Mercury 3 vs GPT-6.1 Sol: Inception voerde deze test zelf uit, en dat is het verhaal

Mercury 3 werd uitgebracht op 19 oktober 2026, en het enige rechtstreekse vergelijkingscijfer dat Inception ervoor publiceerde, noemt GPT-6.1 Sol rechtstreeks. Vijftig live Mind2Web-navigatietaken, uitgevoerd binnen Inceptions eigen productie-webagentharnas: Mercury 3 voltooide er 50% van, wat volgens de lanceerpost "aanzienlijk meer dan GPT-6.1-Sol" is, met hetzelfde tokenvolume en hetzelfde aantal agentstappen, tegen wat deze beschrijft als een fractie van de kosten per token. Dat is een specifiekere claim dan de meeste lanceerposten maken, en het is ook een claim zonder noemer. Vijftig taken is een kleine steekproef, het harnas is van de leverancier, het voltooiingspercentage van GPT-6.1 Sol wordt nergens vermeld, en Mercury 3 staat nog nergens op het onafhankelijke Artificial Analysis-board dat GPT-6.1 Sol op 51,8 heeft gescoord. De eerlijke vergelijking is dus niet "welk model is slimmer". Het is wat de eigen test van de leverancier kan ondersteunen, wat de prijslijst zegt, en waar de gemeten resultaten van GPT-6.1 Sol nog steeds standaard winnen. Het doorvoertarief is in de hele catalogus hetzelfde: 0% opslag leverancierslijstprijs erin, leverancierslijstprijs eruit. De gedocumenteerde AI-fouten en agentincidenten achter releases als deze zijn verzameld in het OrcaRouter AI Incident Archive waar elke vermelding haar eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwiststatus bevat.

Eerst het deel van de bewering dat ongewoon controleerbaar is

Benchmarks bij een lancering zijn meestal een tabel met scores op benchmarks die de leverancier heeft gekozen, vergeleken met modellen die de leverancier heeft gekozen, zonder uitspraak over hoeveel rekenkracht beide kanten hebben verbruikt. Inception deed iets zeldzamers: het legde het tokenvolume en het aantal stappen vast. "Hetzelfde tokenvolume en hetzelfde aantal agentstappen" is een uitspraak over experimentele controle, en dat is belangrijk omdat de meest voorkomende manier waarop een snel model een agentbenchmark manipuleert, is door meer pogingen te doen. Als Mercury 3 echt de stappen en tokens van GPT-6.1 Sol evenaarde en toch meer taken afrondde, zit het verschil in wat het model met elke stap deed, niet in hoeveel stappen het kreeg.

Wat de claim nog steeds mist:

• Het absolute voltooiingspercentage voor GPT-6.1 Sol. "Aanzienlijk meer" dan een niet nader genoemd aantal is geen resultaat dat je kunt beprijzen.

• Het slaagcriterium. Mind2Web-taken verschillen erin hoe strikt een navigatie als voltooid geldt, en het testharnas is dat van Inception, niet een publiek harnas.

• Een tweede run. Vijftig taken is klein genoeg dat een handjevol flips het percentage meerdere punten verschuift.

• Elke score op een benchmark met een gepubliceerde baseline, waardoor de Artificial Analysis-ranglijst Mercury 3 nog helemaal niet kan plaatsen

TinyFish AI's Shuhao Zhang wordt aangehaald over het resultaat, en het citaat is een klantgetuigenis en geen onafhankelijke replicatie. Dat is normaal bij een lancering en het is de moeite waard om dat ook zo te benoemen, omdat het cijfer van 50% maandenlang de ronde zal doen zonder dat het voorbehoud eraan wordt gekoppeld.

De tariefkaart, want daar is de zaak eigenlijk sterk.

Het prijsverschil is niet marginaal en het hangt niet af van iemands harness. Mercury 3 staat aan de lijstprijs op $0,20 per miljoen inputtokens en $0,70 per miljoen outputtokens, met gecachte input tegen $0,02. Tijdens het lanceervenster rekent Inception de helft daarvan: $0,10 input, $0,01 gecacht en $0,35 output. GPT-6.1 Sol staat aan de lijstprijs op $2,00 input, $0,10 gecacht, $2,50 cache write en $10,00 output. Aan de lijstprijs is Mercury 3's outputtarief een veertiende van dat van GPT-6.1 Sol; tijdens de lanceerkorting is het een achtentwintigste.

