Mercury 3 vs GPT-6.1 Sol : Inception a réalisé ce test elle-même, et c'est toute l'histoire

Mercury 3 est sorti le 19 octobre 2026, et le seul chiffre comparatif direct qu'Inception a publié pour lui désigne GPT-6.1 Sol directement. Cinquante tâches de navigation Mind2Web en conditions réelles, exécutées dans le harnais d'agent web de production d'Inception : Mercury 3 en a terminé 50 %, ce que le billet de lancement présente comme « nettement plus que GPT-6.1-Sol », avec le même volume de tokens et le même nombre d'étapes d'agent, à ce qu'il décrit comme une fraction du coût par token. C'est une affirmation plus précise que la plupart des billets de lancement, et c'est aussi une affirmation sans dénominateur. Cinquante tâches constituent un petit échantillon, le harnais appartient au fournisseur, le taux d'achèvement de GPT-6.1 Sol n'est jamais publié, et Mercury 3 n'apparaît encore nulle part dans le classement indépendant Artificial Analysis qui a attribué 51,8 à GPT-6.1 Sol. Ainsi, la comparaison honnête n'est pas « quel modèle est le plus intelligent ». Elle porte sur ce que le propre test du fournisseur peut étayer, sur ce que dit la grille tarifaire, et sur les points où le bilan mesuré de GPT-6.1 Sol l'emporte encore par défaut. Le taux de répercussion est le même dans tout le catalogue : 0 % de majoration prix catalogue du fournisseur en entrée, prix catalogue du fournisseur en sortie. Les défaillances d'IA et incidents d'agents documentés derrière des sorties comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et son indicateur de contestation.

D'abord, la partie de l'affirmation qui est exceptionnellement vérifiable

Les benchmarks de lancement sont généralement un tableau de scores sur des benchmarks choisis par le fournisseur, comparés à des modèles choisis par le fournisseur, sans aucune indication sur la quantité de calcul engagée de part et d'autre. Inception a fait quelque chose de plus rare : il a fixé le volume de tokens et le nombre d'étapes. « Même volume de tokens et même nombre d'étapes d'agent » est une affirmation sur le contrôle expérimental, et cela compte parce que la façon la plus courante pour un modèle rapide de tromper un benchmark d'agent est de multiplier les tentatives. Si Mercury 3 a réellement égalé les étapes et les tokens de GPT-6.1 Sol tout en terminant davantage de tâches, la différence réside dans ce que le modèle a fait à chaque étape, pas dans le nombre d'étapes dont il a disposé.

Ce qui manque encore à l’affirmation :

• Le taux d’achèvement absolu de GPT-6.1 Sol. « Nettement plus » qu’un chiffre non précisé n’est pas un résultat que l’on peut chiffrer.

• Le critère de réussite. Les tâches Mind2Web varient selon la rigueur avec laquelle une navigation est considérée comme complète, et le harnais utilisé est celui d’Inception, et non un harnais public.

• Une deuxième exécution. Cinquante tâches, c'est un échantillon assez petit pour qu'une poignée de basculements fasse varier le pourcentage de plusieurs points.

• Tout score sur un benchmark avec une référence publiée, ce qui explique pourquoi le tableau d’Artificial Analysis ne peut pas encore placer Mercury 3 du tout

Shuhao Zhang, de TinyFish AI, est cité à propos du résultat, et cette citation relève d'un témoignage client plutôt que d'une réplication indépendante. C'est normal pour un lancement, et il vaut la peine de le préciser comme tel, car le chiffre de 50 % va circuler pendant des mois sans que cette réserve y soit associée.

La grille tarifaire, qui est là où le dossier est réellement solide.

La différence de prix n’est pas marginale et elle ne dépend du harnais de personne. Mercury 3 est affiché à 0,20 $ par million de tokens d’entrée et 0,70 $ par million de tokens de sortie, l’entrée mise en cache étant à 0,02 $. Pendant la fenêtre de lancement, Inception facture la moitié de cela : 0,10 $ en entrée, 0,01 $ en cache et 0,35 $ en sortie. GPT-6.1 Sol est affiché à 2,00 $ en entrée, 0,10 $ en cache, 2,50 $ pour l’écriture en cache et 10,00 $ en sortie. Au tarif catalogue, le tarif de sortie de Mercury 3 représente un quatorzième de celui de GPT-6.1 Sol ; pendant la remise de lancement, il représente un vingt-huitième.

