Mercury 3 vs GPT-6.1 Sol: Inception körde det här testet själva, och det är historien

Mercury 3 lanserades den 19 oktober 2026, och det enda direkt jämförande siffran Inception publicerade för den namnger GPT-6.1 Sol direkt. Femtio live-navigeringsuppgifter i Mind2Web, körda i Inceptions eget produktionsramverk för webbagenter: Mercury 3 slutförde 50 % av dem, vilket lanseringsinlägget säger är "betydligt fler än GPT-6.1-Sol", med samma tokenvolym och samma antal agentsteg, till vad det beskriver som en bråkdel av kostnaden per token. Det är ett mer specifikt påstående än de flesta lanseringsinlägg gör, och det är också ett påstående utan nämnare. Femtio uppgifter är ett litet urval, ramverket är leverantörens, GPT-6.1 Sols slutförandegrad trycks aldrig, och Mercury 3 förekommer ännu inte någonstans på den oberoende resultattavlan Artificial Analysis som har gett GPT-6.1 Sol 51,8. Så den ärliga jämförelsen är inte "vilken modell som är smartare". Det är vad leverantörens eget test kan stödja, vad prislistan säger, och var GPT-6.1 Sols uppmätta resultat fortfarande vinner som standard. Vidarefaktureringsgraden är densamma i hela katalogen: 0 % påslag leverantörens listpris in, leverantörens listpris ut. De dokumenterade AI-felen och agentincidenterna bakom releaser som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Först, den del av påståendet som är ovanligt kontrollerbar

Lanseringsbenchmarkar är vanligtvis en tabell med poäng på benchmarkar som leverantören har valt, jämförda mot modeller som leverantören har valt, utan att ange hur mycket beräkningskraft vardera sidan lade ned. Inception gjorde något mer sällsynt: de fixerade tokenvolymen och antalet steg. "Samma tokenvolym och samma antal agentsteg" är ett uttalande om experimentell kontroll, och det spelar roll eftersom det vanligaste sättet en snabb modell manipulerar ett agentbenchmark på är att göra fler försök. Om Mercury 3 verkligen matchade GPT-6.1 Sols steg och tokens och ändå slutförde fler uppgifter, ligger skillnaden i vad modellen gjorde med varje steg, inte i hur många steg den fick.

Vad påståendet fortfarande saknar:

• Den absoluta fullföljandegraden för GPT-6.1 Sol. "Betydligt fler" än ett oangivet antal är inte ett resultat man kan prissätta

• Godkännandekriteriet. Mind2Web-uppgifterna skiljer sig åt i hur strikt en navigering räknas som slutförd, och harnesket är Inceptions, inte ett offentligt.

• En andra körning. Femtio uppgifter är så pass få att en handfull omkastningar flyttar procentandelen flera punkter

• Varje resultat på ett benchmark med en publicerad baslinje, vilket är anledningen till att Artificial Analysis-tavlan ännu inte kan placera Mercury 3 överhuvudtaget

Shuhao Zhang på TinyFish AI citeras om resultatet, och citatet är ett kundomdöme snarare än en oberoende replikering. Det är normalt vid en lansering och värt att benämna som sådant, eftersom siffran 50 % kommer att cirkulera i månader utan att förbehållet kopplas till den.

Prislistan, vilket är där argumentet faktiskt är starkt

Prisskillnaden är inte marginell och den beror inte på någons utvärderingsramverk. Mercury 3 har ett listpris på $0,20 per miljon indata-tokens och $0,70 per miljon utdata-tokens, med cachad indata på $0,02. Under lanseringsperioden tar Inception hälften av det: $0,10 för indata, $0,01 för cachad och $0,35 för utdata. GPT-6.1 Sol har ett listpris på $2,00 för indata, $0,10 för cachad, $2,50 för cacheskrivning och $10,00 för utdata. Till listpris är Mercury 3:s utdatapris en fjortondel av GPT-6.1 Sols; under lanseringsrabatten är det en tjugoåttondel.

