Mercury 3 kontra GPT-6.1 Sol: Inception sam przeprowadził ten test — i to jest cała historia

Mercury 3 zadebiutował 19 października 2026 r., a jedyna opublikowana przez Inception liczba z bezpośredniego porównania wskazuje bezpośrednio na GPT-6.1 Sol. Pięćdziesiąt zadań nawigacyjnych Mind2Web na żywo, uruchomionych we własnym produkcyjnym środowisku agenta webowego Inception: Mercury 3 ukończył 50% z nich, co, jak podaje wpis ogłaszający premierę, jest „znacząco więcej niż GPT-6.1-Sol”, przy tym samym wolumenie tokenów i tej samej liczbie kroków agenta, przy czym opisuje to jako ułamek kosztu za token. To bardziej konkretne twierdzenie niż w większości wpisów premierowych, ale też twierdzenie bez mianownika. Pięćdziesiąt zadań to mała próba, środowisko testowe należy do dostawcy, wskaźnik ukończenia GPT-6.1 Sol nigdy nie jest podawany, a Mercury 3 nie pojawia się jeszcze nigdzie na niezależnym rankingu Artificial Analysis, który ocenił GPT-6.1 Sol na 51,8. Uczciwe porównanie nie polega więc na tym, „który model jest mądrzejszy”. Polega ono na tym, co może potwierdzić własny test dostawcy, co mówi cennik, oraz na tym, gdzie zmierzony dorobek GPT-6.1 Sol nadal wygrywa domyślnie. Stawka przeniesienia jest taka sama w całym katalogu: 0% narzutu cena listowa dostawcy na wejściu, cena listowa dostawcy na wyjściu. Udokumentowane awarie AI i incydenty związane z agentami, które stoją za premierami takimi jak ta, są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, stopień pewności i oznaczenie sporne.

Po pierwsze, ta część twierdzenia, która jest niezwykle sprawdzalna.

Benchmarki premierowe to zwykle tabela wyników na benchmarkach wybranych przez dostawcę, porównywana z modelami wybranymi przez dostawcę, bez żadnego stwierdzenia, ile mocy obliczeniowej zużyła każda ze stron. Inception zrobiło coś rzadszego: ustaliło wolumen tokenów i liczbę kroków. „Ten sam wolumen tokenów i ta sama liczba kroków agenta” to stwierdzenie o kontroli eksperymentalnej, a ma ono znaczenie, ponieważ najczęstszym sposobem, w jaki szybki model oszukuje benchmark agenta, jest wykonanie większej liczby prób. Gdyby Mercury 3 naprawdę dorównał GPT-6.1 Sol pod względem kroków i tokenów i mimo to ukończył więcej zadań, różnica tkwiłaby w tym, co model zrobił z każdym krokiem, a nie w tym, ile kroków dostał.

Czego nadal brakuje temu twierdzeniu:

• Bezwzględny wskaźnik ukończenia dla GPT-6.1 Sol. „Znacznie więcej” niż nieokreślona liczba to nie wynik, który można wycenić

• Kryterium zaliczenia. Zadania Mind2Web różnią się tym, jak rygorystycznie nawigacja jest uznawana za ukończoną, a środowisko testowe należy do Inception, a nie jest publicznie dostępne.

• Drugi przebieg. Pięćdziesiąt zadań to tak mało, że kilka odwróconych wyników przesuwa odsetek o kilka punktów.

• Jakikolwiek wynik na benchmarku z opublikowanym wynikiem odniesienia, dlatego tablica Artificial Analysis wciąż nie może w ogóle sklasyfikować Mercury 3

Shuhao Zhang z TinyFish AI wypowiada się na temat wyniku, a jego wypowiedź jest opinią klienta, a nie niezależnym odtworzeniem wyniku. To normalne w przypadku premiery i warto tak to określić, ponieważ liczba 50% będzie krążyć przez miesiące bez dołączonego do niej zastrzeżenia.

Karta stawek, w której ta sprawa jest naprawdę mocna

Różnica w cenie nie jest marginalna i nie zależy od niczyjego harnessu. Mercury 3 w cenniku kosztuje 0,20 USD za milion tokenów wejściowych i 0,70 USD za milion tokenów wyjściowych, a wejście z pamięci podręcznej — 0,02 USD. W okresie premiery Inception pobiera połowę tej stawki: 0,10 USD za wejście, 0,01 USD za pamięć podręczną i 0,35 USD za wyjście. GPT-6.1 Sol w cenniku kosztuje 2,00 USD za wejście, 0,10 USD za pamięć podręczną, 2,50 USD za zapis do pamięci podręcznej i 10,00 USD za wyjście. Według cennika stawka wyjściowa Mercury 3 wynosi jedną czternastą stawki GPT-6.1 Sol; w okresie zniżki premierowej jest to jedna dwudziesta ósma.

