Mercury 3 vs Grok 4.6: Satu Sudah Digantikan, yang Lain Belum Diukur, dan Keduanya Dijual dengan Kecepatan

Fakta berguna pertama tentang membandingkan Mercury 3 dengan Grok 4.6 adalah bahwa Grok 4.6 bukanlah Grok yang saat ini. SpaceXAI merilisnya pada 12 Agustus 2026 dengan harga $2,00 per juta token masukan dan $6,00 per juta token keluaran, dan sejak itu telah merilis Grok 4.7; Artificial Analysis kini menandai 4.6 sebagai deprecated dan mengarahkan pembaca ke model yang lebih baru. Mercury 3, sebaliknya, baru berusia dua hari: Inception Labs merilisnya pada 19 Oktober 2026 dengan harga $0,20 dan $0,70 per juta, dipotong setengah selama jendela peluncuran tanpa tanggal berakhir yang dipublikasikan, dan belum ada pihak netral yang mengukurnya sama sekali. Jadi, cara yang jujur untuk membingkai pasangan ini bukanlah "mana dari keduanya yang harus saya gunakan". Melainkan bahwa keduanya dijual terutama berdasarkan angka kecepatan, kedua angka kecepatan itu bukan jenis angka yang sama, dan salah satu dari kedua produk itu sedang menuju keluar dari katalog sementara yang lain belum diuji oleh siapa pun yang tidak bekerja untuk perusahaan yang membuatnya.Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.

Itu menjadikan ini perbandingan tentang pengukuran, yang kebetulan merupakan hal paling berguna untuk diketahui sebelum Anda menetapkan harga untuk salah satu dari keduanya. Mercury 3 adalah model bahasa difusi — model ini melakukan denoising pada satu blok posisi dan menetapkan semuanya sekaligus alih-alih mengeluarkan satu token per lintasan — dan Inception melaporkan 1.068 token per detik pada perangkat keras NVIDIA, lebih dari 40 kali total parameter Mercury 1, jendela konteks yang tumbuh dari 260.000 menjadi 1.000.000 token, dan batas keluaran 131.072 token. Grok 4.6 adalah model frontier konvensional yang dibangun untuk proses agentik panjang, dengan konteks 500.000 token, input teks, gambar, dan file, serta diskon cache 75% pada $0,50 per juta pembacaan.

Apa yang sebenarnya diukur oleh kedua angka kecepatan tersebut

Angka 1.068 token per detik milik Inception adalah angka throughput keluaran: seberapa cepat token keluar dari model setelah model mulai menghasilkannya. Artificial Analysis mengukur kuantitas yang sama untuk Grok 4.6 dan mendapatkan 65,4 token per detik. Baca keduanya secara berdampingan dan Mercury 3 tampak enam belas kali lebih cepat. Itu adalah perbedaan yang nyata dan bukan keseluruhan perbedaannya, karena throughput hanyalah salah satu dari tiga angka yang membentuk anggaran latensi.

Yang kedua adalah waktu ke token pertama, dan di sini gambarannya jadi kurang menguntungkan bagi framing tersebut dan lebih menarik. Artificial Analysis mencatat median waktu ke token pertama 37,19 detik untuk Grok 4.6 pada beban kerja yang diujinya, dibandingkan median 3,75 detik pada model-model di papan peringkatnya. Telemetri playground tujuh hari milik kami sendiri menempatkan p50 Grok 4.6 pada 8,00 detik selama satu hari yang memiliki sampelnya. Keduanya bukan masalah Mercury 3 atau keunggulan Mercury 3 — Inception sama sekali tidak menerbitkan angka token pertama, dan satu-satunya angka latensi pihak ketiga dalam pengumumannya adalah testimoni pelanggan: Octen melaporkan median waktu generasi 0,9 detik dan median respons end-to-end 2,2 detik, RevisionDojo melaporkan jawaban kembali "dalam sekitar satu detik", dan Lorikeet mengatakan Mercury 3 mengalahkan model lain dalam hal latensi sekaligus mencetak skor lebih tinggi dalam evalnya. Itu adalah sinyal yang berguna dan juga kutipan pemasaran, pada beban kerja yang tidak dapat diperiksa oleh siapa pun di luar ketiga perusahaan tersebut.

Angka ketiga itulah yang menentukan apakah sebuah model cepat layak digunakan, dan itu adalah tingkat kesalahan. Pada infrastruktur kami sendiri selama tujuh hari terakhir, jalur penyajian GPT-5.6 Sol mencatat tingkat kesalahan 0,05%. Grok 4.6, pada satu-satunya hari yang memiliki telemetri — 17 Oktober 2026 — mencatat 86,7%. Itu adalah sampel satu hari pada model yang telah aktif sejak Agustus, jadi ini merupakan peringatan tentang jalur penyajian, bukan vonis terhadap sebuah model, dan justru angka semacam inilah yang tidak pernah muncul di halaman vendor. Untuk Mercury 3 tidak ada tingkat kesalahan sama sekali, karena tidak ada rute untuk mengukurnya.