Ta en webbläsaragent som kör fyrtio steg, skickar 12 000 indatatoken per steg och avger 400 utdatatoken per steg. Det är 480 000 indatatoken och 16 000 utdatatoken för körningen, alla utan cache, vilket är det pessimistiska fallet för den billigare modellen:

• GPT-6.1 Sol — 0,96 USD för indata till 2,00 USD per miljon, plus 0,16 USD för utdata till 10,00 USD per miljon: cirka 1,12 USD per körning

• Mercury 3 till listpris – $0.096 för indata plus $0.011 för utdata till $0.70 per miljon: cirka $0.107 per körning, eller 10,4 gånger billigare

• Mercury 3 till lanseringspriset – $0.048 plus $0.006: cirka $0.054 per körning, eller ungefär 21 gånger billigare

Lägg nu till slutförandegraderna ovanpå det. Om Mercury 3 slutför 50 av 100 uppgifter och GPT-6.1 Sol slutför ett mindre antal, realiseras besparingen per körning bara på de körningar som slutförs. En modell som är tio gånger billigare per steg och slutför två tredjedelar så ofta är fortfarande billigare per slutförd uppgift, vilket är siffran som hör hemma på en instrumentpanel. Men vid 50 uppgifter vet ingen det andra förhållandet ännu.

Två kostnadsdetaljer spelar större roll än rubriken och är lätta att missa. Cachad indata till $0,10 på GPT-6.1 Sol är hälften av Mercury 3:s listpris för indata och tjugo gånger dess cachade pris, så med en lång, stabil systemprompt stänger GPT-6.1 Sols cachning en del av gapet – men bara på indatasidan, och det är på utdata som agentloopar lägger pengarna. Och GPT-6.1 Sol prissätter hela förfrågan annorlunda över 272 000 indatatoken: 2× på indata och cache, 1,5× på utdata. Den tröskeln är precis där långa agenttranskript landar, och Mercury 3:s fönster på 1M token utan publicerat tillägg för långa prompter är en strukturell fördel i samma scenario.

Vad GPT-6.1 Sol har som Mercury 3 inte har: ett uppmätt rekord

Allt ovan är en jämförelse mot en prislista och ett leverantörstest. Den oberoende resultattavlan ger en annan bild, och den innehåller bara en av dessa modeller.

• Intelligensindex — Mercury 3 är inte listad; GPT-6.1 Sol 51,8 vid maximal resonemangsansträngning, enligt Artificial Analysis den 20 oktober 2026

• Kostnad per indextask — Mercury 3 inte uppmätt; GPT-6.1 Sol 0,72 USD, mot en median för resultattavlan som ligger långt över det

• Terminal-Bench 4.0 — Mercury 3 ej uppmätt; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 ej uppmätt; GPT-6.1 Sol 0.5417

Humanity's Last Exam — Mercury 3 ej uppmätt; GPT-6.1 Sol 0,5292

• AA-LCR resonemang över lång kontext — Mercury 3 inte mätt; GPT-6.1 Sol 0,83

• GDPval-AA, ekonomiskt värdefullt kunskapsarbete — Mercury 3 inte mätt; GPT-6.1 Sol Elo 1593,85

• AA-Omniscience — Mercury 3 inte mätt; GPT-6.1 Sol 41.5

• Kontext och utdata – Mercury 3: 1 000 000 indata / 131 072 utdata; GPT-6.1 Sol: 1 050 000 indata / 128 000 utdata

• Vikter – stängda på båda; ingen av dem ger dig en checkpoint

• Modalitet – text på båda; GPT-6.1 Sol tar även emot bilder och filer

Den där sista raden är den minst glamourösa och mest avgörande skillnaden för vissa team. GPT-6.1 Sol tar emot bild- och filinmatning. Mercury 3:s egen dokumentation anger att de format som stöds är text. Om din agent behöver läsa en skärmbild, en PDF eller en skannad faktura, slutar jämförelsen där oavsett pris, och ingen mängd tokens per sekund ändrar på det.

