Mercury 3 vs GPT-6.1 Sol: A própria Inception executou este teste, e essa é a história

O Mercury 3 foi lançado em 19 de outubro de 2026, e o único número de comparação direta que a Inception publicou sobre ele nomeia diretamente o GPT-6.1 Sol. Cinquenta tarefas de navegação ao vivo do Mind2Web, executadas dentro do harness de agente web de produção da própria Inception: o Mercury 3 concluiu 50% delas, o que, segundo o post de lançamento, é "significativamente mais do que o GPT-6.1-Sol", usando o mesmo volume de tokens e o mesmo número de etapas do agente, a um custo que ele descreve como uma fração do custo por token. Essa é uma afirmação mais específica do que a maioria dos posts de lançamento faz, e também é uma afirmação sem denominador. Cinquenta tarefas é uma amostra pequena, o harness é do fornecedor, a taxa de conclusão do GPT-6.1 Sol nunca é divulgada, e o Mercury 3 ainda não aparece em lugar algum no ranking independente da Artificial Analysis que pontuou o GPT-6.1 Sol em 51,8. Portanto, a comparação honesta não é "qual modelo é mais inteligente". É o que o próprio teste do fornecedor consegue sustentar, o que a tabela de preços diz e onde o histórico medido do GPT-6.1 Sol ainda vence por padrão. A taxa de repasse é a mesma em todo o catálogo: 0% de markup entra o preço de lista do provedor, sai o preço de lista do provedor. As falhas de IA e os incidentes de agentes documentados por trás de lançamentos como este estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de disputa.

Primeiro, a parte da afirmação que é incomumente verificável.

Marcos de lançamento costumam ser uma tabela de pontuações em benchmarks que o fornecedor escolheu, comparadas com modelos que o fornecedor escolheu, sem qualquer declaração sobre quanto poder computacional cada lado gastou. A Inception fez algo mais raro: fixou o volume de tokens e a contagem de etapas. "Same token volume and the same number of agent steps" é uma afirmação sobre controle experimental, e isso importa porque a maneira mais comum de um modelo rápido manipular um benchmark de agente é fazer mais tentativas. Se o Mercury 3 realmente igualou as etapas e os tokens do GPT-6.1 Sol e ainda assim concluiu mais tarefas, a diferença está no que o modelo fez com cada etapa, não em quantas etapas recebeu.

O que ainda falta à alegação:

• A taxa absoluta de conclusão do GPT-6.1 Sol. "Significativamente mais" do que um número não informado não é um resultado que se possa precificar

• O critério de aprovação. As tarefas do Mind2Web variam na rigidez com que uma navegação é considerada concluída, e o harness é o da Inception, não um de acesso público.

• Uma segunda execução. Cinquenta tarefas é um número pequeno o suficiente para que algumas poucas inversões movam a porcentagem em vários pontos

• Qualquer pontuação em um benchmark com uma linha de base publicada, e é por isso que o painel do Artificial Analysis ainda não consegue posicionar o Mercury 3 de modo algum

Shuhao Zhang, da TinyFish AI, é citado sobre o resultado, e a citação é um depoimento de cliente, não uma replicação independente. Isso é normal em um lançamento e vale a pena dizer isso explicitamente, porque o número de 50% circulará por meses sem essa ressalva.

A tabela de preços, que é onde o argumento é realmente forte

A diferença de preço não é marginal e não depende do harness de ninguém. O Mercury 3 tem preço de tabela de US$ 0,20 por milhão de tokens de entrada e US$ 0,70 por milhão de tokens de saída, com entrada em cache a US$ 0,02. Durante a janela de lançamento, a Inception está cobrando metade disso: US$ 0,10 de entrada, US$ 0,01 em cache e US$ 0,35 de saída. O GPT-6.1 Sol tem preço de tabela de US$ 2,00 de entrada, US$ 0,10 em cache, US$ 2,50 de gravação em cache e US$ 10,00 de saída. No preço de tabela, a tarifa de saída do Mercury 3 é um catorze avos da do GPT-6.1 Sol; durante o desconto de lançamento, é um vinte e oito avos.

