Mercury 3 vs GPT-6.1 Sol: Inception ha eseguito questo test in prima persona, e questa è la storia

Mercury 3 è stato rilasciato il 19 ottobre 2026, e l'unico dato di confronto testa a testa che Inception ha pubblicato per esso cita GPT-6.1 Sol direttamente. Cinquanta attività di navigazione Mind2Web dal vivo, eseguite all'interno dell'harness web-agent di produzione di Inception: Mercury 3 ne ha completate il 50%, che il post di lancio definisce «significativamente più di GPT-6.1-Sol», usando lo stesso volume di token e lo stesso numero di passaggi dell'agente, a quella che descrive come una frazione del costo per token. Si tratta di un'affermazione più specifica di quella della maggior parte dei post di lancio, ed è anche un'affermazione senza denominatore. Cinquanta attività sono un campione piccolo, l'harness è del fornitore, il tasso di completamento di GPT-6.1 Sol non viene mai riportato, e Mercury 3 non compare ancora da nessuna parte sulla classifica indipendente Artificial Analysis che ha assegnato a GPT-6.1 Sol 51,8. Quindi il confronto onesto non è «quale modello sia più intelligente». È ciò che il test del fornitore stesso può supportare, ciò che dice il tariffario e dove il record misurato di GPT-6.1 Sol vince ancora per impostazione predefinita. Il tasso di pass-through è lo stesso in tutto il catalogo: 0% di ricarico: prezzo di listino del fornitore in entrata, prezzo di listino del fornitore in uscita. I fallimenti AI documentati e gli incidenti degli agenti alla base di rilasci come questo sono raccolti nell'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di confidenza e l'indicatore di contestazione.

Innanzitutto, la parte dell'affermazione che è insolitamente verificabile

I benchmark di lancio sono di solito una tabella di punteggi su benchmark scelti dal fornitore, confrontati con modelli scelti dal fornitore, senza alcuna indicazione su quanto calcolo abbia speso ciascuna delle due parti. Inception ha fatto qualcosa di più raro: ha fissato il volume di token e il numero di passi. «Stesso volume di token e stesso numero di passi dell’agente» è un’affermazione sul controllo sperimentale, e conta perché il modo più comune in cui un modello veloce bara su un benchmark per agenti è fare più tentativi. Se Mercury 3 ha davvero eguagliato i passi e i token di GPT-6.1 Sol e ha comunque completato più attività, la differenza sta in ciò che il modello ha fatto con ogni passo, non in quanti ne ha avuti.

Cosa manca ancora all’affermazione:

• Il tasso di completamento assoluto per GPT-6.1 Sol. "Significativamente di più" rispetto a un numero non specificato non è un risultato che si possa prezzare

• Il criterio di superamento. I task Mind2Web differiscono per quanto rigorosamente una navigazione sia considerata completa, e l'harness è quello di Inception, non uno pubblico.

• Una seconda esecuzione. Cinquanta attività sono un numero abbastanza piccolo perché una manciata di ribaltamenti sposti la percentuale di diversi punti

• Qualsiasi punteggio su un benchmark con una baseline pubblicata, ed è per questo che la classifica di Artificial Analysis non può ancora collocare Mercury 3 in alcun modo

Shuhao Zhang di TinyFish AI è citato in merito al risultato, e la citazione è una testimonianza di un cliente anziché una replica indipendente. È normale per un lancio, e vale la pena segnalarlo come tale, perché la cifra del 50% circolerà per mesi senza che vi sia allegata questa precisazione.

Il tariffario, che è il punto in cui il caso è effettivamente forte

La differenza di prezzo non è marginale e non dipende dall'harness di nessuno. Mercury 3 ha un prezzo di listino di $0,20 per milione di token di input e $0,70 per milione di token di output, con input in cache a $0,02. Durante la finestra di lancio Inception applica la metà: $0,10 input, $0,01 in cache e $0,35 output. GPT-6.1 Sol ha un prezzo di listino di $2,00 input, $0,10 in cache, $2,50 scrittura in cache e $10,00 output. A listino, la tariffa di output di Mercury 3 è un quattordicesimo di quella di GPT-6.1 Sol; durante lo sconto di lancio è un ventottesimo.

