Mercury 3 vs GPT-6.1 Sol: Inception Menjalankan Tes Ini Sendiri, dan Itulah Ceritanya

Mercury 3 dirilis pada 19 Oktober 2026, dan satu-satunya angka perbandingan langsung yang diterbitkan Inception untuknya menyebut GPT-6.1 Sol secara langsung. Lima puluh tugas navigasi Mind2Web langsung, yang dijalankan di dalam harness agen web produksi milik Inception sendiri: Mercury 3 menyelesaikan 50% di antaranya, yang menurut tulisan peluncuran adalah "jauh lebih banyak daripada GPT-6.1-Sol", dengan volume token yang sama dan jumlah langkah agen yang sama, pada yang digambarkannya sebagai sebagian kecil dari biaya per token. Itu klaim yang lebih spesifik daripada yang dibuat sebagian besar tulisan peluncuran, dan itu juga klaim tanpa penyebut. Lima puluh tugas adalah sampel kecil, harness-nya milik vendor, tingkat penyelesaian GPT-6.1 Sol tidak pernah dicetak, dan Mercury 3 belum muncul di mana pun di papan peringkat Artificial Analysis independen yang telah memberi GPT-6.1 Sol skor 51,8. Jadi perbandingan yang jujur bukanlah "model mana yang lebih pintar". Melainkan apa yang dapat didukung oleh uji milik vendor sendiri, apa yang dikatakan kartu tarif, dan di mana rekam jejak terukur GPT-6.1 Sol masih menang secara default. Tarif pass-through sama di seluruh katalog: markup 0% harga daftar penyedia masuk, harga daftar penyedia keluar. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan di OrcaRouter AI Incident Archive tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Pertama, bagian dari klaim yang luar biasa bisa diperiksa.

Benchmark peluncuran biasanya berupa tabel skor pada benchmark yang dipilih vendor, dibandingkan dengan model yang dipilih vendor, tanpa pernyataan tentang berapa banyak komputasi yang dihabiskan masing-masing pihak. Inception melakukan sesuatu yang lebih jarang: menetapkan volume token dan jumlah langkah. "Volume token yang sama dan jumlah langkah agen yang sama" adalah pernyataan tentang kontrol eksperimental, dan itu penting karena cara paling umum bagi model cepat untuk mengakali benchmark agen adalah dengan melakukan lebih banyak percobaan. Jika Mercury 3 benar-benar menyamai langkah dan token GPT-6.1 Sol dan tetap menyelesaikan lebih banyak tugas, perbedaannya terletak pada apa yang dilakukan model dengan setiap langkah, bukan pada berapa banyak langkah yang diperolehnya.

Apa yang masih kurang dari klaim tersebut:

• Tingkat penyelesaian absolut untuk GPT-6.1 Sol. "Jauh lebih banyak" daripada angka yang tidak disebutkan bukanlah hasil yang bisa Anda tetapkan harganya

• Kriteria kelulusan. Tugas-tugas Mind2Web berbeda dalam seberapa ketat suatu navigasi dianggap selesai, dan harness-nya milik Inception, bukan milik publik.

• Uji coba kedua. Lima puluh tugas cukup kecil sehingga beberapa perubahan hasil saja dapat menggeser persentase beberapa poin

• Skor apa pun pada benchmark dengan baseline yang telah dipublikasikan, itulah sebabnya papan Artificial Analysis belum dapat menempatkan Mercury 3 sama sekali

Shuhao Zhang dari TinyFish AI dikutip atas hasil tersebut, dan kutipan itu merupakan testimoni pelanggan, bukan replikasi independen. Hal itu normal untuk sebuah peluncuran dan layak disebut demikian, karena angka 50% akan beredar selama berbulan-bulan tanpa keterangan pembatas yang menyertainya.

Kartu tarif, yang justru menjadi titik di mana kasus ini sebenarnya kuat.

Selisih harganya bukan marginal dan tidak bergantung pada harness milik siapa pun. Mercury 3 tercantum pada harga $0,20 per juta token masukan dan $0,70 per juta token keluaran, dengan masukan yang di-cache sebesar $0,02. Selama jendela peluncuran, Inception mengenakan setengah dari itu: $0,10 masukan, $0,01 di-cache, dan $0,35 keluaran. GPT-6.1 Sol tercantum pada $2,00 masukan, $0,10 di-cache, $2,50 penulisan cache, dan $10,00 keluaran. Pada harga daftar, tarif keluaran Mercury 3 adalah seperempat belas dari GPT-6.1 Sol; selama diskon peluncuran, tarifnya menjadi seperdua puluh delapan.

