Mercury 3 vs Grok 4.7: Två klockor, inte två modeller

Fråga vad Mercury 3 och Grok 4.7 har gemensamt, och svaret är en klocka. Båda marknadsförs utifrån hur lång tid ett jobb tar, och de menar motsatta saker med det. Mercury 3, som släpptes av Inception den 19 oktober 2026, är byggd för att svara på under en sekund: en diffusionsmodell som genererar 1 068 tokens per sekund på NVIDIA-GPU:er, ett fönster på 1 miljon tokens och fyra resonemangsinställningar vars snabbaste nivå kallas "instant". Grok 4.7, som släpptes av SpaceXAI den 21 september 2026, är byggd för att fortsätta arbeta: ett fönster på 500 000 tokens, en resonemangsstege som når högst xhigh och en oberoende mätning som visar att den förbrukade ungefär 240 miljoner output-tokens för att slutföra Artificial Analysis Intelligence Index till en kostnad av 3,74 dollar per uppgift. Den ena modellen behandlar latens som produkten. Den andra behandlar varaktighet som produkten. Att jämföra dem på en enda resultatrad missar den enda fråga som spelar roll – vilken klocka din arbetsbelastning faktiskt går på. Båda ändarna av en uppdelad policy kan ligga bakom en enda nyckel, med automatisk failover som fångar upp den långsamma vägen. 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.

De två klockorna, prissatta

Börja med vad priskorten säger, eftersom skillnaden är så stor att den förändrar vad du kan bygga:

• Indata — Mercury 3 $0,20 per 1M enligt listpris ($0,10 vid lansering) jämfört med Grok 4.7 $2,00 per 1M

• Utdata — Mercury 3 $0,70 per 1 miljon enligt listpris ($0,35 vid lansering) jämfört med Grok 4.7 $6,00 per 1 miljon

• Cachad indata — Mercury 3 $0.02 per 1M ($0.01 vid lansering) vs Grok 4.7 $0.50 per 1M

• Kontext — 1 000 000 tokens vs 500 000

• Maximal utdata i ett svar — 131 072 token jämfört med ingen publicerad leverantörsgräns; vårt eget kort för grok-4.7 anger 450 000

• Inmatningsmodalitet – endast text kontra text och bilder

Resoneringsinställningar – omedelbar, låg, medel, hög vs låg, medel, hög, xhigh

• Genomströmning — 1 068 token per sekund, leverantörsrapporterat kontra ej publicerat av leverantören

• Omprissättning för långa förfrågningar – ingen publicerad kontra varje taxa fördubblas över 200 000 indatatoken, tillämpat på hela förfrågan

• Vikter – stängda på båda

Tittar man enbart på utdataraden ser Mercury 3 ut som ett avrundningsfel bredvid Grok 4.7: $0.70 mot $6.00, eller $0.35 under lanseringsfönstret. Tittar man på den cachade raden vidgas gapet i stället för att minskas, eftersom $0.02 mot $0.50 är en faktor tjugofem oavsett rabatten. Den kombinationen – billig utdata och nästan gratis cacheläsningar – är det som gör en högfrekvent slinga överkomlig, och det är det designmål som modellen uppenbarligen byggdes för.

Men prislistan är bara halva kostnaden. Grok 4.7:s egen designförutsättning är att ett svårt problem förtjänar en lång resonemangsomgång, och den oberoende resultattavlan visar vad det kostar när problemet är tillräckligt svårt: 3,74 dollar per slutförd indextask, mot 0,72 dollar för GPT-6.1 Sol och, på samma resultattavla, ingen Mercury 3-post alls. Grok 4.7 gör av med tokens för att tänka. Mercury 3 gör av med nästan ingenting per token och lovar att tänka snabbt. Det är inte konkurrerande påståenden; det är konkurrerande budgetar.

Vad en lång resonemangsomgång faktiskt ger

Grok 4.7 är inte en snabb modell som har blivit långsammare. Det är ett medvetet vad om att arbete som pågår i många timmar – agentiska kodningsloopar, dokumenttunga analyser, professionella leverabler – belönar en modell som bara fortsätter, och de oberoende resultaten visar att vadet lönar sig på specifika punkter snarare än över hela linjen.

• GDPval-AA, ekonomiskt värdefullt kunskapsarbete — Grok 4.7 Elo 1711,07, det näst högsta bland modellerna som jämförs här och före GPT-6.1 Sol:s 1593,85

• SciCode — 0,5741, före både GPT-6.1 Sol (0,5417) och Qwen3.8 Max (0,5208)

• HLE — 0,4314

• AA-LCR långkontextresonemang — 0.7667

• Terminal-Bench 4.0 — 0.2576, det svagaste värdet i sin egen kolumn

• AutomationBench — 0,6556, den starkaste av de fyra modellerna i den här serien

• Intelligence Index — 46,4 vid xhigh, enligt Artificial Analysis

• Kostnad per indexuppgift — $3.74

Den profilen – stark på kunskapsarbete och automatisering, svag på kodning i terminalstil – är inte profilen för ett flaggskepp för allmänna ändamål, och den är mer användbar att känna till än en placering. Ett team som kör långa autonoma kodningssessioner och väljer Grok 4.7 för dem väljer det i strid med sina egna mätningar.