Lembar spesifikasi, dengan asal-usul yang dilampirkan pada setiap baris

• Harga — Mercury 3: $0.20 / $0.70 per juta, $0.10 / $0.35 saat peluncuran, tidak ada tanggal berakhir yang dipublikasikan, input yang di-cache diskon 90%. Grok 4.6: $2.00 / $6.00 per juta hingga 200.000 token, $4.00 / $12.00 untuk seluruh permintaan di atas itu, pembacaan cache $0.50.

• Konteks dan output — Mercury 3: 1.000.000 input, 131.072 output. Grok 4.6: 500.000 input, tanpa batas output yang dipublikasikan di halaman model kami untuk model tersebut.

• Modalitas — Mercury 3: hanya teks. Grok 4.6: teks, gambar, dan file masuk, teks keluar.

• Throughput — Mercury 3: 1.068 token per detik, diukur oleh Inception. Grok 4.6: 65,4 token per detik menurut Artificial Analysis; 256 token per detik di playground kami sendiri pada hari sampelnya tersedia.

• Skor independen — Mercury 3: tidak ada, tidak ada halaman Artificial Analysis. Grok 4.6: 44 pada Indeks Kecerdasan Artificial Analysis, peringkat 37 dari 217 model, dan 76.8 pada indeks pengodeannya, peringkat 5 dari 138.

• Status — Mercury 3: baru dua hari, belum diukur. Grok 4.6: sudah tidak dipakai di papan Artificial Analysis, digantikan oleh Grok 4.7.

Perbandingan konteks adalah yang membalik urutan biasa. Mercury 3 menawarkan jendela dua kali lipat Grok 4.6 — satu juta token dibandingkan setengah juta — dan melakukannya dengan sepersepuluh harga input. Di atas kertas, itu bukan persaingan yang ketat untuk pekerjaan dokumen panjang. Dalam praktiknya, jendela 500.000 token sudah lebih besar daripada hampir setiap dokumen tunggal yang diproses orang, dan pertanyaan menarik tentang jendela satu juta token pada model yang belum diukur bukanlah apakah jendela itu ada, melainkan apakah kualitasnya bertahan di seluruh rentang itu. Artificial Analysis mengukur recall konteks panjang secara eksplisit, dan Grok 4.6 mendapat skor 80,3 di sana. Mercury 3 tidak memiliki angka setara, yang berarti jendela satu juta token dengan kurva recall yang tidak diketahui adalah klaim kapasitas, bukan klaim kemampuan.

Apa yang sebenarnya dibeli oleh harga Grok 4.6

Grok 4.6 memakan biaya sepuluh kali Mercury 3 untuk input dan sekitar sembilan kali untuk output pada harga daftar, dan jawaban jujur tentang apa yang didapat dari biaya itu adalah: posisi terukur pada harness netral, input multimodal, dan biaya per jawaban yang dipublikasikan. Yang terakhir adalah yang paling berguna. Artificial Analysis menempatkan Grok 4.6 pada $1,48 per tugas Intelligence Index — angka yang sudah mencakup berapa pun token yang dibutuhkan model untuk menyelesaikan suite tersebut, yang merupakan satu-satunya angka per jawaban dalam seluruh perbandingan ini yang tersedia untuk model mana pun di antara keduanya.

Sebaliknya, tarif output Mercury 3 sebesar $0,70 adalah angka per token tanpa padanan per jawaban. Jika sebuah tugas Mercury 3 menghabiskan volume output yang sama dengan tugas Grok 4.6, biayanya sekitar sepersepuluhnya. Jika ia menghabiskan tiga kali volume tersebut — yang masuk akal bagi model yang secara default memakai upaya penalaran rendah untuk pekerjaan yang dilakukan Grok dengan upaya lebih tinggi — biayanya sekitar sepertiganya, dan argumen strategisnya melemah dari "satu orde besaran" menjadi "diskon yang berarti pada model yang belum terbukti". Belum ada yang bisa memastikan mana yang benar di antara itu. Itu bukan penghindaran retoris; itu adalah pengukuran spesifik yang belum ada.

Angka Grok 4.6 sendiri, seberapa pun nilainya, kuat di area yang dibutuhkan oleh proses agentic yang panjang: 94,9 pada GPQA Diamond, 42,9 pada Humanity's Last Exam, 80,3 pada recall konteks panjang, dan indeks pengodean 76,8 yang menempatkannya di peringkat kelima dari 138 model. Itu adalah hasil uji Artificial Analysis, bukan SpaceXAI, sehingga angka-angka itu bisa dibandingkan dengan Mercury 3 — dan Mercury 3, karena tidak memiliki hasil uji semacam itu, tidak bisa dibandingkan.