Prenez un agent de navigateur qui exécute quarante étapes, envoie 12 000 jetons d’entrée par étape et émet 400 jetons de sortie par étape. Cela représente 480 000 jetons d’entrée et 16 000 jetons de sortie pour l’exécution, tous non mis en cache, ce qui constitue le scénario pessimiste pour le modèle le moins cher :

• GPT-6.1 Sol — 0,96 $ d’entrée à 2,00 $ par million, plus 0,16 $ de sortie à 10,00 $ par million : environ 1,12 $ par exécution

• Mercury 3 au tarif catalogue — 0,096 $ d'entrée plus 0,011 $ de sortie à 0,70 $ par million : environ 0,107 $ par exécution, soit 10,4 fois moins cher

• Mercury 3 au tarif de lancement — 0,048 $ plus 0,006 $ : environ 0,054 $ par exécution, soit à peu près 21 fois moins cher

Ajoutez maintenant les taux d’achèvement à cela. Si Mercury 3 termine 50 tâches sur 100 et que GPT-6.1 Sol en termine un nombre inférieur, l’économie par exécution n’est réalisée que sur les exécutions qui se terminent. Un modèle dix fois moins cher par étape et qui n’aboutit que deux tiers aussi souvent reste moins cher par tâche achevée, et c’est ce chiffre qui a sa place sur un tableau de bord. Mais à 50 tâches, personne ne connaît encore le second ratio.

Deux détails de coût comptent davantage que le chiffre phare et sont faciles à manquer. L’entrée mise en cache à 0,10 $ sur GPT-6.1 Sol coûte moitié moins que l’entrée de Mercury 3, prix catalogue d’entrée, et vingt fois son prix mis en cache ; ainsi, sur un prompt système long et stable, la mise en cache de GPT-6.1 Sol comble une partie de l’écart — mais uniquement du côté de l’entrée, et c’est sur la sortie que se concentrent les dépenses des boucles d’agents. Et GPT-6.1 Sol applique un nouveau tarif à l’intégralité de la requête au-delà de 272 000 jetons d’entrée : 2× sur l’entrée et le cache, 1,5× sur la sortie. Ce seuil abrupt est exactement là où tombent les longs transcripts d’agents, et la fenêtre de 1 M de jetons de Mercury 3, sans surcoût publié pour les prompts longs, constitue un avantage structurel dans le même scénario.

Ce que GPT-6.1 Sol possède et que Mercury 3 n’a pas : un record mesuré

Tout ce qui précède est une comparaison avec une grille tarifaire et un test fournisseur. Le classement indépendant donne une autre image, et il ne comporte qu’un seul de ces modèles.

• Indice d'intelligence — Mercury 3 non répertorié ; GPT-6.1 Sol 51,8 avec un effort de raisonnement maximal, selon Artificial Analysis le 20 octobre 2026

• Coût par tâche d'indexation — Mercury 3 non mesuré ; GPT-6.1 Sol 0,72 $, contre une médiane du classement bien supérieure à ce chiffre

• Terminal-Bench 4.0 — Mercury 3 non mesuré ; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 non mesuré ; GPT-6.1 Sol 0,5417

• Humanity's Last Exam — Mercury 3 non mesuré ; GPT-6.1 Sol 0,5292

• Raisonnement sur contexte long AA-LCR — Mercury 3 non mesuré ; GPT-6.1 Sol 0,83

• GDPval-AA, travail intellectuel à valeur économique — Mercury 3 non mesuré ; GPT-6.1 Sol Elo 1593,85

• AA-Omniscience — Mercury 3 non mesuré ; GPT-6.1 Sol 41,5

• Contexte et sortie — Mercury 3 : 1 000 000 en entrée / 131 072 en sortie ; GPT-6.1 Sol : 1 050 000 en entrée / 128 000 en sortie

• Poids — fermés dans les deux cas ; aucun des deux ne vous fournit de checkpoint

• Modalité — texte sur les deux ; GPT-6.1 Sol prend aussi en charge les images et les fichiers

Cette dernière ligne est la différence la moins glamour et la plus décisive pour certaines équipes. GPT-6.1 Sol accepte les images et les fichiers en entrée. La documentation de Mercury 3 elle-même indique que les formats pris en charge sont du texte. Si votre agent doit lire une capture d'écran, un PDF ou une facture numérisée, la comparaison s'arrête là, quel que soit le prix, et aucun nombre de tokens par seconde n'y changera rien.

