Mercury 3 מול GPT-6.1 Sol: Inception הריצה את המבחן הזה בעצמה, וזה הסיפור

Mercury 3 שוחרר ב-19 באוקטובר 2026, והמספר היחיד בהשוואה ראש בראש ש-Inception פרסמה עבורו מציין את GPT-6.1 Sol ישירות. חמישים משימות ניווט חיות ב-Mind2Web, שהורצו בתוך מערך כלי הסוכן לאינטרנט בייצור של Inception עצמה: Mercury 3 סיים 50% מהן, ופוסט ההשקה אומר שזה "משמעותית יותר מ-GPT-6.1-Sol", תוך שימוש באותו נפח טוקנים ובאותו מספר צעדי סוכן, במה שהוא מתאר כחלק מזערי מהעלות לכל טוקן. זו טענה ספציפית יותר ממה שרוב פוסטי ההשקה מציגים, והיא גם טענה בלי מכנה. חמישים משימות הן מדגם קטן, מערך הכלים הוא של הספק, שיעור ההשלמה של GPT-6.1 Sol לא מודפס אף פעם, ו-Mercury 3 עדיין לא מופיע בשום מקום בלוח Artificial Analysis העצמאי שנתן ל-GPT-6.1 Sol ציון 51.8. לכן ההשוואה הכנה אינה "איזה מודל חכם יותר". היא מה שהמבחן של הספק עצמו יכול לתמוך בו, מה שמופיע בכרטיס התעריפים, והיכן שהרקורד הנמדד של GPT-6.1 Sol עדיין מנצח כברירת מחדל. שיעור ההעברה זהה בכל הקטלוג: 0% תוספת מחיר מחיר מחירון של הספק בכניסה, מחיר מחירון של הספק ביציאה. כשלי הבינה המלאכותית ותקריות הסוכנים המתועדים מאחורי השקות כמו זו מרוכזים בארכיון OrcaRouter AI Incident Archive שבו כל רשומה נושאת את המקורות שלה, חומרה, דירוג מהימנות וסימון שנוי במחלוקת.

ראשית, החלק בטענה שאפשר לבדוק אותו באופן יוצא דופן.

בנצ'מרקים של השקה הם בדרך כלל טבלת ציונים בבנצ'מרקים שהיצרן בחר, בהשוואה למודלים שהיצרן בחר, בלי הצהרה על כמה מחשוב כל צד השקיע. Inception עשתה משהו נדיר יותר: היא קבעה את נפח הטוקנים ואת מספר הצעדים. "אותו נפח טוקנים ואותו מספר צעדי סוכן" הוא הצהרה על בקרה ניסויית, וזה חשוב מפני שהדרך הנפוצה ביותר שבה מודל מהיר "משחק" בבנצ'מרק של סוכנים היא לבצע יותר ניסיונות. אם Mercury 3 אכן התאים ל-GPT-6.1 Sol במספר הצעדים ובנפח הטוקנים ועדיין סיים יותר משימות, ההבדל הוא במה שהמודל עשה בכל צעד, לא בכמה צעדים קיבל.

מה שעדיין חסר לטענה:

• שיעור ההשלמה המוחלט של GPT-6.1 Sol. "משמעותית יותר" ממספר שלא צוין אינו תוצאה שאפשר לתמחר.

• קריטריון המעבר. משימות Mind2Web נבדלות במידת הקפדנות שבה ניווט נחשב להשלמה, וההרנס הוא של Inception, ולא אחד ציבורי.

• ריצה שנייה. חמישים משימות זה קטן מספיק כדי שקומץ היפוכים יזיז את האחוז בכמה נקודות

• כל ציון במבחן עם קו בסיס מפורסם, ולכן לוח Artificial Analysis עדיין לא יכול למקם את Mercury 3 כלל

שהאו ג'אנג מ-TinyFish AI מצוטט בנוגע לתוצאה, והציטוט הוא עדות של לקוח ולא שחזור בלתי־תלוי. זה מקובל בהשקות וראוי לקרוא לזה בשמו, משום שהנתון של 50% ימשיך להסתובב חודשים בלי שההסתייגות תיצמד אליו.

כרטיס התעריפים, ששם הטיעון באמת חזק.

הפרש המחירים אינו שולי ואינו תלוי ברתמת הבדיקות של אף אחד. Mercury 3 מתומחר במחיר מחירון של 0.20 דולר למיליון אסימוני קלט ו-0.70 דולר למיליון אסימוני פלט, כשקלט במטמון עומד על 0.02 דולר. במהלך חלון ההשקה Inception גובה מחצית מזה: 0.10 דולר לקלט, 0.01 דולר לקלט במטמון ו-0.35 דולר לפלט. GPT-6.1 Sol מתומחר במחיר מחירון של 2.00 דולר לקלט, 0.10 דולר לקלט במטמון, 2.50 דולר לכתיבה למטמון ו-10.00 דולר לפלט. במחיר המחירון, תעריף הפלט של Mercury 3 הוא אחד חלקי 14 מזה של GPT-6.1 Sol; במהלך הנחת ההשקה הוא אחד חלקי 28.

