Mercury 3 vs Grok 4.6: Den ena är överspelad, den andra är omätt, och båda säljs med hastigheten som argument

Det första användbara faktumet när man jämför Mercury 3 med Grok 4.6 är att Grok 4.6 inte är den aktuella Grok. SpaceXAI släppte den 12 augusti 2026 för $2.00 per miljon indatatoken och $6.00 per miljon utdatatoken, och har sedan dess släppt Grok 4.7; Artificial Analysis markerar nu 4.6 som utfasad och hänvisar läsare till den nyare modellen. Mercury 3 är däremot bara två dagar gammal: Inception Labs släppte den 19 oktober 2026 för $0.20 och $0.70 per miljon, halverat under ett lanseringsfönster utan publicerat slutdatum, och ingen oberoende part har mätt den överhuvudtaget. Så den ärliga inramningen av den här jämförelsen är inte "vilken av dessa två ska jag använda". Det är att båda säljs främst med ett hastighetstal, att de två hastighetstalen inte är samma sorts tal, och att en av de två produkterna är på väg ut ur katalogen medan den andra ännu inte har testats av någon som inte arbetar för företaget som gjorde den. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Det gör detta till en jämförelse om mätning, vilket råkar vara det mest användbara att veta innan du prissätter någon av dem. Mercury 3 är en diffusionsspråkmodell – den avbrusar ett block med positioner och bestämmer dem tillsammans i stället för att generera en token per omgång – och Inception rapporterar 1 068 token per sekund på NVIDIA-hårdvara, mer än 40 gånger det totala antalet parametrar i Mercury 1, ett kontextfönster som vuxit från 260 000 till 1 000 000 token och ett tak för utdata på 131 072 token. Grok 4.6 är en konventionell frontiermodell byggd för långa agentiska körningar, med ett kontextfönster på 500 000 token, text-, bild- och filinmatning samt 75 % cacherabatt till 0,50 USD per miljon läsningar.

Vad de två hastighetssiffrorna egentligen mäter

Inceptions 1 068 token per sekund är en siffra för utdatagenomströmning: hur snabbt token lämnar modellen när den väl börjar producera dem. Artificial Analysis mäter samma kvantitet för Grok 4.6 och får 65,4 token per sekund. Läser man dessa två sida vid sida ser Mercury 3 ut att vara sexton gånger snabbare. Det är en verklig skillnad, och det är inte hela skillnaden, eftersom genomströmning bara är en av de tre siffror som en latensbudget består av.

Den andra är tid till första token, och här blir bilden mindre smickrande för inramningen och mer intressant. Artificial Analysis registrerar en median på 37,19 sekunder till första token för Grok 4.6 på den arbetsbelastning den testar, mot en median på 3,75 sekunder bland modellerna på dess resultattavla. Vår egen telemetri från playgrounden under sju dagar ger Grok 4.6 en p50 på 8,00 sekunder under den enda dag den har data för. Ingen av dessa siffror är Mercury 3:s problem eller Mercury 3:s fördel – Inception har inte publicerat någon siffra för första token alls, och de enda latenssiffrorna från tredje part i tillkännagivandet är kundomdömen: Octen rapporterade en median genereringstid på 0,9 sekunder och en median för end-to-end-svar på 2,2 sekunder, RevisionDojo rapporterade att svar återkom "på ungefär en sekund", och Lorikeet sade att Mercury 3 slog andra modeller på latens samtidigt som den fick högre poäng på sina utvärderingar. Det är användbara signaler, och de är marknadsföringscitat, på arbetsbelastningar som ingen utanför dessa tre företag kan granska.

Det tredje numret är det som avgör huruvida en snabb modell är användbar, och det är felfrekvensen. På vår egen infrastruktur under de senaste sju dagarna uppmätte GPT-5.6 Sols serveringsväg en felfrekvens på 0,05 %. Grok 4.6 uppmätte, under den enda dag den har telemetri för – 17 oktober 2026 – 86,7 %. Det är en dags stickprov på en modell som har varit live sedan augusti, så det är en varning om en serveringsväg snarare än en dom över en modell, och det är precis den typ av siffra som aldrig dyker upp på en leverantörssida. För Mercury 3 finns det ingen felfrekvens alls, eftersom det inte finns någon väg att mäta.