Les échelles de raisonnement ne sont pas non plus de la même forme. Mercury 3 propose instant, low, medium et high, avec une température ajustable de 0,5 à 1,0. GPT-6.1 Sol propose low, medium, high, xhigh et max, et n’accepte plus du tout le réglage sans raisonnement. Un modèle doté d’un échelon « instant » fait une promesse produit différente : il vous dit que certaines demandes ne doivent pas passer par un raisonnement, et il vous facturera en conséquence. C’est une véritable différence de conception, et elle est invisible dans un seul indice d’intelligence.

Quand chaque modèle est le bon choix

Mercury 3 est le bon choix lorsque la charge de travail est limitée par la latence, uniquement textuelle et que le coût par étape domine le budget : navigation web, support par chat, tutorat en temps réel, travail à fort volume proche de la classification, toute boucle où un humain ou un autre système attend à chaque tour. Le contexte de 1 M et le plafond de sortie de 131 072 jetons conviennent aux longues transcriptions d’agents, et l’échelon instantané existe pour les requêtes qui ne doivent pas réfléchir. Le risque est qu’aucun évaluateur indépendant ne l’ait noté, donc son enveloppe de qualité reste pour l’instant une affirmation du fournisseur.

GPT-6.1 Sol est le bon choix lorsque le travail nécessite la vision ou l’importation de fichiers, lorsqu’il vous faut un plancher de capacité mesuré avant d’engager du trafic, lorsque vous voulez une échelle de raisonnement qui va au-delà de « high », ou lorsque les requêtes de 272 000 jetons sont l’exception plutôt que la norme. Son coût par tâche d’indexation est l’un des meilleurs du tableau, ce qui constitue l’autre moitié de l’argument : un coût faible par jeton et un coût faible par travail terminé sont deux affirmations différentes, et GPT-6.1 Sol est celui dont le second chiffre est publié.

L'erreur pratique consiste à traiter cela comme un choix où le vainqueur rafle tout. Mercury 3 n'est pas sur OrcaRouter — il est servi via l'API propre à Inception et plusieurs plateformes tierces — alors que GPT-6.1 Sol l'est, au prix catalogue d'OpenAI avec 0 % de marge, donc c'est la grille tarifaire du fournisseur que vous payez, et non un équivalent majoré. Cela rend le test fractionné peu coûteux à mener : gardez GPT-6.1 Sol sur le chemin de production, placez Mercury 3 derrière l'API du fournisseur sur une partie du trafic, et comparez les tâches accomplies par dollar plutôt que les jetons par seconde. Si cette partie tient ses promesses, déplacez les étapes sensibles à la latence ; sinon, vous avez perdu une semaine et une petite facture. Le basculement automatique en cas de défaillance compte surtout précisément dans cette fenêtre, lorsqu'un modèle vieux d'un jour est à l'essai et qu'un modèle éprouvé porte la charge.

Qu'est-ce qui réglerait cela ?

Trois choses, par ordre de leur impact sur la réponse :

• Une entrée Artificial Analysis pour Mercury 3. Un seul numéro d'index et un seul coût par tâche remplaceraient toutes les estimations de cet article. Tant qu'elle n'existe pas, « aucun score indépendant » est le statut correct, et non « non prouvé » ni « de classe frontier ».

• Un taux d’achèvement pour GPT-6.1 Sol sur les mêmes 50 tâches, ou une réexécution publique de ce banc d’essai par quelqu’un qui n’est pas Inception. L’affirmation sur les tokens contrôlés relève d’une bonne méthodologie ; ce n’est pas encore un résultat que quiconque d’autre peut inspecter.

• Une réponse publiée sur la façon dont la sortie de diffusion est facturée. Mercury 3 génère des jetons en parallèle et les affine par passes, et la documentation d’Inception ne précise pas si les passes de débruitage comptent dans les jetons de sortie facturés. Si ce n’est pas le cas, l’avantage de coût effectif est plus important que ne le suggère la grille tarifaire ; si c’est le cas, 1 068 jetons par seconde est un chiffre de débit plutôt que de facturation.

D’ici là, la position défendable est étroite et utile : Mercury 3 est le modèle de texte rapide le moins cher de cette comparaison, d’un ordre de grandeur, sur un test fournisseur qui était au moins conçu pour contrôler l’effort, avec une fenêtre de 1M tokens et aucun score indépendant. GPT-6.1 Sol est le modèle plus cher, plus lent et mesuré qui lit aussi les images et dispose d’un coût publié par tâche terminée. Achetez le second pour les travaux que vous ne pouvez pas vous permettre de rater, essayez le premier pour les travaux où l’attente est le vrai coût.