Masalah model yang telah digantikan, yang merupakan keputusan sebenarnya

Memilih Grok 4.6 hari ini berarti memilih model yang sudah digantikan oleh vendornya sendiri. Grok 4.7 sudah ada di katalog kami, dan halaman 4.6 di Artificial Analysis secara eksplisit mengarahkan pembaca ke sana. Untuk beban kerja yang akan Anda bangun, memulai dengan model yang sudah usang adalah keputusan untuk bermigrasi nanti; pertanyaannya hanya kapan, dan jawabannya biasanya "saat sedang terjadi insiden".

Itu tidak menjadikan Mercury 3 pilihan yang aman. Model berusia dua hari yang belum terukur dan model berusia sembilan minggu yang sudah usang merupakan jenis risiko yang berbeda, dan tidak ada yang menjadi opsi berisiko rendah dalam pasangan ini. Yang sebenarnya ditetapkan oleh perbandingan ini lebih sempit dan lebih berguna: jika Anda menginginkan model terukur dengan biaya per jawaban yang terdokumentasi dan input multimodal, Grok 4.7 adalah versi terkini untuk itu dan 4.6 adalah pendahulunya dengan harga yang sama. Jika Anda menginginkan token teks-saja termurah yang tersedia di mana pun dengan jendela satu juta token, Mercury 3 adalah pilihannya, dengan catatan bahwa angka termurah di kartunya adalah promosi tanpa tanggal berakhir.

Grok 4.7 ada di katalog OrcaRouter dengan tarif SpaceXAI sendiri, di balik endpoint yang kompatibel dengan OpenAI yang sama seperti semua yang lain kami rutekan, tanpa markup tambahan di atasnya dan failover otomatis antarpenyedia saat satu jalur mengalami pembatasan laju — yang, mengingat tingkat galat yang dicatat telemetri kami pada jalur penyajian 4.6 pada 17 Oktober, bukanlah manfaat teoretis. Mercury 3 tidak ada di katalog: API model kami tidak mengembalikan apa pun untuk model Inception mana pun, jadi siapa pun yang memanggilnya akan pergi ke platform Inception, tempat akun baru mendapat 100 juta token gratis, atau ke salah satu dari beberapa platform pihak ketiga yang meng-hostingnya.

Pola perutean yang cocok untuk pasangan ini bukanlah pembagian berdasarkan harga. Ini adalah pembagian berdasarkan apa yang bersedia Anda biarkan gagal. Tempatkan lalu lintas model yang sudah usang pada model saat ini, tempatkan porsi terbatas dari pekerjaan khusus teks pada Mercury 3, pertahankan model terukur sebagai fallback, dan biarkan failover menangani kasus ketika jalur baru mengalami hari buruk. Porsi itu adalah nilai konfigurasi; fallback adalah aturan perutean; keputusan untuk memperlebar atau mempersempitnya dibuat berdasarkan tingkat kesalahan Anda sendiri dalam waktu seminggu.

Apa yang harus dilakukan pada hari Senin

Jika pekerjaannya berupa teks panjang, volumenya tinggi, dan jawabannya dapat diperiksa, kartu tarif Mercury 3 layak dicoba lewat eksperimen terbatas minggu ini — 100 juta token gratis di platform Inception menutup biaya pengujian, dan jendela satu juta token berarti Anda dapat mengirim seluruh dokumen alih-alih menebak-nebak dengan potongan. Perhatikan dua hal: apakah jumlah token keluaran per tugas melonjak jauh dari baseline Sol atau G​rok Anda, dan apakah kualitasnya menurun menjelang akhir konteks panjang. Keduanya dapat diukur dalam sehari dan tidak satu pun memerlukan benchmark siapa pun.

Jika pekerjaannya melibatkan gambar, berjalan berjam-jam dengan alat dalam loop, atau harus benar pada percobaan pertama, jawaban dalam pasangan ini bukan Grok 4.6. Jawabannya adalah Grok 4.7, atau salah satu model frontier terukur, dan alasan jujurnya adalah bahwa 4.6 sudah deprecated dan Mercury 3 belum terukur — pilihan antara dua model yang tidak akan Anda hadapkan kepada pelanggan tanpa ada fallback di belakangnya.

Angka yang akan mengubah semua ini adalah biaya netral per tugas yang diselesaikan untuk Mercury 3. Satu angka, pada harness yang menghasilkan $1.48 milik G​rok, akan mengubah ketidakpastian utama artikel ini menjadi rasio. Sampai angka itu ada, posisi yang dapat dipertahankan adalah yang membosankan: token murah itu nyata, klaim kecepatan itu masuk akal dan bersumber tunggal, dan satu-satunya hal yang dapat Anda verifikasi sendiri adalah tingkat kesalahan Anda sendiri pada lalu lintas Anda sendiri.