranking. Un equipo que ejecuta largas sesiones de programación autónoma y elige Grok 4.7 para ellas lo está eligiendo en contra de sus propias mediciones.

Mercury 3 no tiene una columna comparable. La evidencia publicada de Inception es de distinta índole: una prueba de navegación Mind2Web de 50 tareas en su propio harness, en la que completó el 50 % de las tareas, además de testimonios de socios de TinyFish AI, RevisionDojo, Octen AI y Lorikeet. No tiene entrada en Artificial Analysis a fecha del 20 de octubre de 2026, lo que significa que toda afirmación sobre capacidades en este artículo acerca de Mercury 3, más allá de la velocidad y el precio, es reportada por el proveedor y no ha sido reproducida. Eso no es motivo para descartarlo: un modelo de nueve días de antigüedad sin puntuación independiente es un estado normal, y la cobertura temprana es exactamente lo que este blog existe para publicar. Es un motivo para mantener las dos columnas etiquetadas de forma diferente.

Tres cargas de trabajo, tres respuestas

Una cola de soporte o un agente de voz. Cada milisegundo es un cliente esperando, y el modelo tiene que ser lo bastante barato como para ejecutarse en cada mensaje. Mercury 3 gana esto con las cifras publicadas: 1.068 tokens por segundo, $0,70 de salida a precio de lista, $0,02 de entrada en caché, un nivel "instantáneo" que omite por completo el razonamiento. Grok 4.7 puede hacer este trabajo, pero con $6,00 de salida y una pasada de razonamiento predeterminada, está pagando por una deliberación que la conversación no necesita. Este es el caso para el que Inception creó el modelo, y las citas de los socios provienen todas de este tipo de producto.

Un agente de programación o investigación de varias horas. El trabajo se ejecuta sin supervisión, la transcripción supera los cientos de miles de tokens y el modelo tiene que mantener un plan a lo largo de muchos pasos. Aquí la ventana de 500K de Grok 4.7, el razonamiento xhigh y su solidez medida en trabajo de conocimiento son las características relevantes, y la ventana de 1M de Mercury 3 es el contraargumento relevante: más espacio, mucho más barato por token, pero aún no hay evidencia de que mantenga un plan a lo largo de un horizonte largo. Nótese también que Grok 4.7 duplica todas las tarifas por encima de 200.000 tokens de entrada para toda la solicitud, mientras que Mercury 3 no publica ningún recargo por solicitudes largas. En una transcripción genuinamente larga, la brecha nominal de 8,6× en la salida puede reducirse a menos de 5×, y ese es el régimen en el que la falta de un benchmark de Mercury 3 empieza a perjudicar, porque la ventaja de coste llega exactamente donde su capacidad está menos demostrada.

Cualquier cosa que tenga que leer una imagen. Grok 4.7 acepta imágenes. La documentación de Mercury 3 indica que el texto es su único formato compatible. Esto no es una cuestión de precios y ninguna cantidad de tokens por segundo lo responde.

La razón para ejecutar ambos en lugar de elegir

La división es inusualmente nítida porque los dos modelos fallan en direcciones diferentes: Mercury 3 es barato y no medido, Grok 4.7 es caro y medido, y sus rangos de modalidad y razonamiento apenas se superponen. Esa es la forma de un problema de enrutamiento más que de una decisión de adquisición.

Grok 4.7 está en OrcaRouter al precio de lista de SpaceXAI con 0 % de margen, incluida la tarifa duplicada para más de 200K, de modo que el coste de probar una política es el mismo que el de llamar directamente al proveedor. Mercury 3 no está en el router; se sirve mediante la API propia de Inception y varias plataformas de terceros, y tiene nueve días. Un DSL de enrutamiento se justifica aquí como rara vez lo hace: envía las solicitudes de la vía instantánea —prompts cortos, presupuestos de latencia estrictos, sin imágenes— a Mercury 3, mantén todo lo que necesite visión o razonamiento xhigh en Grok 4.7, y deja que el failover automático cubra el caso en que la cola del nuevo modelo se atasque. La política es expresable; la evidencia que la respalde la aportará el tráfico del próximo mes.

Qué tener en cuenta antes de mover el presupuesto

Dos señales cambiarían esta comparación, y ambas son específicas.

• Una entrada de Mercury 3 en Artificial Analysis. Una puntuación del Intelligence Index y una cifra de coste por tarea te dirían si el modelo barato y rápido está lo bastante cerca de Grok 4.7 en trabajo de conocimiento como para justificar enrutar tráfico real. Sin ello, los 1.068 tokens por segundo son un dato de rendimiento, no una afirmación de capacidad.

• El consumo de tokens de Grok 4.7 en tus propias cargas de trabajo. La ejecución de índice de 240 millones de tokens es una prueba comparativa sintética; una cola de soporte y un agente de programación consumen volúmenes muy diferentes. Mide los tokens de salida por tarea completada durante una semana representativa antes de asumir que la tarifa de $6.00 determina tu factura.

Lo que hay que ignorar, mientras tanto, es cualquier comparación que coloque los dos modelos en una misma columna de una tabla de clasificación sin señalar que uno de ellos nunca ha estado en la tabla. El dato interesante de Mercury 3 no es que sea rápido —Inception lleva un año lanzando modelos de difusión rápidos—, sino que es rápido con una ventana de 1M a un precio que hace trivial la economía por solicitud. El dato interesante de Grok 4.7 no es que encabece una tabla, porque no lo hace; es que es el modelo más fuerte en automatización de este conjunto y lo paga con tokens. Son productos diferentes, y la cantidad correcta de ellos para ejecutar probablemente no sea uno.