Mercury 3 vs Grok 4.7: Dua Jam, Bukan Dua Model

Tanyakan apa yang dimiliki bersama oleh Mercury 3 dan Grok 4.7, dan jawabannya adalah jam. Keduanya dijual berdasarkan berapa lama suatu pekerjaan berlangsung, dan keduanya memaknai hal itu secara berlawanan. Mercury 3, dirilis oleh Inception pada 19 Oktober 2026, dirancang untuk menjawab dalam waktu kurang dari satu detik: model difusi yang menghasilkan 1.068 token per detik pada GPU NVIDIA, jendela 1 juta token, dan empat pengaturan penalaran yang tingkat tercepatnya disebut "instant". Grok 4.7, dirilis oleh SpaceXAI pada 21 September 2026, dirancang untuk terus bekerja: jendela 500.000 token, tangga penalaran yang puncaknya xhigh, dan pengukuran independen yang menunjukkan bahwa model ini menghabiskan sekitar 240 juta token keluaran untuk menyelesaikan Artificial Analysis Intelligence Index dengan biaya $3,74 per tugas. Satu model memperlakukan latensi sebagai produk. Model lainnya memperlakukan durasi sebagai produk. Membandingkan keduanya pada satu skor tunggal melewatkan satu-satunya pertanyaan yang penting — jam mana yang sebenarnya menjadi acuan beban kerja Anda. Kedua ujung kebijakan split dapat berada di balik satu kunci, dengan failover otomatis menangani jalur lambat. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter, di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Kedua jam itu, dengan harga

Mulailah dengan apa yang tertulis di kartu tarif, karena perbedaannya cukup besar untuk mengubah apa yang dapat Anda bangun:

• Input — Mercury 3 $0.20 per 1 juta pada harga daftar ($0.10 saat peluncuran) vs Grok 4.7 $2.00 per 1 juta

• Keluaran — Mercury 3 $0.70 per 1 juta pada harga daftar ($0.35 saat peluncuran) vs Grok 4.7 $6.00 per 1 juta

• Input cache — Mercury 3 $0,02 per 1 jt ($0,01 saat peluncuran) vs Grok 4.7 $0,50 per 1 jt

• Konteks — 1.000.000 token vs 500.000

• Keluaran maksimum dalam satu respons — 131,072 token vs tidak ada batas vendor yang dipublikasikan; kartu kami sendiri untuk grok-4.7 mencantumkan 450,000

• Modalitas input — hanya teks vs teks dan gambar

• Pengaturan penalaran — instan, rendah, sedang, tinggi vs rendah, sedang, tinggi, xhigh

• Throughput — 1.068 token per detik, dilaporkan oleh vendor vs tidak dipublikasikan oleh vendor

• Penetapan harga ulang untuk permintaan panjang — tidak ada yang dipublikasikan vs setiap tarif digandakan di atas 200.000 token masukan, berlaku untuk seluruh permintaan

• Bobot — ditutup di kedua sisi

Baca baris outputnya saja, dan Mercury 3 tampak seperti kesalahan pembulatan di samping Grok 4.7: $0.70 versus $6.00, atau $0.35 selama jendela peluncuran. Baca baris cache-nya dan selisihnya justru melebar, bukan menyempit, karena $0.02 versus $0.50 adalah faktor dua puluh lima terlepas dari diskonnya. Kombinasi itu — output murah dan pembacaan cache yang nyaris gratis — adalah yang membuat loop frekuensi tinggi terjangkau, dan itulah target desain yang jelas menjadi tujuan model ini dibangun.

Tetapi kartu tarif hanyalah setengah dari biaya. Asumsi desain Grok 4.7 sendiri adalah bahwa masalah sulit layak mendapatkan proses penalaran yang panjang, dan papan independen menunjukkan berapa biayanya ketika masalahnya cukup sulit: $3,74 per tugas indeks yang diselesaikan, dibandingkan $0,72 untuk GPT-6.1 Sol dan, pada papan yang sama, tidak ada entri Mercury 3 sama sekali. Grok 4.7 menghabiskan token untuk berpikir. Mercury 3 hampir tidak menghabiskan apa pun per token dan menjanjikan berpikir cepat. Itu bukan klaim yang bersaing; itu anggaran yang bersaing.