Specifikationsbladet, med proveniensen bifogad till varje rad

• Pris — Mercury 3: $0.20 / $0.70 per miljon, $0.10 / $0.35 vid lansering, inget slutdatum publicerat, 90 % rabatt på cachelagrad indata. Grok 4.6: $2.00 / $6.00 per miljon upp till 200 000 token, $4.00 / $12.00 för hela förfrågan över det, cachelagrade läsningar $0.50.

• Kontext och utdata – Mercury 3: 1 000 000 indata, 131 072 utdata. Grok 4.6: 500 000 indata, utan något publicerat tak för utdata på vår modellsida för den.

• Modaliteter – Mercury 3: endast text. Grok 4.6: text, bild och fil som indata, text som utdata.

• Genomströmning — Mercury 3: 1 068 tokens per sekund, uppmätt av Inception. Grok 4.6: 65,4 tokens per sekund enligt Artificial Analysis; 256 tokens per sekund i vår egen playground den dag den hade sampel.

• Oberoende poäng — Mercury 3: inga, det finns ingen Artificial Analysis-sida. Grok 4.6: 44 på Artificial Analysis Intelligence Index, rankad 37:a av 217 modeller, och 76,8 på dess kodningsindex, rankad 5:a av 138.

• Status – Mercury 3: två dagar gammal, ej uppmätt. Grok 4.6: utfasad på Artificial Analysiss tavla, ersatt av Grok 4.7.

Jämförelsen av kontext är den som vänder på den vanliga ordningen. Mercury 3 erbjuder dubbelt så stort fönster som Grok 4.6 – en miljon token mot en halv miljon – och gör det till en tiondel av priset för indata. På pappret är det ingen jämn kamp för arbete med långa dokument. I praktiken är ett fönster på 500 000 token redan större än nästan varje enskilt dokument som någon bearbetar, och den intressanta frågan om ett fönster på en miljon token hos en omätt modell är inte om det finns utan om kvaliteten håller över det. Artificial Analysis mäter långkontext-recall explicit, och Grok 4.6 får 80,3 där. Mercury 3 har ingen motsvarande siffra, vilket innebär att ett fönster på en miljon token med en okänd recall-kurva är ett kapacitetsanspråk snarare än ett förmågeanspråk.

Vad Grok 4.6:s pris egentligen köper

Grok 4.6 kostar tio gånger så mycket som Mercury 3 för indata och ungefär nio gånger så mycket för utdata till listpris, och det ärliga svaret på vad man får för det är: en uppmätt position i ett neutralt utvärderingsramverk, multimodala indata och en publicerad kostnad per svar. Den sistnämnda är den mest användbara. Artificial Analysis anger Grok 4.6 till 1,48 USD per uppgift i Intelligence Index – en siffra som redan inkluderar hur många token modellen än behöver för att slutföra testsviten, vilket är den enda siffran per svar i hela den här jämförelsen som finns för någon av modellerna.

Å andra sidan är Mercury 3:s utdatapris på $0.70 en siffra per token utan motsvarighet per svar. Om en Mercury 3-uppgift förbrukar samma utdatavolym som en Grok 4.6-uppgift kostar den ungefär en tiondel så mycket. Om den förbrukar tre gånger så stor volym – vilket är troligt för en modell som som standard använder låg resonemangsinsats för arbete som Grok utför med högre insats – kostar den ungefär en tredjedel så mycket, och det strategiska argumentet försvagas från ”en storleksordning” till ”en betydande rabatt på en oprövad modell”. Ingen kan ännu säga vilket av dessa som är sant. Det är inte en retorisk gardering; det är den specifika mätningen som saknas.

Grok 4.6:s egna siffror, för vad de nu är värda, är starka på de punkter där en lång agentisk körning behöver dem: 94,9 på GPQA Diamond, 42,9 på Humanity's Last Exam, 80,3 på återkallelse i lång kontext och ett kodningsindex på 76,8 som placerar den på femte plats av 138 modeller. Det är körningar från Artificial Analysis, inte från SpaceXAI, vilket är anledningen till att de överhuvudtaget kan jämföras med Mercury 3 – och Mercury 3, som inte har några sådana körningar, kan inte jämföras.