קחו סוכן דפדפן שמבצע ארבעים שלבים, שולח 12,000 אסימוני קלט בכל שלב ומפיק 400 אסימוני פלט בכל שלב. זה 480,000 אסימוני קלט ו-16,000 אסימוני פלט עבור הריצה, כולם ללא מטמון, שזה המקרה הפסימי עבור המודל הזול יותר:

• GPT-6.1 Sol — $0.96 של קלט ב-$2.00 למיליון, בתוספת $0.16 של פלט ב-$10.00 למיליון: כ-$1.12 לכל הרצה

• Mercury 3 במחיר מחירון — $0.096 של קלט ועוד $0.011 של פלט ב-$0.70 למיליון: כ-$0.107 לכל הרצה, או זול פי 10.4

• Mercury 3 בתעריף ההשקה — $0.048 ועוד $0.006: כ־$0.054 לכל הרצה, או בערך פי 21 זול יותר

עכשיו הוסף לזה את שיעורי ההשלמה. אם Mercury 3 משלים 50 מתוך 100 משימות ו-GPT-6.1 Sol משלים מספר קטן יותר, החיסכון לכל ריצה מתממש רק בריצות שמסתיימות. מודל שזול פי עשרה לכל צעד ומסיים בשני שלישים מהתדירות עדיין זול יותר לכל משימה שהושלמה, וזה המספר שצריך להיות בדשבורד. אבל ב-50 משימות, אף אחד עוד לא יודע את היחס השני.

שני פרטי עלות חשובים יותר מהכותרת וקל לפספס אותם. קלט במטמון במחיר $0.10 ב-GPT-6.1 Sol הוא חצי ממחיר המחירון של הקלט של Mercury 3 ופי עשרים ממחיר המטמון שלה, כך שבפרומפט מערכת ארוך ויציב המטמון של GPT-6.1 Sol סוגר חלק מהפער — אבל רק בצד הקלט, והפלט הוא המקום שבו לולאות סוכנים מוציאות. ו-GPT-6.1 Sol מתמחר מחדש את כל הבקשה מעל 272,000 אסימוני קלט: פי 2 על קלט ומטמון, פי 1.5 על פלט. הצוק הזה הוא בדיוק המקום שאליו מגיעים תמלולי סוכנים ארוכים, וחלון של 1M אסימונים של Mercury 3 ללא תוספת מחיר מפורסמת לפרומפטים ארוכים הוא יתרון מבני באותו תרחיש.

מה שיש ל-GPT-6.1 Sol ושאין ל-Mercury 3: שיא מדוד

כל מה שלמעלה הוא השוואה מול כרטיס תעריפים ומבחן ספק אחד. הלוח העצמאי מציג תמונה אחרת, ויש בו רק אחד מהדגמים האלה.

• מדד האינטליגנציה — Mercury 3 אינו מופיע ברשימה; GPT-6.1 Sol עם 51.8 במאמץ החשיבה המרבי, לפי Artificial Analysis ב-20 באוקטובר 2026

• עלות לכל משימת אינדקס — Mercury 3 לא נמדד; GPT-6.1 Sol $0.72, לעומת חציון לוח גבוה בהרבה מכך

• Terminal-Bench 4.0 — Mercury 3 לא נמדד; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 לא נמדד; GPT-6.1 Sol 0.5417

• המבחן האחרון של האנושות — Mercury 3 לא נמדד; GPT-6.1 Sol 0.5292

• הסקה בהקשר ארוך AA-LCR — Mercury 3 לא נמדד; GPT-6.1 Sol 0.83

• GDPval-AA, עבודת ידע בעלת ערך כלכלי — Mercury 3 לא נמדד; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 לא נמדד; GPT-6.1 Sol 41.5

• הקשר ופלט — Mercury 3 1,000,000 קלט / 131,072 פלט; GPT-6.1 Sol 1,050,000 קלט / 128,000 פלט

• משקלים — סגורים בשני המקרים; אף אחד מהם לא מספק צ'קפוינט

• מודאליות — טקסט בשניהם; GPT-6.1 Sol מקבל גם תמונות וקבצים

השורה האחרונה היא ההבדל הכי פחות זוהר והכי מכריע עבור חלק מהצוותים. GPT-6.1 Sol מקבל קלט של תמונות וקבצים. התיעוד של Mercury 3 עצמו מפרט שהפורמטים הנתמכים הם טקסט. אם הסוכן שלך צריך לקרוא צילום מסך, קובץ PDF או חשבונית סרוקה, ההשוואה נגמרת שם ללא קשר למחיר, ושום כמות של טוקנים לשנייה לא תשנה את זה.