Neem een browseragent die veertig stappen uitvoert, per stap 12.000 invoertokens verstuurt en per stap 400 uitvoertokens genereert. Dat is 480.000 invoertokens en 16.000 uitvoertokens voor de uitvoering, allemaal niet-gecachet, wat het pessimistische geval is voor het goedkopere model:

• GPT-6.1 Sol — $0,96 aan invoer tegen $2,00 per miljoen, plus $0,16 aan uitvoer tegen $10,00 per miljoen: ongeveer $1,12 per uitvoering

• Mercury 3 tegen lijstprijs — $0,096 aan input plus $0,011 aan output bij $0,70 per miljoen: ongeveer $0,107 per run, of 10,4 keer goedkoper

Mercury 3 tegen het lanceringstarief — $0,048 plus $0,006: ongeveer $0,054 per run, ofwel roughly 21 keer goedkoper

Tel daar nu de voltooiingspercentages bij op. Als Mercury 3 50 van de 100 taken afrondt en GPT-6.1 Sol een kleiner aantal afrondt, wordt de besparing per run alleen gerealiseerd bij de runs die worden afgerond. Een model dat tien keer goedkoper is per stap en twee derde zo vaak afrondt, is nog steeds goedkoper per voltooide taak, en dat is het getal dat op een dashboard thuishoort. Maar bij 50 taken kent niemand de tweede verhouding nog.

Twee kostendetails zijn belangrijker dan de kop en worden gemakkelijk over het hoofd gezien. Gecachte input tegen $0,10 op GPT-6.1 Sol is de helft van de lijst-inputprijs van Mercury 3 en twintig keer de gecachte prijs, dus bij een lange, stabiele systeemprompt dicht de caching van GPT-6.1 Sol een deel van het gat — maar alleen aan de inputkant, en output is waar agent-loops geld uitgeven. En GPT-6.1 Sol herprijst het hele verzoek boven 272.000 inputtokens: 2× op input en cache, 1,5× op output. Die klif is precies waar lange agent-transcripten terechtkomen, en het venster van 1M tokens van Mercury 3 zonder gepubliceerde toeslag voor lange prompts is een structureel voordeel in hetzelfde scenario.

Wat GPT-6.1 Sol heeft dat Mercury 3 niet heeft: een gemeten record

Alles hierboven is een vergelijking met een tariefkaart en één leverancierstest. Het onafhankelijke board schetst een ander beeld, en daar staat slechts één van deze modellen op.

• Intelligence Index — Mercury 3 niet vermeld; GPT-6.1 Sol 51.8 bij maximale redeneerinspanning, volgens Artificial Analysis op 20 oktober 2026

• Kosten per indextaak — Mercury 3 niet gemeten; GPT-6.1 Sol $0,72, tegen een mediaan op het board die ruim daarboven ligt

• Terminal-Bench 4.0 — Mercury 3 niet gemeten; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 niet gemeten; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 niet gemeten; GPT-6.1 Sol 0.5292

• AA-LCR-redenering met lange context — Mercury 3 niet gemeten; GPT-6.1 Sol 0,83

• GDPval-AA, economisch waardevol kenniswerk — Mercury 3 niet gemeten; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 niet gemeten; GPT-6.1 Sol 41,5

• Context en uitvoer — Mercury 3 1.000.000 in / 131.072 uit; GPT-6.1 Sol 1.050.000 in / 128.000 uit

• Gewichten — beide gesloten; geen van beide levert je een checkpoint

• Modaliteit — tekst bij beide; GPT-6.1 Sol accepteert ook afbeeldingen en bestanden

Die laatste regel is voor sommige teams het minst glamoureuze en meest beslissende verschil. GPT-6.1 Sol accepteert beeld- en bestandsinvoer. In de eigen documentatie van Mercury 3 worden de ondersteunde formaten als tekst vermeld. Als je agent een screenshot, een pdf of een gescande factuur moet lezen, stopt de vergelijking daar, ongeacht de prijs, en geen enkel aantal tokens per seconde verandert dat.

De redeneerladders hebben ook niet dezelfde vorm. Mercury 3 biedt instant, laag, gemiddeld en hoog, met een temperatuur die van 0,5 tot 1,0 kan worden aangepast. GPT-6.1 Sol biedt laag, gemiddeld, hoog, xhigh en max, en accepteert de instelling 'geen redenering' helemaal niet meer. Een model met een 'instant'-niveau doet een andere productbelofte: het zegt je dat sommige verzoeken niet zouden moeten nadenken, en het factureert je dienovereenkomstig. Dat is een echt ontwerpverschil, en het is onzichtbaar in één enkel intelligentiegetal.

