Mercury 3 vs GPT-6.1 Sol：Inceptionがこのテストを自ら実行した、それがこの話の要点だ

Mercury 3 は 2026年10月19日にリリースされ、Inception がそれについて公表した唯一の直接比較の数値が直接名指ししているのは GPT-6.1 Sol です。Inception 自身の本番 Web エージェントハーネス内で実行された Mind2Web のライブナビゲーションタスク 50 件では、Mercury 3 がその 50% を完了しました。ローンチ投稿によれば、これは「GPT-6.1-Sol より大幅に多い」数であり、同じトークン量と同じエージェントステップ数を使用し、トークンあたりのコストはその何分の 1 かだと説明されています。これはほとんどのローンチ投稿が出す主張より具体的ですが、分母のない主張でもあります。50 件のタスクは小さなサンプルで、ハーネスはベンダー自身のものであり、GPT-6.1 Sol の完了率は一度も公表されておらず、Mercury 3 は GPT-6.1 Sol を 51.8 と採点した独立系の Artificial Analysis ボードのどこにもまだ登場していません。したがって、誠実な比較は「どちらのモデルがより賢いか」ではありません。ベンダー自身のテストが裏付けられるもの、料金表が示すもの、そして GPT-6.1 Sol の測定済みの記録が依然として既定で勝る点なのです。 パススルー料率はカタログ全体で同じです。0% のマークアップで、プロバイダーの定価で仕入れ、プロバイダーの定価で提供します。このようなリリースの背景にある、文書化された AI の障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveにまとめられており、各項目には独自の出典、重大度、信頼度グレード、異議ありフラグが付いています。

まず、その主張のうち、異例なほど検証可能な部分

ローンチ時のベンチマークは通常、ベンダーが選んだベンチマークのスコア表であり、ベンダーが選んだモデルと比較したもので、どちら側がどれだけの計算資源を費やしたかについては何も述べていない。Inceptionはより珍しいことをした。トークン量とステップ数を固定したのだ。「同じトークン量と同じエージェントステップ数」は実験制御に関する表明であり、それが重要なのは、高速モデルがエージェントベンチマークを攻略する最も一般的な方法が試行回数を増やすことだからだ。Mercury 3が本当にGPT-6.1 Solのステップ数とトークン数に一致し、それでもより多くのタスクを完了したなら、違いは各ステップでモデルが何をしたかであり、何回ステップを得たかではない。

主張にまだ欠けているもの：

• GPT-6.1 Sol の絶対完了率。「著しく多い」は、明示されていない数値との比較にすぎず、評価できる結果ではない

• 合格基準。Mind2Web のタスクは、ナビゲーションが完了とみなされる厳格さがタスクごとに異なり、またハーネスは公開のものではなく Inception のものである

• 2回目の実行。50件のタスクは十分に少ないため、ほんの数件が反転するだけで割合が数ポイント変動する。

• 公開済みのベースラインがあるベンチマークでのスコアはいずれも。そのため、Artificial AnalysisのボードはまだMercury 3をまったく位置づけられません。

TinyFish AIのShuhao Zhang氏がこの結果について引用されているが、その引用は独立した再現ではなく、顧客による推薦の声だ。ローンチ時としては普通のことだが、そのように明示する価値はある。なぜなら、50%という数字は、その限定条件が付かないまま何ヶ月も出回ることになるからだ。

料金表——実際にこの主張が強いのはそこだ

価格差はわずかではなく、誰のハーネスにも依存しません。Mercury 3 の定価は入力100万トークンあたり $0.20、出力100万トークンあたり $0.70 で、キャッシュ済み入力は $0.02 です。ローンチ期間中、Inception はその半額を請求しています。入力 $0.10、キャッシュ済み $0.01、出力 $0.35 です。GPT-6.1 Sol の定価は入力 $2.00、キャッシュ済み $0.10、キャッシュ書き込み $2.50、出力 $10.00 です。定価では、Mercury 3 の出力料金は GPT-6.1 Sol の14分の1です。ローンチ割引期間中は28分の1です。