Considere um agente de navegador que executa quarenta passos, envia 12.000 tokens de entrada por passo e emite 400 tokens de saída por passo. Isso representa 480.000 tokens de entrada e 16.000 tokens de saída por execução, todos sem cache, o que é o cenário pessimista para o modelo mais barato:

• GPT-6.1 Sol — US$ 0,96 de entrada a US$ 2,00 por milhão, mais US$ 0,16 de saída a US$ 10,00 por milhão: cerca de US$ 1,12 por execução

• Mercury 3 no preço de tabela — US$ 0,096 de entrada mais US$ 0,011 de saída a US$ 0,70 por milhão: cerca de US$ 0,107 por execução, ou 10,4 vezes mais barato

• Mercury 3 na tarifa de lançamento — $0,048 mais $0,006: cerca de $0,054 por execução, ou aproximadamente 21 vezes mais barato

Agora coloque as taxas de conclusão em cima disso. Se o Mercury 3 conclui 50 de 100 tarefas e o GPT-6.1 Sol conclui um número menor, a economia por execução só é realizada nas execuções que terminam. Um modelo que é dez vezes mais barato por etapa e conclui duas vezes a cada três ainda é mais barato por tarefa concluída, que é o número que pertence a um dashboard. Mas, com 50 tarefas, ninguém conhece a segunda proporção ainda.

Dois detalhes de custo importam mais do que a manchete e são fáceis de passar despercebidos. O input em cache a US$ 0,10 no GPT-6.1 Sol é metade do preço de tabela do input do Mercury 3 e vinte vezes seu preço em cache, então, em um prompt de sistema longo e estável, o cache do GPT-6.1 Sol fecha parte da diferença — mas apenas do lado do input, e é no output que os loops de agentes gastam. E o GPT-6.1 Sol reprecifica a solicitação inteira acima de 272.000 tokens de input: 2× no input e no cache, 1,5× no output. Esse penhasco é exatamente onde caem transcrições longas de agentes, e a janela de 1M de tokens do Mercury 3, sem sobretaxa publicada para prompts longos, é uma vantagem estrutural no mesmo cenário.

O que o GPT-6.1 Sol tem que o Mercury 3 não tem: um registro medido

Tudo acima é uma comparação com uma tabela de preços e um teste de fornecedor. O ranking independente conta uma história diferente, e inclui apenas um desses modelos.

• Índice de Inteligência — Mercury 3 não listado; GPT-6.1 Sol 51,8 com esforço máximo de raciocínio, segundo a Artificial Analysis, em 20 de outubro de 2026

• Custo por tarefa de indexação — Mercury 3 não medido; GPT-6.1 Sol $0,72, contra uma mediana do painel bem acima disso

• Terminal-Bench 4.0 — Mercury 3 não medido; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 não medido; GPT-6.1 Sol 0,5417

• Humanity's Last Exam — Mercury 3 não avaliado; GPT-6.1 Sol 0,5292

• Raciocínio de contexto longo AA-LCR — Mercury 3 não medido; GPT-6.1 Sol 0,83

• GDPval-AA, trabalho intelectual economicamente valioso — Mercury 3 não medido; GPT-6.1 Sol Elo 1593,85

• AA-Omniscience — Mercury 3 não medido; GPT-6.1 Sol 41.5

• Contexto e saída — Mercury 3 1.000.000 de entrada / 131.072 de saída; GPT-6.1 Sol 1.050.000 de entrada / 128.000 de saída

Pesos — fechados nos dois; nenhum dos dois fornece um checkpoint

• Modalidade — texto em ambos; o GPT-6.1 Sol também aceita imagens e arquivos

Essa última linha é a diferença menos glamourosa e mais decisiva para algumas equipes. O GPT-6.1 Sol aceita entrada de imagens e arquivos. A própria documentação do Mercury 3 lista os formatos suportados como texto. Se o seu agente precisa ler uma captura de tela, um PDF ou uma fatura digitalizada, a comparação termina aí, independentemente do preço, e nenhuma quantidade de tokens por segundo muda isso.