Mercury 3 har ingen jämförbar kolumn. Inceptions publicerade bevis är av ett annat slag: ett Mind2Web-navigeringstest med 50 uppgifter i deras eget testramverk, där den klarade 50 % av uppgifterna, plus partn aromdömen från TinyFish AI, RevisionDojo, Octen AI och Lorikeet. Den har ingen post hos Artificial Analysis per den 20 oktober 2026, vilket innebär att varje påstående om Mercury 3:s förmåga i den här artikeln utöver hastighet och pris är leverantörsrapporterat och inte reproducerat. Det är inte ett skäl att avfärda den – en nio dagar gammal modell utan oberoende poäng är ett normalt tillstånd, och tidig bevakning är precis vad den här bloggen finns för att publicera. Det är ett skäl att hålla de två kolumnerna olika märkta.

Tre arbetsbelastningar, tre svar

En supportkö eller en röstagent. Varje millisekund är en kund som väntar, och modellen måste vara billig nog att köras på varje meddelande. Mercury 3 vinner detta på siffrorna som publicerats: 1 068 token per sekund, $0,70 i utdata enligt listpris, $0,02 för cachad indata, en "instant"-nivå som helt hoppar över resonemang. Grok 4.7 kan utföra det här arbetet, men till $6,00 i utdata med en standardomgång resonemang betalar man för överläggning som konversationen inte behöver. Det här är fallet som Inception byggde modellen för, och partnercitatena kommer alla från den här typen av produkt.

En agent för kodning eller research som körs i flera timmar. Jobbet körs obevakat, transkriptet växer förbi några hundra tusen tokens och modellen måste hålla en plan över många steg. Här är Grok 4.7:s 500K-fönster, xhigh-resonemang och uppmätta styrka inom kunskapsarbete de relevanta egenskaperna, och Mercury 3:s 1M-fönster är det relevanta motargumentet: mer utrymme, långt billigare per token, men ännu inga bevis för att det håller en plan över en lång horisont. Notera också att Grok 4.7 fördubblar alla priser över 200 000 indatatokens för hela förfrågan, medan Mercury 3 inte publicerar något tillägg för långa förfrågningar. På ett genuint långt transkript kan den nominella skillnaden i output på 8,6× minska till under 5× — och det är i det läget som Mercury 3:s brist på benchmark börjar göra ont, eftersom kostnadsfördelen kommer precis där dess förmåga är minst bevisad.

Allt som behöver läsa en bild. Grok 4.7 tar emot bilder. Mercury 3:s dokumentation anger text som dess enda format som stöds. Det här är inte en fråga om prissättning, och inget antal tokens per sekund besvarar den.

Anledningen till att köra båda i stället för att välja

Uppdelningen är ovanligt ren eftersom de två modellerna brister åt olika håll: Mercury 3 är billig och utan mätdata, Grok 4.7 är dyr och med mätdata, och deras modalitets- och resonemangsintervall överlappar knappt. Det är formen av ett routingproblem snarare än ett inköpsbeslut.

Grok 4.7 finns på OrcaRouter till SpaceXAI:s listpris med 0 % påslag, inklusive den fördubblade taxan över 200K, så kostnaden för att prova en policy är densamma som kostnaden för att anropa leverantören direkt. Mercury 3 finns inte på routern; den tillhandahålls via Inceptions egen API och flera tredjepartsplattformar, och den är nio dagar gammal. Ett routing-DSL gör verkligen nytta här på ett sätt som det sällan gör: skicka instant-lane-förfrågningar – korta prompter, strikta latensbudgetar, inga bilder – till Mercury 3, behåll allt som behöver vision eller xhigh-resonemang på Grok 4.7, och låt automatisk failover fånga fallet där den nya modellens kö backar upp. Policyn går att formulera; beviset för den kommer att levereras av nästa månads trafik.

Vad du ska se upp med innan du flyttar budgeten

Två signaler skulle förändra den här jämförelsen, och båda är specifika.

• En post för Mercury 3 på Artificial Analysis. En poäng i Intelligence Index och en siffra för kostnad per uppgift skulle visa om den billiga, snabba modellen ligger tillräckligt nära Grok 4.7 inom kunskapsarbete för att motivera att verklig trafik dirigeras till den. Utan det är 1 068 token per sekund ett faktum om genomströmning och inte ett påstående om förmåga

• Grok 4.7:s tokenförbrukning i dina egna arbetsbelastningar. Indexkörningen på 240 miljoner token är ett syntetiskt benchmark; en supportkö och en kodningsagent förbrukar mycket olika volymer. Mät utdata-token per slutförd uppgift under en representativ vecka innan du antar att priset på $6.00 avgör din faktura

Det man däremot bör ignorera är varje jämförelse som placerar de två modellerna i samma leaderboard-kolumn utan att nämna att en av dem aldrig har funnits på listan. Det intressanta med Mercury 3 är inte att den är snabb – Inception har släppt snabba diffusionsmodeller i ett år – utan att den är snabb med ett fönster på 1M till ett pris som gör ekonomin per förfrågan försumbar. Det intressanta med Grok 4.7 är inte att den toppar en lista, för det gör den inte; det är att den är den mest automationsstarka modellen i den här uppsättningen och betalar för det med tokens. Det är olika produkter, och det rätta antalet av dem att köra är förmodligen inte ett.