40ステップ実行し、各ステップで12,000入力トークンを送信し、各ステップで400出力トークンを生成するブラウザエージェントを考えてみましょう。これは、その実行で480,000入力トークンと16,000出力トークンになり、すべて未キャッシュであり、より安価なモデルにとっては悲観的なケースです:

• GPT-6.1 Sol — 入力 $0.96（100万トークンあたり $2.00）＋出力 $0.16（100万トークンあたり $10.00）：1回の実行あたり約 $1.12

• Mercury 3（定価）— 100万あたり $0.70 で、入力 $0.096 と出力 $0.011：1回あたり約 $0.107、つまり 10.4 倍安い

• ローンチ価格のMercury 3 — $0.048＋$0.006：1回あたり約$0.054、つまり約21倍安価

そこに完了率を重ね合わせよう。Mercury 3が100タスク中50を完了し、GPT-6.1 Solがそれより少ない数を完了するなら、実行あたりの節約は完了した実行でしか実現しない。ステップあたり10分の1のコストで、完了頻度が3分の2のモデルでも、完了タスクあたりでは依然として安い。ダッシュボードに載せるべきはその数値だ。しかし50タスクでは、まだ誰も2つ目の比率を知らない。

GPT-6.1 Solのキャッシュ入力は$0.10で、これはMercury 3のリスト入力価格の半額、同社のキャッシュ価格の20倍にあたります。そのため、長く安定したシステムプロンプトでは、GPT-6.1 Solのキャッシュ機能がギャップの一部を埋めます。ただしそれは入力側に限った話で、エージェントループでコストを食うのは出力側です。さらにGPT-6.1 Solは、入力トークンが272,000を超えるリクエスト全体の価格を引き上げます。入力とキャッシュは2倍、出力は1.5倍です。この価格の崖は、長いエージェントのトランスクリプトがまさに到達する地点であり、長いプロンプトへの追加料金が公表されていない100万トークンのウィンドウを持つMercury 3は、同じシナリオにおける構造的な優位性です。

GPT-6.1 Solが持ち、Mercury 3が持たないもの：実測された記録

上記はすべて、料金表と1つのベンダーテストとの比較です。独立系のボードは状況が異なり、そこにはこれらのモデルのうち1つしか掲載されていません。

• インテリジェンス指数 — Mercury 3は未掲載。Artificial Analysisによると、2026年10月20日時点でGPT-6.1 Solは最大推論エフォートで51.8

• インデックスタスクあたりのコスト — Mercury 3 は未測定。GPT-6.1 Sol は $0.72 で、ボード中央値はそれを大きく上回る

• Terminal-Bench 4.0 — Mercury 3 は未測定、GPT-6.1 Sol は 0.5606

• SciCode — Mercury 3 は未測定、GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 は未測定、GPT-6.1 Sol 0.5292

• AA-LCR 長文脈推論 — Mercury 3 は未測定、GPT-6.1 Sol 0.83

• GDPval-AA、経済的に価値のある知識労働 — Mercury 3は未測定；GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 は未測定、GPT-6.1 Sol は41.5

• コンテキストと出力 — Mercury 3 1,000,000 入力 / 131,072 出力、GPT-6.1 Sol 1,050,000 入力 / 128,000 出力

• 重み — 両方ともクローズド。どちらもチェックポイントを提供しません

• モダリティ — 両方ともテキストに対応。GPT-6.1 Sol は画像とファイルにも対応

その最後の一文は、最も地味でありながら、チームによっては最も決定的な違いです。GPT-6.1 Solは画像とファイルの入力を受け付けます。Mercury 3の自社ドキュメントでは、対応形式はテキストと記載されています。エージェントがスクリーンショット、PDF、スキャンした請求書を読む必要があるなら、価格に関係なく比較はそこで終わり、1秒あたりのトークン数がどれだけ多くてもそれは変わりません。