Wanneer elk model de juiste keuze is

Mercury 3 is de juiste keuze wanneer de workload latentiegebonden is, alleen tekst betreft en de kosten per stap het budget domineren: browsernavigatie, chatondersteuning, realtime tutoring, hoogvolume werk dat aan classificatie grenst, elke lus waarin een mens of een ander systeem op elke beurt wacht. De context van 1M en het uitvoerplafond van 131.072 tokens passen bij lange agenttranscripten, en de instant-laag bestaat voor de verzoeken die niet zouden moeten nadenken. Het risico is dat geen enkele onafhankelijke evaluator het heeft beoordeeld, dus het kwaliteitsbereik is voorlopig een claim van de leverancier.

GPT-6.1 Sol is de juiste keuze wanneer het werk vision of bestandsinvoer vereist, wanneer je een gemeten ondergrens aan capaciteiten nodig hebt voordat je verkeer inzet, wanneer je een redeneertrap wilt die verder gaat dan 'high', of wanneer verzoeken van 272.000 tokens uitzondering zijn en niet de norm. De kosten per indextaak behoren tot de beste in het veld, en dat is de andere helft van het argument: goedkoop per token en goedkoop per afgeronde taak zijn twee verschillende beweringen, en GPT-6.1 Sol is degene waarbij het tweede getal gepubliceerd is.

De praktische fout is dit als een alles-of-niets-keuze te behandelen. Mercury 3 staat niet op OrcaRouter — het wordt aangeboden via de eigen API van Inception en diverse platforms van derden — terwijl GPT-6.1 Sol dat wel is, tegen de lijstprijs van OpenAI met 0% markup, dus je betaalt de tariefkaart van de leverancier zelf in plaats van een equivalent met opslag. Dat maakt de splitstest goedkoop uit te voeren: houd GPT-6.1 Sol op het productiepad, zet Mercury 3 achter de API van de leverancier op een deel van het verkeer, en vergelijk voltooide taken per dollar in plaats van tokens per seconde. Als dat deel zich staande houdt, verplaats dan de latentiegevoelige stappen; zo niet, dan ben je een week en een kleine factuur kwijt. Automatische failover is juist in dit venster het belangrijkst, wanneer een model van één dag oud op proef is en een doorgemeten model de belasting draagt.

Wat zou dit oplossen?

Drie dingen, in volgorde van hoeveel ze het antwoord zouden beïnvloeden:

• Een vermelding in Artificial Analysis voor Mercury 3. Eén indexcijfer en één kost per taak zouden elke schatting in dit stuk vervangen. Zolang die er niet is, is "geen onafhankelijke score" de juiste status, niet "onbewezen" en niet "frontier-class"

• Een voltooiingspercentage voor GPT-6.1 Sol op dezelfde 50 taken, of een openbare heruitvoering van die testopstelling door iemand die niet Inception is. De claim over gecontroleerde tokens is goede methodologie; het is nog geen resultaat dat iemand anders kan inspecteren

• Een gepubliceerd antwoord over hoe diffusie-output wordt gefactureerd. Mercury 3 genereert tokens parallel en verfijnt ze in meerdere rondes, en de documentatie van Inception vermeldt niet of de denoising-rondes meetellen voor gefactureerde outputtokens. Als dat niet zo is, is het effectieve kostenvoordeel groter dan de tarievenkaart suggereert; als dat wel zo is, is de 1.068 tokens per seconde een doorvoercijfer en geen factureringscijfer.

Tot die tijd is de verdedigbare positie smal en nuttig: Mercury 3 is met een orde van grootte het goedkoopste snelle tekstmodel in deze vergelijking, in een leverancierstest die ten minste ontworpen was om voor inspanning te corrigeren, met een venster van 1M tokens en geen onafhankelijke score. GPT-6.1 Sol is het duurdere, tragere, gemeten model dat ook afbeeldingen leest en gepubliceerde kosten per voltooide taak heeft. Koop het tweede voor werk dat je je niet kunt veroorloven fout te doen, probeer het eerste voor werk waarbij wachten de werkelijke kosten zijn.