Apa yang sebenarnya didapat dari proses penalaran yang panjang

Grok 4.7 bukanlah model cepat yang menjadi lebih lambat. Ini adalah taruhan yang disengaja bahwa pekerjaan yang berlangsung berjam-jam — loop pengkodean agentic, analisis yang padat dokumen, hasil kerja profesional — memberi imbalan pada model yang terus melaju, dan hasil independen menunjukkan bahwa taruhan itu membuahkan hasil di tempat-tempat tertentu, bukan secara merata di semua bidang.

• GDPval-AA, pekerjaan pengetahuan yang bernilai ekonomis — Grok 4.7 Elo 1711.07, tertinggi kedua di antara model yang dibandingkan di sini dan mengungguli 1593.85 milik GPT-6.1 Sol

• SciCode — 0.5741, unggul dari GPT-6.1 Sol (0.5417) maupun Qwen3.8 Max (0.5208)

• HLE — 0.4314

• Penalaran konteks panjang AA-LCR — 0.7667

• Terminal-Bench 4.0 — 0.2576, angka terlemah di kolomnya sendiri

• AutomationBench — 0.6556, yang terkuat di antara keempat model dalam seri ini

• Intelligence Index — 46.4 pada xhigh, menurut Artificial Analysis

• Biaya per tugas indeks — $3.74

Itu {{1}}profil — kuat dalam pekerjaan pengetahuan dan otomasi, lemah dalam pengodean bergaya terminal{{/1}} — bukanlah profil sebuah flagship serbaguna, dan mengetahui hal itu lebih berguna daripada sebuah peringkat. Tim yang menjalankan sesi pengodean otonom yang panjang dan memilih Grok 4.7 untuk sesi-sesi itu memilihnya bertentangan dengan pengukurannya sendiri.

Mercury 3 tidak memiliki kolom yang sebanding. Bukti terbitan Inception berbeda jenisnya: uji navigasi Mind2Web dengan 50 tugas di harness miliknya sendiri, yang menyelesaikan 50% tugas, ditambah testimoni mitra dari TinyFish AI, RevisionDojo, Octen AI, dan Lorikeet. Belum ada entri Artificial Analysis per 20 Oktober 2026, yang berarti setiap klaim kemampuan dalam tulisan ini tentang Mercury 3 di luar kecepatan dan harga merupakan laporan vendor dan belum direproduksi. Itu bukan alasan untuk menolaknya — model berusia sembilan hari tanpa skor independen adalah kondisi yang normal, dan liputan awal justru merupakan hal yang ingin diterbitkan blog ini. Itu adalah alasan untuk menjaga kedua kolom tetap diberi label berbeda.

Tiga beban kerja, tiga jawaban

Antrean dukungan atau agen suara. Setiap milidetik adalah pelanggan yang menunggu, dan model harus cukup murah untuk dijalankan pada setiap pesan. Mercury 3 menang dalam hal angka yang dipublikasikan: 1.068 token per detik, output $0,70 pada harga daftar, input cache $0,02, tingkat "instan" yang melewati penalaran sepenuhnya. Grok 4.7 dapat melakukan pekerjaan ini, tetapi dengan output $6,00 dengan proses penalaran default, ia membayar untuk pertimbangan yang tidak dibutuhkan percakapan. Ini adalah kasus yang menjadi alasan Inception membangun model ini, dan kutipan mitra semuanya berasal dari bentuk produk ini.