Prendi un agente browser che esegue quaranta passaggi, invia 12.000 token di input per passaggio ed emette 400 token di output per passaggio. Si tratta di 480.000 token di input e 16.000 token di output per l'esecuzione, tutti non in cache, che è il caso pessimistico per il modello più economico:

• GPT-6.1 Sol — $0,96 di input a $2,00 per milione, più $0,16 di output a $10,00 per milione: circa $1,12 per esecuzione

• Mercury 3 a listino — $0,096 di input più $0,011 di output a $0,70 per milione: circa $0,107 per esecuzione, ovvero 10,4 volte più economico

• Mercury 3 alla tariffa di lancio — $0,048 più $0,006: circa $0,054 per esecuzione, ovvero all'incirca 21 volte più economico

Ora aggiungi i tassi di completamento a tutto questo. Se Mercury 3 completa 50 attività su 100 e GPT-6.1 Sol ne completa un numero inferiore, il risparmio per esecuzione si realizza solo sulle esecuzioni che arrivano al termine. Un modello che costa dieci volte meno per passo e completa con una frequenza pari a due terzi è comunque più economico per attività completata, che è il numero che dovrebbe stare su una dashboard. Ma a 50 attività, nessuno conosce ancora il secondo rapporto.

Due dettagli di costo contano più della cifra di riferimento e sono facili da trascurare. L'input in cache a $0,10 su GPT-6.1 Sol è la metà del prezzo di listino di Mercury 3 per l'input e venti volte il suo prezzo in cache, quindi su un system prompt lungo e stabile la cache di GPT-6.1 Sol colma parte del divario — ma solo sul lato input, ed è sull'output che si spende nei loop degli agenti. Inoltre GPT-6.1 Sol applica un nuovo prezzo all'intera richiesta oltre i 272.000 token di input: 2× sull'input e sulla cache, 1,5× sull'output. Quello scalino è esattamente dove finiscono le trascrizioni lunghe degli agenti, e la finestra da 1M token di Mercury 3, senza sovrapprezzo pubblicato per i prompt lunghi, è un vantaggio strutturale nello stesso scenario.

Quello che GPT-6.1 Sol ha e che Mercury 3 non ha: un record misurato

Tutto quanto sopra è un confronto rispetto a una rate card e a un test di un fornitore. La classifica indipendente offre un quadro diverso e include solo uno di questi modelli.

• Indice di Intelligenza — Mercury 3 non elencato; GPT-6.1 Sol 51,8 con il massimo livello di ragionamento, secondo Artificial Analysis il 20 ottobre 2026

• Costo per attività di indicizzazione — Mercury 3 non misurato; GPT-6.1 Sol $0,72, rispetto a una mediana della classifica ben superiore

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

• SciCode — Mercury 3 non misurato; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 non misurato; GPT-6.1 Sol 0.5292

• AA-LCR ragionamento su contesto lungo — Mercury 3 non misurato; GPT-6.1 Sol 0.83

• GDPval-AA, lavoro intellettuale economicamente prezioso — Mercury 3 non misurato; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 non misurato; GPT-6.1 Sol 41.5

• Contesto e output — Mercury 3: 1.000.000 in ingresso / 131.072 in uscita; GPT-6.1 Sol: 1.050.000 in ingresso / 128.000 in uscita

• Pesi — chiusi in entrambi i casi; nessuno dei due fornisce un checkpoint

• Modalità — testo su entrambi; GPT-6.1 Sol accetta anche immagini e file

Quell'ultima riga è la differenza meno affascinante e più decisiva per alcuni team. GPT-6.1 Sol accetta immagini e file come input. La documentazione di Mercury 3 elenca i formati supportati come testo. Se il tuo agente deve leggere uno screenshot, un PDF o una fattura scansionata, il confronto finisce lì a prescindere dal prezzo, e nessuna quantità di token al secondo cambia le cose.