As escadas de raciocínio também não têm o mesmo formato. O Mercury 3 oferece instantâneo, baixo, médio e alto, com temperatura ajustável de 0,5 a 1,0. O GPT-6.1 Sol oferece baixo, médio, alto, xhigh e max, e não aceita mais a configuração sem raciocínio. Um modelo com um degrau "instantâneo" faz uma promessa de produto diferente: está dizendo que algumas solicitações não devem pensar, e vai cobrar você de acordo. Essa é uma diferença real de design, e é invisível em um único número de inteligência.

Onde cada modelo é a escolha certa

Mercury 3 é a escolha certa quando a carga de trabalho é limitada por latência, somente texto e o custo por etapa domina o orçamento: navegação no navegador, suporte por chat, tutoria em tempo real, trabalho em grande volume próximo de classificação, qualquer loop em que um humano ou outro sistema esteja esperando a cada turno. O contexto de 1M e o teto de saída de 131.072 tokens se encaixam em transcrições longas de agentes, e o nível instantâneo existe para as requisições que não devem pensar. O risco é que nenhum avaliador independente o pontuou, então seu envelope de qualidade é, por enquanto, uma alegação do fornecedor.

GPT-6.1 Sol é a escolha certa quando o trabalho precisa de visão ou entrada de arquivos, quando você precisa de um piso de capacidade medido antes de comprometer tráfego, quando quer uma escada de raciocínio que vá além de "high", ou quando solicitações de 272.000 tokens são a exceção, e não a regra. Seu custo por tarefa de indexação é um dos melhores do quadro, o que é a outra metade do argumento: barato por token e barato por trabalho concluído são afirmações diferentes, e GPT-6.1 Sol é o que tem o segundo número publicado.

O erro prático é tratar isto como uma escolha de tudo ou nada. O Mercury 3 não está no OrcaRouter — ele é servido pela API própria da Inception e por várias plataformas de terceiros —, enquanto o GPT-6.1 Sol está, ao preço de tabela da OpenAI, com 0% de margem, então você paga a tabela de preços do próprio fornecedor, e não um equivalente com margem acrescida. Isso torna o teste dividido barato de executar: mantenha o GPT-6.1 Sol no caminho de produção, coloque o Mercury 3 atrás da API do fornecedor em uma fração do tráfego e compare tarefas concluídas por dólar, em vez de tokens por segundo. Se a fração se sustentar, mova as etapas sensíveis à latência; se não, você perdeu uma semana e uma fatura pequena. O failover automático importa mais exatamente nesta janela, quando um modelo de um dia está em teste e um medido está carregando a carga.

O que resolveria isso

Três coisas, em ordem do quanto elas mudariam a resposta:

• Um registro do Artificial Analysis para o Mercury 3. Um número de índice e um custo por tarefa substituiriam todas as estimativas deste texto. Enquanto ele não existir, “sem pontuação independente” é o status correto, não “não comprovado” e nem “de classe frontier”

• Uma taxa de conclusão para o GPT-6.1 Sol nas mesmas 50 tarefas, ou uma reexecução pública desse harness por alguém que não seja da Inception. A alegação de tokens controlados é uma boa metodologia; ainda não é um resultado que qualquer outra pessoa possa inspecionar.

• Uma resposta publicada sobre como a saída de difusão é cobrada. O Mercury 3 gera tokens em paralelo e os refina em passadas, e a documentação da Inception não diz se as passadas de remoção de ruído contam para os tokens de saída cobrados. Se não contarem, a vantagem efetiva de custo é maior do que a tabela de preços sugere; se contarem, os 1.068 tokens por segundo são um número de throughput, e não de cobrança

Até lá, a posição defensável é estreita e útil: o Mercury 3 é o modelo de texto rápido mais barato desta comparação, por uma ordem de magnitude, em um teste de fornecedor que ao menos foi concebido para controlar o esforço, com uma janela de 1 milhão de tokens e nenhuma pontuação independente. O GPT-6.1 Sol é o modelo mais caro, mais lento e medido, que também lê imagens e tem um custo publicado por tarefa concluída. Compre o segundo para o trabalho que você não pode se dar ao luxo de errar; teste o primeiro para o trabalho em que a espera é o custo real.