סולמות החשיבה גם אינם באותה צורה. Mercury 3 מציע מיידי, נמוך, בינוני וגבוה, עם טמפרטורה הניתנת לכוונון מ-0.5 עד 1.0. GPT-6.1 Sol מציע נמוך, בינוני, גבוה, xhigh ו-max, וכבר אינו מקבל כלל את הגדרת "ללא חשיבה". מודל עם שלב "מיידי" נותן הבטחת מוצר אחרת: הוא אומר לך שחלק מהבקשות לא צריכות לחשוב, והוא יחייב אותך בהתאם. זהו הבדל תכנוני אמיתי, והוא בלתי נראה במספר אינטליגנציה בודד.

היכן כל מודל הוא הבחירה הנכונה

Mercury 3 היא הבחירה הנכונה כאשר עומס העבודה מוגבל בהשהיה, טקסטואלי בלבד, ועלות לכל שלב היא הגורם הדומיננטי בתקציב: ניווט בדפדפן, תמיכת צ'אט, הוראה בזמן אמת, עבודה בהיקף גבוה הקרובה לסיווג, כל לולאה שבה אדם או מערכת אחרת ממתינים לכל תור. חלון ההקשר של 1M ותקרת הפלט של 131,072 טוקנים מתאימים לתמלולים ארוכים של סוכנים, והדרגה המיידית קיימת עבור הבקשות שאסור להן לחשוב. הסיכון הוא שאף מעריך עצמאי לא דירג אותה, כך שמעטפת האיכות שלה היא כרגע הצהרת ספק.

GPT-6.1 Sol היא הבחירה הנכונה כשהעבודה דורשת ראייה או קלט קבצים, כשצריך רצפת יכולת מדודה לפני שמקצים תעבורה, כשרוצים סולם חשיבה שעולה מעבר ל"גבוה", או כשבקשות של 272,000 טוקנים הן היוצא מן הכלל ולא הכלל. העלות שלו למשימת אינדקס היא מהטובות שבלוח, וזה החצי השני של הטיעון: זול לפי טוקן וזול לפי משימה שהושלמה הם טענות שונות, ו-GPT-6.1 Sol הוא זה שהמספר השני שלו פורסם.

הטעות המעשית היא להתייחס לזה כאל בחירה שבה המנצח לוקח הכול. Mercury 3 אינו נמצא ב-OrcaRouter — הוא מוגש דרך ה-API של Inception עצמה וכמה פלטפורמות צד שלישי — ואילו GPT-6.1 Sol כן, במחיר המחירון של OpenAI עם 0% תוספת, כך שתעריף המחירים של הספק עצמו הוא מה שאתם משלמים ולא מקבילה עם תוספת. זה הופך את מבחן הפיצול לזול להרצה: השאירו את GPT-6.1 Sol במסלול הייצור, שימו את Mercury 3 מאחורי ה-API של הספק על נתח מהתנועה, והשוו משימות שהושלמו לדולר במקום אסימונים לשנייה. אם הנתח מחזיק מעמד, העבירו את השלבים הרגישים לזמן השהיה; אם לא, הפסדתם שבוע וחשבונית קטנה. מעבר אוטומטי לגיבוי קריטי ביותר בדיוק בחלון הזה, כשמודל בן יום נמצא בניסוי ומודל מדוד נושא בעומס.

מה יפתור את זה?

שלושה דברים, לפי המידה שבה הם ישנו את התשובה:

• רשומה של Artificial Analysis עבור Mercury 3. מספר אינדקס אחד ועלות אחת לכל משימה יחליפו כל אומדן בקטע הזה. עד שהיא קיימת, "אין ציון עצמאי" הוא הסטטוס הנכון, לא "לא מוכח" ולא "ברמת חזית"

• שיעור השלמה עבור GPT-6.1 Sol על אותן 50 משימות, או הרצה חוזרת פומבית של אותה מערכת בדיקה בידי מי שאינו Inception. הטענה בדבר טוקנים מבוקרים היא מתודולוגיה טובה; אך היא עדיין אינה תוצאה שמישהו אחר יכול לבחון.

• תשובה שפורסמה על אופן החיוב עבור פלט דיפוזיה. Mercury 3 מייצר טוקנים במקביל ומשפר אותם במעברים, והתיעוד של Inception אינו מציין אם מעברי הסרת הרעש נספרים בטוקני הפלט המחויבים. אם הם אינם נספרים, יתרון העלות האפקטיבי גדול מכפי שמרמזת טבלת התעריפים; אם הם כן נספרים, 1,068 טוקנים לשנייה הוא נתון תפוקה ולא נתון חיוב

עד אז העמדה הניתנת להגנה היא צרה ושימושית: Mercury 3 הוא מודל הטקסט המהיר והזול ביותר בהשוואה הזו בסדר גודל, במבחן של ספק שלפחות תוכנן לנטרל את השפעת המאמץ, עם חלון של 1M טוקנים וללא ציון בלתי תלוי. GPT-6.1 Sol הוא המודל היקר והאיטי יותר, המדוד, שגם מפרש תמונות ויש לו עלות מפורסמת לכל משימה שהושלמה. קנה את השני עבור העבודה שאתה לא יכול להרשות לעצמך לטעות בה, ונסה את הראשון בעבודה שבה ההמתנה היא העלות האמיתית.