推論ラダーも同じ形ではありません。Mercury 3はinstant、low、medium、highを用意し、temperatureは0.5から1.0まで調整できます。GPT-6.1 Solはlow、medium、high、xhigh、maxを用意し、no-reasoning設定はまったく受け付けなくなりました。「instant」の段を持つモデルは、製品として別の約束をしています。つまり、一部のリクエストは思考すべきではないと伝え、それに応じて課金するのです。これは実際の設計上の違いであり、単一の知能数値では見えません。

各モデルが適切な選択となる場面

Mercury 3が正しい選択となるのは、ワークロードがレイテンシに縛られ、テキストのみで、ステップごとのコストが予算の大半を占める場合です。具体的には、ブラウザ操作、チャットサポート、リアルタイムの個別指導、大量処理の分類系作業、そして人間や別のシステムが各ターンの応答を待つあらゆるループです。1Mコンテキストと131,072トークンの出力上限は長いエージェントのトランスクリプトに適合し、「考えない」べきリクエスト向けに即答段階も用意されています。リスクは、独立した評価者がまだスコアを付けておらず、その品質の範囲は現時点ではベンダーの主張にとどまることです。

GPT-6.1 Sol が正しい選択となるのは、作業にビジョンやファイル入力が必要なとき、トラフィックを本格的に投入する前に実測済みの能力下限を確認したいとき、「high」を超える推論の階段を使いたいとき、あるいは 272,000 トークンのリクエストが常態ではなく例外であるときです。インデックスタスクあたりのコストはボード上でも屈指の低さで、これが議論のもう半分を成します。トークンあたりの安さと、完了したジョブあたりの安さは別の主張であり、2つ目の数値を公表しているのは GPT-6.1 Sol のほうです。

実務上の誤りは、これを勝者総取りの選択肢として扱うことだ。Mercury 3 は OrcaRouter 上にはなく、Inception 独自の API と複数の第三者プラットフォームを通じて提供されている。一方、GPT-6.1 Sol は OrcaRouter 上にあり、OpenAI の定価でマークアップ 0%なので、支払うのはマークアップされた同等品ではなく、ベンダー自身の料金表どおりの額だ。これにより分割テストは安価に実施できる。GPT-6.1 Sol は本番経路に残し、Mercury 3 はベンダー API 経由でトラフィックの一部に回し、秒間トークン数ではなくドル当たりの完了タスク数で比較する。その一部のトラフィックで問題なければ、レイテンシに敏感なステップを移す。問題があれば、失うのは1週間と少額の請求書だけだ。自動フェイルオーバーが最も重要になるのはまさにこの期間であり、投入されたばかりのモデルを試用しつつ、実測済みのモデルが負荷を担っているときだ。

これを解決してくれるものは何だろうか

答えへの影響が大きい順に、3つのこと：

• Mercury 3 の Artificial Analysis エントリ。指標スコア1つとタスクあたりコスト1つがあれば、この記事内のすべての推定値が置き換わる。それが存在するまでは、「独立したスコアなし」が正しいステータスであり、「未実証」でも「フロンティア級」でもない。

• 同じ50タスクにおけるGPT-6.1 Solの完了率、またはInception以外の誰かによるそのハーネスの公開再実行。制御トークンの主張は優れた方法論ではあるが、まだ他の誰も検証できる結果にはなっていない

• 拡散出力の課金方法に関する公開された回答。Mercury 3 はトークンを並列に生成し、複数回のパスで洗練します。また、Inception のドキュメントには、ノイズ除去パスが課金対象の出力トークンに数えられるかどうかが記載されていません。数えられない場合、実効的なコスト優位性は料金表が示唆するより大きくなります。数えられる場合、1秒あたり1,068トークンは課金上の数値ではなくスループットの数値です。

それまでは、擁護可能な立場は限定的だが有用である。Mercury 3はこの比較において桁違いに安い高速テキストモデルであり、少なくとも労力の影響を統制するよう設計されたベンダー試験に基づき、100万トークンのコンテキストウィンドウを持ち、独立したスコアはない。GPT-6.1 Solはより高価で低速な実測モデルで、画像も読み取れ、完了タスクあたりのコストが公開されている。間違えるわけにいかない仕事には後者を購入し、待つこと自体が実コストとなる仕事には前者を試すべきだ。