Weź agenta przeglądarkowego, który wykonuje czterdzieści kroków, wysyła 12 000 tokenów wejściowych na krok i emituje 400 tokenów wyjściowych na krok. To daje 480 000 tokenów wejściowych i 16 000 tokenów wyjściowych na jedno uruchomienie, wszystkie bez użycia pamięci podręcznej, co jest pesymistycznym scenariuszem dla tańszego modelu:

• GPT-6.1 Sol — 0,96 USD za wejście przy 2,00 USD za milion, plus 0,16 USD za wyjście przy 10,00 USD za milion: około 1,12 USD na przebieg

• Mercury 3 według cennika — 0,096 USD za dane wejściowe plus 0,011 USD za dane wyjściowe przy 0,70 USD za milion: około 0,107 USD na uruchomienie, czyli 10,4 razy taniej

• Mercury 3 według stawki startowej — 0,048 USD plus 0,006 USD: około 0,054 USD za uruchomienie, czyli około 21 razy taniej

Teraz dołóż do tego wskaźniki ukończenia. Jeśli Mercury 3 kończy 50 z 100 zadań, a GPT-6.1 Sol kończy jakąś mniejszą liczbę, oszczędność na przebieg jest realizowana tylko w tych przebiegach, które się kończą. Model, który jest dziesięć razy tańszy na krok i kończy z częstością dwóch trzecich, wciąż jest tańszy na ukończone zadanie, a to właśnie ta liczba powinna trafić na dashboard. Ale przy 50 zadaniach nikt jeszcze nie zna drugiego współczynnika.

Dwa szczegóły kosztowe mają większe znaczenie niż cena z nagłówka i łatwo je przeoczyć. Wejście z pamięci podręcznej w cenie $0.10 w GPT-6.1 Sol to połowa katalogowej ceny wejścia Mercury 3 i dwudziestokrotność jej ceny z pamięci podręcznej, więc przy długim, stabilnym prompcie systemowym buforowanie GPT-6.1 Sol zamyka część luki — ale tylko po stronie wejścia, a to na wyjściu pętle agentów wydają najwięcej. Co więcej, GPT-6.1 Sol zmienia cenę całego żądania powyżej 272 000 tokenów wejściowych: 2× za wejście i pamięć podręczną, 1,5× za wyjście. Ten próg cenowy wypada dokładnie tam, gdzie trafiają długie transkrypty agentów, a okno 1 mln tokenów w Mercury 3 bez publikowanej dopłaty za długie prompty jest przewagą strukturalną w tym samym scenariuszu.

Co GPT-6.1 Sol ma, a czego nie ma Mercury 3: zmierzony rekord

Wszystko powyżej to porównanie z cennikiem i jednym testem dostawcy. Niezależny ranking przedstawia inny obraz i uwzględnia tylko jeden z tych modeli.

• Indeks inteligencji — Mercury 3 nieuwzględniony; GPT-6.1 Sol 51,8 przy maksymalnym nakładzie rozumowania, według Artificial Analysis z 20 października 2026 r.

• Koszt na zadanie indeksowania — Mercury 3: nie zmierzono; GPT-6.1 Sol: $0.72, wobec mediany na tablicy wyników znacznie powyżej tego

• Terminal-Bench 4.0 — Mercury 3 nie został zmierzony; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 nie zmierzono; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 nie został zmierzony; GPT-6.1 Sol 0.5292

• AA-LCR — rozumowanie na długim kontekście — Mercury 3: nie zmierzono; GPT-6.1 Sol 0.83

• GDPval-AA, praca wiedzowa o wartości ekonomicznej — Mercury 3 nie został zmierzony; GPT-6.1 Sol Elo 1593,85

• AA-Omniscience — Mercury 3 nie zmierzono; GPT-6.1 Sol 41,5

• Kontekst i dane wyjściowe — Mercury 3: 1 000 000 na wejściu / 131 072 na wyjściu; GPT-6.1 Sol: 1 050 000 na wejściu / 128 000 na wyjściu

• Wagi — w obu przypadkach zamknięte; żadne nie daje ci checkpointu

• Modalność — tekst w obu; GPT-6.1 Sol obsługuje również obrazy i pliki

Ta ostatnia linijka to najmniej efektowna, a najbardziej decydująca różnica dla niektórych zespołów. GPT-6.1 Sol przyjmuje dane wejściowe w postaci obrazów i plików. Dokumentacja samego Mercury 3 wymienia jako obsługiwane formaty wyłącznie tekst. Jeśli Twój agent musi odczytywać zrzut ekranu, plik PDF lub zeskanowaną fakturę, porównanie kończy się w tym miejscu niezależnie od ceny, a żadna liczba tokenów na sekundę tego nie zmieni.