Ambil agen browser yang menjalankan empat puluh langkah, mengirim 12.000 token input per langkah dan mengeluarkan 400 token output per langkah. Itu berarti 480.000 token input dan 16.000 token output untuk satu eksekusi, semuanya tanpa cache, yang merupakan kasus pesimistis bagi model yang lebih murah:

• GPT-6.1 Sol — $0.96 untuk input dengan tarif $2.00 per juta, ditambah $0.16 untuk output dengan tarif $10.00 per juta: sekitar $1.12 per eksekusi

• Mercury 3 pada harga daftar — $0,096 untuk input ditambah $0,011 untuk output dengan $0,70 per juta: sekitar $0,107 per eksekusi, atau 10,4 kali lebih murah

• Mercury 3 dengan tarif peluncuran — $0.048 ditambah $0.006: sekitar $0.054 per eksekusi, atau kira-kira 21 kali lebih murah

Sekarang tambahkan tingkat penyelesaian di atas itu. Jika Mercury 3 menyelesaikan 50 dari 100 tugas dan GPT-6.1 Sol menyelesaikan jumlah yang lebih kecil, penghematan per run hanya terwujud pada run yang selesai. Model yang sepuluh kali lebih murah per langkah dan menyelesaikan tugas dua pertiga sesering model lain tetap lebih murah per tugas yang diselesaikan, dan itulah angka yang seharusnya ada di dasbor. Tetapi pada 50 tugas, belum ada yang tahu rasio kedua itu.

Dua detail biaya lebih penting daripada angka utama dan mudah terlewat. Input yang di-cache sebesar $0,10 pada GPT-6.1 Sol adalah setengah dari harga input Mercury 3 menurutdaftar dan dua puluh kali harga cache-nya, sehingga pada system prompt panjang dan stabil, caching GPT-6.1 Sol menutup sebagian celah — tetapi hanya sisi input, dan output adalah tempat loop agen mengeluarkan biaya. Dan GPT-6.1 Sol menetapkan ulang harga seluruh permintaan di atas 272.000 token input: 2× pada input dan cache, 1,5× pada output. Tebing itu persis tempat transkrip agen panjang mendarat, dan jendela 1M token Mercury 3 tanpa biaya tambahan prompt panjang yang dipublikasikan adalah keunggulan struktural dalam skenario yang sama.

Apa yang dimiliki GPT-6.1 Sol tetapi tidak dimiliki Mercury 3: rekor terukur

Semua di atas adalah perbandingan terhadap kartu tarif dan satu pengujian vendor. Papan independen memberikan gambaran yang berbeda, dan papan itu hanya memuat salah satu dari model ini.

• Intelligence Index — Mercury 3 tidak tercantum; GPT-6.1 Sol 51.8 pada upaya penalaran maksimum, menurut Artificial Analysis pada 20 Oktober 2026

• Biaya per tugas indeks — Mercury 3 tidak diukur; GPT-6.1 Sol $0,72, dibandingkan median papan yang jauh di atas itu

• Terminal-Bench 4.0 — Mercury 3 tidak diukur; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 tidak diukur; GPT-6.1 Sol 0,5417

• Humanity's Last Exam — Mercury 3 tidak diukur; GPT-6.1 Sol 0.5292

• AA-LCR penalaran konteks panjang — Mercury 3 tidak diukur; GPT-6.1 Sol 0.83

• GDPval-AA, pekerjaan pengetahuan yang bernilai ekonomis — Mercury 3 tidak diukur; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 tidak diukur; GPT-6.1 Sol 41.5

• Konteks dan keluaran — Mercury 3 1.000.000 masukan / 131.072 keluaran; GPT-6.1 Sol 1.050.000 masukan / 128.000 keluaran

• Bobot — tertutup pada keduanya; tidak satu pun memberi Anda checkpoint

• Modalitas — teks pada keduanya; GPT-6.1 Sol juga menerima gambar dan file

Kalimat terakhir itu adalah perbedaan yang paling tidak mentereng dan paling menentukan bagi sebagian tim. GPT-6.1 Sol menerima input gambar dan file. Dokumentasi Mercury 3 sendiri mencantumkan format yang didukung sebagai teks. Jika agen Anda harus membaca tangkapan layar, PDF, atau faktur hasil pindai, perbandingannya berakhir di situ terlepas dari harga, dan berapa pun jumlah token per detiknya tidak akan mengubahnya.

Tangga penalaran juga tidak berbentuk sama. Mercury 3 menawarkan instan, rendah, sedang, dan tinggi, dengan suhu yang dapat disesuaikan dari 0,5 hingga 1,0. GPT-6.1 Sol menawarkan rendah, sedang, tinggi, xhigh, dan maks, serta tidak lagi menerima pengaturan tanpa penalaran sama sekali. Model dengan tingkat "instan" membuat janji produk yang berbeda: model itu memberi tahu Anda bahwa sebagian permintaan tidak perlu berpikir, dan akan menagih Anda sesuai dengan itu. Itu adalah perbedaan desain yang nyata, dan tidak terlihat dalam satu angka kecerdasan.

