Mercury 3 против GPT-6.1 Sol: Inception провела этот тест сама — вот и вся история

Mercury 3 вышел 19 октября 2026 года, и единственный показатель прямого сравнения, опубликованный Inception для него, называетGPT-6.1 Sol напрямую. Пятьдесят живых задач навигации Mind2Web, запущенных в собственном производственном стенде веб-агента Inception: Mercury 3 завершил 50% из них, что, как говорится в посте о запуске, «значительно больше, чем GPT-6.1-Sol», при том же объёме токенов и том же числе шагов агента и, по описанию, за долю стоимости за токен. Это более конкретное утверждение, чем делают большинство постов о запуске, но также и утверждение без знаменателя. Пятьдесят задач — небольшая выборка, стенд принадлежит поставщику, процент завершения GPT-6.1 Sol нигде не указан, а Mercury 3 пока нигде не фигурирует в независимом рейтинге Artificial Analysis, который оценил GPT-6.1 Sol в 51,8. Так что честное сравнение — не «какая модель умнее». Это то, что может подтвердить собственный тест поставщика, что говорит тарифная сетка, и то, где измеренный послужной список GPT-6.1 Sol всё ещё выигрывает по умолчанию. Ставка переноса затрат одинакова для всего каталога: 0% наценки — цена по прайс-листу провайдера на входе, цена по прайс-листу провайдера на выходе. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и отметку о спорности.

Во-первых, та часть утверждения, которая поддаётся необычайно простой проверке

Бенчмарки к запуску обычно представляют собой таблицу оценок по бенчмаркам, которые выбрал производитель, в сравнении с моделями, которые выбрал производитель, без указания того, сколько вычислений потратила каждая сторона. Inception сделала нечто более редкое: она зафиксировала объём токенов и число шагов. «Тот же объём токенов и то же число шагов агента» — это утверждение об экспериментальном контроле, и оно важно, потому что самый распространённый способ, которым быстрая модель жульничает на агентном бенчмарке, — это делать больше попыток. Если Mercury 3 действительно сравнилась с GPT-6.1 Sol по числу шагов и токенов и всё равно выполнила больше задач, разница в том, что модель делала на каждом шаге, а не в том, сколько шагов ей досталось.

Чего всё ещё не хватает утверждению:

• Абсолютный процент завершения для GPT-6.1 Sol. «Значительно больше» неуказанного числа — это не результат, который можно оценить.

• Критерий прохождения. Задачи Mind2Web различаются по тому, насколько строго навигация считается завершённой, а тестовый стенд принадлежит Inception, а не является публичным.

• Второй прогон. Пятьдесят задач — это достаточно мало, чтобы несколько изменений результата сдвинули процент на несколько пунктов.

• Любой результат в бенчмарке с опубликованным базовым значением, поэтому на доске Artificial Analysis Mercury 3 пока вообще не может быть размещён

Шухао Чжан из TinyFish AI цитируется по поводу результата, и эта цитата — отзыв клиента, а не независимое воспроизведение. Это нормально для запуска, и об этом стоит говорить именно так, потому что цифра в 50% будет ходить месяцами без приложенной к ней оговорки.

Тарифная карта — именно в ней дело действительно сильно.

Разница в цене не является незначительной и не зависит от чьего-либо испытательного стенда. Mercury 3 по прайс-листу стоит $0.20 за миллион входных токенов и $0.70 за миллион выходных токенов, а кэшированный ввод — $0.02. В течение стартового периода Inception берёт вдвое меньше: $0.10 за ввод, $0.01 за кэшированные данные и $0.35 за вывод. GPT-6.1 Sol по прайс-листу стоит $2.00 за ввод, $0.10 за кэшированные данные, $2.50 за запись в кэш и $10.00 за вывод. По прайс-листу тариф Mercury 3 за вывод составляет одну четырнадцатую от тарифа GPT-6.1 Sol; во время стартовой скидки — одну двадцать восьмую.