Anche le scale di ragionamento non hanno la stessa forma. Mercury 3 offre instant, basso, medio e alto, con temperatura regolabile da 0.5 a 1.0. GPT-6.1 Sol offre basso, medio, alto, xhigh e max, e non accetta più affatto l'impostazione senza ragionamento. Un modello con un livello "instant" fa una promessa di prodotto diversa: ti sta dicendo che alcune richieste non dovrebbero pensare, e ti fatturerà di conseguenza. Questa è una vera differenza di progettazione, ed è invisibile in un singolo numero di intelligenza.

Dove ogni modello è la scelta giusta

Mercury 3 è la scelta giusta quando il carico di lavoro è vincolato dalla latenza, solo testo e il costo per singolo passo domina il budget: navigazione browser, supporto in chat, tutoraggio in tempo reale, lavoro ad alto volume affine alla classificazione, qualsiasi ciclo in cui un essere umano o un altro sistema attende ogni turno. Il contesto da 1M e il tetto di output di 131.072 token si adattano a lunghi transcript di agenti, e il livello instant esiste per le richieste che non dovrebbero pensare. Il rischio è che nessun valutatore indipendente l'abbia valutato, quindi la sua fascia di qualità per ora è un'affermazione del fornitore.

GPT-6.1 Sol è la scelta giusta quando il lavoro richiede capacità visive o input di file, quando serve una soglia di capacità misurata prima di destinare traffico, quando si desidera una scala di ragionamento che vada oltre "high", o quando le richieste da 272.000 token sono l'eccezione anziché la norma. Il suo costo per attività di indicizzazione è tra i migliori della classifica, ed è l'altra metà della questione: costare poco per token ed essere economici per lavoro completato sono affermazioni diverse, e GPT-6.1 Sol è quello per cui è pubblicato il secondo numero.

L'errore pratico è trattarla come una scelta in cui il vincitore prende tutto. Mercury 3 non è su OrcaRouter — viene servito tramite l'API proprietaria di Inception e diverse piattaforme di terze parti — mentre GPT-6.1 Sol sì, al prezzo di listino di OpenAI con 0% di ricarico, quindi quello che paghi è il tariffario del fornitore stesso anziché un equivalente maggiorato. Questo rende lo split test economico da eseguire: mantieni GPT-6.1 Sol sul percorso di produzione, metti Mercury 3 dietro l'API del fornitore su una porzione di traffico e confronta le attività completate per dollaro anziché i token al secondo. Se la porzione regge, sposta i passaggi sensibili alla latenza; se non regge, hai perso una settimana e una piccola fattura. Il failover automatico conta soprattutto proprio in questa finestra, quando un modello vecchio di un giorno è in prova e uno collaudato sta sostenendo il carico.

{{1}}Cosa risolverebbe questo{{/1}}

Tre cose, in ordine di quanto sposterebbero la risposta:

• Una scheda di Artificial Analysis per Mercury 3. Un numero indice e un costo per attività sostituirebbero ogni stima in questo articolo. Finché non esiste, "nessun punteggio indipendente" è lo stato corretto, non "non dimostrato" e non "di classe frontier"

• Un tasso di completamento per GPT-6.1 Sol sulle stesse 50 attività, oppure una riesecuzione pubblica di quel harness da parte di qualcuno che non sia Inception. L'affermazione sui token controllati è una buona metodologia; non è ancora un risultato che chiunque altro possa ispezionare.

• Una risposta pubblicata su come viene fatturato l'output della diffusione. Mercury 3 genera token in parallelo e li raffina in passaggi, e la documentazione di Inception non specifica se i passaggi di denoising conteggiano ai fini dei token di output fatturati. Se non lo fanno, il vantaggio di costo effettivo è maggiore di quanto suggerisca il listino; se lo fanno, i 1.068 token al secondo sono un dato di throughput anziché di fatturazione.

Fino ad allora, la posizione difendibile è ristretta e utile: Mercury 3 è il modello di testo veloce più economico di questo confronto, di un ordine di grandezza, su un test del fornitore che almeno era progettato per controllare lo sforzo, con una finestra da 1M token e nessun punteggio indipendente. GPT-6.1 Sol è il modello più costoso, più lento e misurato che legge anche le immagini e ha un costo pubblicato per attività completata. Compra il secondo per il lavoro che non puoi permetterti di sbagliare, prova il primo per il lavoro in cui l’attesa è il costo vero.