Problemet med den ersatta modellen, vilket är det verkliga beslutet

Att välja Grok 4.6 i dag innebär att välja en modell som dess egen leverantör redan har ersatt. Grok 4.7 finns i vår katalog, och 4.6-sidan på Artificial Analysis hänvisar uttryckligen läsare till den. För en arbetsbelastning som du är på väg att bygga mot innebär det att börja på en utfasad modell att man beslutar sig för att migrera senare; den enda frågan är när, och svaret är vanligtvis "under en incident".

Det gör inte Mercury 3 till det säkra valet. En ouppmätt två dagar gammal modell och en utfasad nio veckor gammal sådan är olika slags risker, och ingen av dem är lågriskalternativet i den här kombinationen. Vad jämförelsen faktiskt visar är snävare och mer användbart: om du vill ha en uppmätt modell med en dokumenterad kostnad per svar och multimodala indata är Grok 4.7 den aktuella versionen av det, och 4.6 är dess föregångare till samma pris. Om du vill ha de billigaste textbaserade tokens som finns någonstans med ett fönster på en miljon tokens, är Mercury 3 det, med förbehållet att det billigaste numret på dess kort är en kampanj utan slutdatum.

Grok 4.7 finns i OrcaRouter-katalogen till SpaceXAI:s egna priser, bakom samma OpenAI-kompatibla endpoint som allt annat vi routar, utan något påslag ovanpå och med automatisk failover mellan leverantörer när en väg begränsas av rate limiting – vilket, med tanke på den felfrekvens som vår telemetri registrerade på 4.6:s serving-väg den 17 oktober, inte är en teoretisk fördel. Mercury 3 finns inte i katalogen: vårt modell-API returnerar ingenting för någon Inception-modell, så den som anropar den hamnar på Inceptions plattform, där nya konton får 100 miljoner gratis tokens, eller på en av de flera tredjepartsplattformar som hostar den.

Routningsmönstret som passar det här paret är inte en uppdelning efter pris. Det är en uppdelning efter vad du är beredd att låta misslyckas. Flytta den utfasade modellens trafik till den nuvarande, lägg en avgränsad del av det textbaserade arbetet på Mercury 3, behåll en uppmätt modell som reserv och låt redundansväxlingen hantera fallet där den nya vägen har en dålig dag. Delen är ett konfigurationsvärde; reserven är en routningsregel; beslutet att bredda eller begränsa den fattas utifrån dina egna felfrekvenser inom en vecka.

Vad man kan göra på måndag

Om arbetet är lång text, volymen hög och svaren kontrollerbara är Mercury 3:s prislista värd ett avgränsat experiment den här veckan – de 100 miljoner gratis tokens på Inceptions plattform täcker testet, och fönstret på en miljon tokens gör att du kan skicka hela dokumentet i stället för en uppdelad gissning på det. Håll koll på två saker: om antalet outputtokens per uppgift skenar iväg från din baslinje för Sol eller G​rok, och om kvaliteten försämras mot slutet av en lång kontext. Båda går att mäta på en dag och ingen av dem kräver någons benchmark.

Om arbetet involverar bilder, körs i timmar med verktyg i loopen eller måste vara rätt första gången, är svaret i detta par inte Grok 4.6. Det är Grok 4.7, eller en av de uppmätta frontier-modellerna, och den ärliga anledningen är att 4.6 är utfasad och Mercury 3 är omätt — ett val mellan två modeller som du inte skulle sätta framför en kund utan en reservlösning bakom dem.

Det tal som skulle förändra allt detta är en neutral kostnad per slutförd uppgift för Mercury 3. En enda siffra, i det ramverk som producerade G​roks 1,48 dollar, skulle förvandla den här artikelns centrala osäkerhet till en kvot. Tills den finns är den försvarbara positionen den tråkiga: de billiga tokens är på riktigt, snabbhetspåståendet är rimligt och har en enda källa, och det enda du själv kan verifiera är din egen felfrekvens på din egen trafik.