Kapan setiap model menjadi pilihan yang tepat

Mercury 3 adalah pilihan yang tepat ketika beban kerja terikat latensi, hanya berbasis teks, dan biaya per langkah mendominasi anggaran: navigasi browser, dukungan chat, bimbingan belajar real-time, pekerjaan terkait klasifikasi bervolume tinggi, loop apa pun di mana manusia atau sistem lain menunggu di setiap giliran. Konteks 1M dan batas output 131.072 token cocok untuk transkrip agen yang panjang, dan tingkat instan tersedia untuk permintaan yang seharusnya tidak berpikir. Risikonya adalah tidak ada evaluator independen yang menilainya, sehingga cakupan kualitasnya untuk saat ini masih merupakan klaim vendor.

GPT-6.1 Sol adalah pilihan yang tepat ketika pekerjaan membutuhkan visi atau input file, ketika Anda memerlukan batas kemampuan terukur sebelum mengalokasikan traffic, ketika Anda menginginkan tangga penalaran yang melampaui "high", atau ketika permintaan 272.000 token adalah pengecualian, bukan norma. Biayanya per tugas indeks termasuk yang terbaik di daftar, dan itulah separuh argumen lainnya: murah per token dan murah per pekerjaan yang selesai adalah klaim yang berbeda, dan GPT-6.1 Sol adalah yang angka keduanya dipublikasikan.

Kesalahan praktisnya adalah menganggap ini sebagai pilihan yang pemenang mengambil semua. Mercury 3 tidak tersedia di OrcaRouter — model ini dilayani melalui API milik Inception sendiri dan beberapa platform pihak ketiga — sedangkan GPT-6.1 Sol tersedia, dengan harga daftar OpenAI dengan markup 0%, jadi daftar tarif milik vendor sendiri adalah yang Anda bayar, bukan padanan yang dimarkup. Itu membuat uji split murah untuk dijalankan: pertahankan GPT-6.1 Sol di jalur produksi, tempatkan Mercury 3 di balik API vendor pada sebagian trafik, dan bandingkan tugas yang selesai per dolar, bukan token per detik. Jika sebagian trafik itu terbukti baik, pindahkan langkah-langkah yang sensitif terhadap latensi; jika tidak, Anda kehilangan satu minggu dan tagihan kecil. Failover otomatis paling penting justru dalam jendela ini, ketika model yang baru berumur sehari sedang diuji dan model yang sudah terukur memikul beban.

Apa yang akan menyelesaikan ini?

Tiga hal, menurut besarnya pengaruh masing-masing terhadap jawaban:

• Entri Artificial Analysis untuk Mercury 3. Satu nomor indeks dan satu biaya per tugas akan menggantikan setiap perkiraan dalam artikel ini. Sampai itu tersedia, "tidak ada skor independen" adalah status yang tepat, bukan "belum terbukti" dan bukan "kelas terdepan"

• Tingkat penyelesaian untuk GPT-6.1 Sol pada 50 tugas yang sama, atau menjalankan ulang harness tersebut secara publik oleh seseorang yang bukan Inception. Klaim token terkendali adalah metodologi yang baik; itu belum menjadi hasil yang dapat diperiksa orang lain

• Jawaban yang dipublikasikan tentang bagaimana output diffusion ditagih. Mercury 3 menghasilkan token secara paralel dan menyempurnakannya dalam beberapa lintasan, dan dokumentasi Inception tidak menyatakan apakah lintasan denoising dihitung sebagai token output yang ditagih. Jika tidak, keunggulan biaya efektifnya lebih besar daripada yang disiratkan oleh kartu tarif; jika ya, 1.068 token per detik adalah angka throughput, bukan angka penagihan

Sampai saat itu, posisi yang dapat dipertahankan bersifat sempit dan berguna: Mercury 3 adalah model teks cepat termurah dalam perbandingan ini dengan selisih satu orde besaran, berdasarkan uji vendor yang setidaknya dirancang untuk mengontrol tingkat usaha, dengan jendela 1 juta token dan tanpa skor independen. GPT-6.1 Sol adalah model yang lebih mahal, lebih lambat, dan terukur yang juga dapat membaca gambar serta memiliki biaya per tugas yang diselesaikan yang dipublikasikan. Belilah yang kedua untuk pekerjaan yang tidak boleh Anda salahkan, dan uji coba yang pertama untuk pekerjaan yang biaya sebenarnya adalah menunggu.