Resonemangstrapporna har inte heller samma form. Mercury 3 erbjuder lägena instant, låg, medel och hög, med temperaturen justerbar från 0,5 till 1,0. GPT-6.1 Sol erbjuder låg, medel, hög, xhigh och max, och tar inte längre emot inställningen utan resonemang överhuvudtaget. En modell med ett ”instant”-steg ger ett annat produktlöfte: den talar om att vissa förfrågningar inte bör tänka, och den fakturerar dig därefter. Det är en verklig designskillnad, och den är osynlig i en enda intelligenssiffra.

När varje modell är rätt val

Mercury 3 är rätt val när arbetsbelastningen är latensbunden, enbart text och kostnaden per steg dominerar budgeten: webbläsarnavigering, chattsupport, realtidsundervisning, högvolymsarbete nära klassificering, varje loop där en människa eller ett annat system väntar på varje tur. Kontextfönstret på 1M och taket på 131 072 token för utdata passar långa agenttranskript, och den omedelbara nivån finns för förfrågningar som inte bör tänka. Risken är att ingen oberoende utvärderare har poängsatt den, så dess kvalitetsomfång är än så länge ett leverantörspåstående.

GPT-6.1 Sol är rätt val när arbetet kräver vision eller filinmatning, när du behöver en uppmätt kapacitetsbas innan du satsar trafik, när du vill ha en resonemangsstege som sträcker sig bortom "high", eller när förfrågningar på 272 000 token är undantaget snarare än normen. Dess kostnad per indextask är en av de bästa på tavlan, vilket är den andra halvan av argumentet: billig per token och billig per slutfört jobb är olika påståenden, och GPT-6.1 Sol är den som har det andra numret publicerat.

Det praktiska misstaget är att behandla detta som ett val där vinnaren tar allt. Mercury 3 finns inte på OrcaRouter — det tillhandahålls via Inceptions eget API och flera tredjepartsplattformar — medan GPT-6.1 Sol gör det, till OpenAIs listpris med 0 % påslag, så det är leverantörens egen prislista du betalar, inte en påslagen motsvarighet. Det gör split-testet billigt att köra: behåll GPT-6.1 Sol på produktionsvägen, sätt Mercury 3 bakom leverantörens API på en del av trafiken och jämför slutförda uppgifter per dollar i stället för token per sekund. Om delen håller måttet, flytta de latenskänsliga stegen; om inte har du förlorat en vecka och en liten faktura. Automatisk failover spelar störst roll just i detta fönster, när en dag gammal modell är på prov och en beprövad modell bär lasten.

Vad skulle avgöra detta

Tre saker, i ordning efter hur mycket de skulle påverka svaret:

• En {{1}}Artificial Analysis{{/1}}-post för Mercury 3. Ett indexnummer och en kostnad per uppgift skulle ersätta varje uppskattning i den här artikeln. Tills det finns är ”ingen oberoende poäng” den korrekta statusen, inte ”obevisad” och inte ”frontier-klass”

• En slutförandegrad för GPT-6.1 Sol på samma 50 uppgifter, eller en offentlig omkörning av det ramverket av någon som inte är Inception. Påståendet om kontrollerade token är god metodik; det är ännu inte ett resultat som någon annan kan granska

• Ett publicerat svar på hur diffusionsutdata faktureras. Mercury 3 genererar tokens parallellt och förfinar dem i pass, och Inceptions dokumentation anger inte om denoisningpassen räknas in i fakturerade utdata-tokens. Om de inte gör det är den effektiva kostnadsfördelen större än prislistan antyder; om de gör det är 1 068 tokens per sekund en genomströmningssiffra snarare än en faktureringssiffra

Fram till dess är den försvarbara positionen snäv och användbar: Mercury 3 är den billigaste snabba textmodellen i den här jämförelsen med en storleksordning, enligt ett leverantörstest som åtminstone var utformat för att kontrollera för ansträngning, med ett 1M-token-fönster och ingen oberoende poäng. GPT-6.1 Sol är den dyrare, långsammare, uppmätta modellen som också läser bilder och har en publicerad kostnad per slutförd uppgift. Köp den andra för arbete du inte har råd att få fel, prova den första för arbete där väntan är den faktiska kostnaden.