Возьмём браузерного агента, который выполняет сорок шагов, отправляет 12 000 входных токенов на каждом шаге и выдаёт 400 выходных токенов на каждом шаге. Это 480 000 входных токенов и 16 000 выходных токенов за запуск, все без кэширования, что является пессимистичным случаем для более дешёвой модели:

• GPT-6.1 Sol — $0.96 за входные токены по $2.00 за миллион, плюс $0.16 за выходные токены по $10.00 за миллион: около $1.12 за запуск

• Mercury 3 по прайс-листу — $0,096 за ввод плюс $0,011 за вывод при $0,70 за миллион: около $0,107 за запуск, или в 10,4 раза дешевле

• Mercury 3 по стартовому тарифу — $0,048 плюс $0,006: около $0,054 за запуск, или примерно в 21 раз дешевле

Теперь добавьте к этому показатели завершения. Если Mercury 3 завершает 50 из 100 задач, а GPT-6.1 Sol — какое-то меньшее количество, экономия на запуск реализуется только на тех запусках, которые завершаются. Модель, которая в десять раз дешевле на каждом шаге и завершает задачи на треть реже, всё равно дешевле в расчёте на завершённую задачу — а именно этот показатель должен быть на дашборде. Но при 50 задачах второе соотношение пока никому не известно.

Две детали стоимости важнее основной цифры, и их легко упустить. Кэшированный ввод по $0.10 на GPT-6.1 Sol составляет половину списочной цены ввода Mercury 3 и в двадцать раз превышает её кэшированную цену, поэтому на длинном стабильном системном промпте кэширование GPT-6.1 Sol сокращает часть разрыва — но только со стороны ввода, а в агентных циклах основные расходы приходятся на вывод. Кроме того, GPT-6.1 Sol пересчитывает стоимость всего запроса при превышении 272 000 входных токенов: 2× на ввод и кэш, 1,5× на вывод. Этот обрыв как раз там, где оказываются длинные стенограммы агентов, а окно Mercury 3 в 1 млн токенов без опубликованной наценки за длинный промпт является структурным преимуществом в том же сценарии.

Что есть у GPT-6.1 Sol, чего нет у Mercury 3: рекорд, подтверждённый измерениями

Всё вышесказанное — это сравнение с тарифной картой и одним тестом поставщика. Независимый рейтинг показывает другую картину, и в нём присутствует только одна из этих моделей.

• Индекс интеллекта — Mercury 3 не указан; GPT-6.1 Sol — 51,8 при максимальном уровне усилий рассуждения, по данным Artificial Analysis от 20 октября 2026 года.

• Стоимость одной задачи индексации — Mercury 3 не измерялась; GPT-6.1 Sol — $0.72, тогда как медиана по совету значительно выше этого

• Terminal-Bench 4.0 — Mercury 3 не измерялся; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 не измерялся; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 не измерялся; GPT-6.1 Sol 0.5292

• AA-LCR рассуждения на длинном контексте — Mercury 3 не измерялся; GPT-6.1 Sol 0,83

• GDPval-AA, экономически ценная работа с знаниями — Mercury 3 не измерялся; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 не измерено; GPT-6.1 Sol 41,5

• Контекст и вывод — Mercury 3: 1 000 000 на входе / 131 072 на выходе; GPT-6.1 Sol: 1 050 000 на входе / 128 000 на выходе

• Веса — закрыты в обоих случаях; ни один из них не даёт чекпоинта.

• Модальность — текст поддерживается в обоих; GPT-6.1 Sol также принимает изображения и файлы

Эта последняя строка — наименее эффектная и наиболее решающая разница для некоторых команд. GPT-6.1 Sol принимает ввод изображений и файлов. В собственной документации Mercury 3 в качестве поддерживаемых форматов указан текст. Если вашему агенту нужно читать скриншот, PDF или отсканированный счёт, сравнение на этом заканчивается независимо от цены, и никакое количество токенов в секунду этого не изменит.

Шкалы рассуждений тоже устроены по-разному. Mercury 3 предлагает режимы instant, low, medium и high с регулируемой температурой от 0,5 до 1,0. GPT-6.1 Sol предлагает low, medium, high, xhigh и max и больше вообще не принимает настройку «no-reasoning». Модель со ступенью «instant» даёт иное продуктовое обещание: она говорит, что для некоторых запросов думать не нужно, и соответствующим образом выставит вам счёт. Это реальное различие в дизайне, и его не видно в одном показателе интеллекта.