Agen coding atau riset multi-jam. Pekerjaannya berjalan tanpa pengawasan, transkrip tumbuh melewati beberapa ratus ribu token, dan model harus mempertahankan rencana di banyak langkah. Di sini, jendela 500K Grok 4.7, penalaran xhigh, dan kekuatan kerja pengetahuan yang terukur adalah fitur yang relevan, sedangkan jendela 1M Mercury 3 adalah argumen tandingan yang relevan: lebih banyak ruang, jauh lebih murah per token, tetapi belum ada bukti bahwa ia dapat mempertahankan rencana dalam horizon panjang. Perhatikan juga bahwa Grok 4.7 menggandakan setiap tarif di atas 200.000 token masukan untuk seluruh permintaan, sementara Mercury 3 tidak menerbitkan biaya tambahan untuk permintaan panjang. Pada transkrip yang benar-benar panjang, selisih output nominal 8,6× dapat menyempit menjadi di bawah 5× — dan itulah rezim ketika kurangnya benchmark Mercury 3 mulai merugikan, karena keunggulan biaya justru muncul tepat ketika kemampuannya paling belum terbukti.

Apa pun yang harus membaca gambar. Grok 4.7 menerima gambar. Dokumentasi Mercury 3 mencantumkan teks sebagai satu-satunya format yang didukung. Ini bukan pertanyaan tentang harga, dan berapa pun jumlah token per detiknya tidak menjawabnya.

Alasan untuk menjalankan keduanya alih-alih memilih

Pembagiannya luar biasa bersih karena kedua model itu gagal ke arah yang berbeda: Mercury 3 murah dan tidak terukur, Grok 4.7 mahal dan terukur, serta rentang modalitas dan penalaran mereka hampir tidak tumpang tindih. Itu adalah bentuk masalah perutean, bukan keputusan pengadaan.

Grok 4.7 tersedia di OrcaRouter pada harga daftar SpaceXAI dengan markup 0%, termasuk tarif di atas 200K yang digandakan, sehingga biaya untuk mencoba sebuah kebijakan sama dengan biaya memanggil vendor secara langsung. Mercury 3 tidak ada di router; layanan ini disajikan melalui API milik Inception sendiri dan beberapa platform pihak ketiga, dan usianya baru sembilan hari. DSL routing membuktikan kegunaannya di sini dengan cara yang jarang terjadi: kirim permintaan jalur instan — prompt pendek, anggaran latensi ketat, tanpa gambar — ke Mercury 3, pertahankan semua yang memerlukan visi atau penalaran xhigh di Grok 4.7, dan biarkan failover otomatis menangani kasus saat antrean model baru menumpuk. Kebijakan ini dapat dirumuskan; bukti untuknya akan datang dari lalu lintas bulan depan.

Apa yang perlu diperhatikan sebelum Anda memindahkan anggaran

Dua sinyal akan mengubah perbandingan ini, dan keduanya bersifat spesifik.

• Entri Mercury 3 di Artificial Analysis. Satu skor Intelligence Index dan satu angka biaya per tugas akan memberi tahu Anda apakah model murah yang cepat cukup dekat dengan Grok 4.7 dalam pekerjaan pengetahuan untuk membenarkan perutean lalu lintas nyata. Tanpa itu, 1,068 token per detik hanyalah fakta throughput, bukan klaim kemampuan.

• Pembakaran token Grok 4.7 pada beban kerja Anda sendiri. Proses indeks 240 juta token adalah tolok ukur sintetis; antrean dukungan dan agen coding membakar volume yang sangat berbeda. Ukur token keluaran per tugas yang diselesaikan pada satu minggu yang representatif sebelum mengasumsikan tarif $6.00 menentukan tagihan Anda

Yang harus diabaikan, sementara itu, adalah perbandingan apa pun yang menempatkan kedua model pada satu kolom papan peringkat tanpa menyebutkan bahwa salah satunya belum pernah ada di papan tersebut. Fakta menarik tentang Mercury 3 bukanlah bahwa model itu cepat — Inception telah merilis model difusi cepat selama setahun — melainkan bahwa model itu cepat dengan jendela 1M pada harga yang membuat ekonomi per permintaan menjadi sepele. Fakta menarik tentang Grok 4.7 bukanlah bahwa model itu memuncaki bagan, karena memang tidak; melainkan bahwa model itu adalah model paling kuat untuk otomasi dalam kumpulan ini dan membayarnya dengan token. Itu produk yang berbeda, dan jumlah yang tepat untuk menjalankannya mungkin bukan satu.