Drabinki rozumowania również nie mają tego samego kształtu. Mercury 3 oferuje tryby instant, low, medium i high, z możliwością regulacji temperatury od 0,5 do 1,0. GPT-6.1 Sol oferuje low, medium, high, xhigh i max i w ogóle nie akceptuje już ustawienia bez rozumowania. Model z poziomem „instant” składa inną obietnicę produktową: mówi ci, że niektóre zapytania nie powinny myśleć, i odpowiednio cię rozliczy. To realna różnica w projekcie, niewidoczna w pojedynczej liczbie inteligencji.

Kiedy każdy model jest właściwym wyborem

Mercury 3 to właściwy wybór, gdy obciążenie jest ograniczone opóźnieniami, ma charakter wyłącznie tekstowy, a koszt na krok dominuje w budżecie: nawigacja w przeglądarce, wsparcie na czacie, korepetycje w czasie rzeczywistym, prace o dużej skali bliskie klasyfikacji, każda pętla, w której człowiek lub inny system czeka na każdą turę. Kontekst 1 mln i limit wyjścia wynoszący 131 072 tokenów pasują do długich transkryptów agenta, a natychmiastowy poziom istnieje dla żądań, które nie powinny myśleć. Ryzyko polega na tym, że żaden niezależny ewaluator go nie ocenił, więc jego zakres jakości jest na razie twierdzeniem dostawcy.

GPT-6.1 Sol to właściwy wybór, gdy praca wymaga obsługi obrazu lub wejścia plikowego, gdy potrzebujesz zmierzonego minimalnego poziomu możliwości, zanim skierujesz do niego ruch, gdy chcesz drabinkę rozumowania wykraczającą poza „wysoki”, albo gdy zapytania o 272 000 tokenów są wyjątkiem, a nie normą. Jego koszt na zadanie indeksowania jest jednym z najlepszych w zestawieniu, co stanowi drugą połowę argumentu: tani za token i tani za ukończone zadanie to różne twierdzenia, a GPT-6.1 Sol to ten, dla którego opublikowano drugą liczbę.

Praktycznym błędem jest traktowanie tego jako wyboru, w którym zwycięzca bierze wszystko. Mercury 3 nie jest dostępny w OrcaRouter — jest udostępniany przez własne API Inception i kilka platform zewnętrznych — natomiast GPT-6.1 Sol jest w cenie katalogowej OpenAI z 0% marży, więc płacisz według cennika samego dostawcy, a nie według odpowiednika z narzuconą marżą. To sprawia, że test podziału ruchu jest tani w przeprowadzeniu: pozostaw GPT-6.1 Sol na ścieżce produkcyjnej, skieruj część ruchu do Mercury 3 przez API dostawcy i porównuj ukończone zadania na dolara, a nie tokeny na sekundę. Jeśli ta część ruchu się sprawdzi, przenieś kroki wrażliwe na opóźnienia; jeśli nie, stracisz tydzień i niewielki rachunek. Automatyczne przełączanie awaryjne ma największe znaczenie dokładnie w tym oknie, gdy testowany jest model mający zaledwie dzień, a obciążenie udźwiga sprawdzony model.

Co rozstrzygnęłoby tę sprawę?

Trzy rzeczy, uszeregowane według tego, jak bardzo zmieniłyby odpowiedź:

• Wpis Artificial Analysis dla Mercury 3. Jedna liczba indeksu i jeden koszt na zadanie zastąpiłyby każdą estymację w tym tekście. Dopóki go nie ma, „brak niezależnego wyniku” jest właściwym statusem, a nie „nieudowodniony” i nie „klasy frontier”.

• Współczynnik ukończenia dla GPT-6.1 Sol na tych samych 50 zadaniach lub publiczne ponowne uruchomienie tego harnessu przez kogoś, kto nie jest z Inception. Twierdzenie o kontrolowanych tokenach to dobra metodologia; to jeszcze nie jest wynik, który ktokolwiek inny może sprawdzić

• Opublikowana odpowiedź na temat tego, jak rozliczane są wyniki generowane przez dyfuzję. Mercury 3 generuje tokeny równolegle i udoskonala je w kolejnych przebiegach, a dokumentacja Inception nie precyzuje, czy przebiegi odszumiania wliczają się do rozliczanych tokenów wyjściowych. Jeśli się nie wliczają, rzeczywista przewaga kosztowa jest większa, niż sugeruje cennik; jeśli się wliczają, 1 068 tokenów na sekundę to wskaźnik przepustowości, a nie rozliczeniowy.

Do tego czasu obronna pozycja jest wąska i użyteczna: Mercury 3 jest w tym zestawieniu najtańszym szybkim modelem tekstowym — o rząd wielkości — w teście dostawcy, który przynajmniej zaprojektowano tak, by kontrolować nakład pracy, z oknem 1 mln tokenów i bez niezależnego wyniku. GPT-6.1 Sol to droższy, wolniejszy, wyważony model, który również czyta obrazy i ma opublikowany koszt ukończonego zadania. Kup drugi do pracy, w której nie możesz sobie pozwolić na błąd, a pierwszy przetestuj do pracy, w której rzeczywistym kosztem jest czekanie.