В каких случаях каждая модель — правильный выбор

Mercury 3 — правильный выбор, когда рабочая нагрузка ограничена задержкой, работает только с текстом и стоимость каждого шага доминирует в бюджете: навигация в браузере, поддержка в чате, обучение в реальном времени, высокообъёмные задачи, близкие к классификации, и любой цикл, где человек или другая система ждёт каждого ответа. Контекст в 1M и потолок вывода в 131 072 токена подходят для длинных стенограмм агентов, а мгновенный уровень существует для запросов, которым не нужно думать. Риск в том, что ни один независимый оценщик его не оценивал, поэтому границы его качества пока остаются заявлением вендора.

GPT-6.1 Sol — правильный выбор, когда работе нужно зрение или файловый ввод, когда перед запуском трафика нужен измеренный порог возможностей, когда нужна лестница рассуждений, выходящая за пределы «высокого» уровня, или когда запросы на 272 000 токенов являются исключением, а не нормой. Его стоимость за задачу индексирования — одна из лучших на рынке, и это вторая половина аргумента: дешевизна за токен и дешевизна за завершённую задачу — разные утверждения, и именно у GPT-6.1 Sol опубликован второй показатель.

Практическая ошибка — рассматривать это как выбор по принципу «победитель получает всё». Mercury 3 не представлен на OrcaRouter — он предоставляется через собственный API Inception и несколько сторонних платформ — а GPT-6.1 Sol представлен, по прайсовой цене OpenAI с наценкой 0%, поэтому вы платите по собственной тарифной сетке поставщика, а не по аналогичному предложению с наценкой. Благодаря этому сплит-тест обходится дёшево: оставьте GPT-6.1 Sol на продакшен-пути, направьте часть трафика на Mercury 3 через API поставщика и сравнивайте количество выполненных задач на доллар, а не токенов в секунду. Если этот сегмент трафика оправдает себя, перенесите этапы, чувствительные к задержке; если нет, вы потеряете неделю и небольшой счёт. Автоматическое переключение при сбое особенно важно именно в этот период, когда модель, выпущенная день назад, проходит испытание, а проверенная модель несёт нагрузку.

Что могло бы это уладить?

Три вещи, в порядке того, насколько сильно они повлияли бы на ответ:

• Запись Mercury 3 в Artificial Analysis. Одно значение индекса и одна стоимость за задачу заменили бы все оценки в этом материале. Пока её не существует, «нет независимой оценки» — правильный статус, а не «недоказано» и не «фронтирного класса»

• Доля успешно выполненных задач для GPT-6.1 Sol на тех же 50 задачах — или публичный повторный запуск этого стенда кем-то, кто не является Inception. Утверждение о контролируемых токенах — это хорошая методология, но пока ещё не результат, который мог бы проверить кто-то другой.

• Опубликованный ответ на вопрос о том, как тарифицируется вывод диффузионной модели. Mercury 3 генерирует токены параллельно и уточняет их за несколько проходов, а документация Inception не указывает, учитываются ли проходы денойзинга в оплачиваемых выходных токенах. Если нет, фактическое преимущество в стоимости больше, чем следует из тарифной сетки; если да, то 1 068 токенов в секунду — это показатель пропускной способности, а не тарификации.

До тех пор защитимая позиция остаётся узкой и полезной: Mercury 3 — самая дешёвая быстрая текстовая модель в этом сравнении, причём на порядок дешевле, по вендорскому тесту, который хотя бы был построен с контролем трудозатрат, с окном в 1 млн токенов и без независимой оценки. GPT-6.1 Sol — более дорогая, более медленная и более выверенная модель, которая также читает изображения и имеет опубликованную стоимость за выполненную задачу. Покупайте вторую для работы, где вы не можете позволить себе ошибиться, а первую пробуйте для работы, где реальная цена — это ожидание.