Mercury 3 vs GPT-6.1 Sol: Inception tự thực hiện bài kiểm tra này, và đó chính là câu chuyện

Mercury 3 ra mắt vào ngày 19 tháng 10 năm 2026, và con số đối đầu trực tiếp duy nhất mà Inception công bố cho nó nêu tên GPT-6.1 Solmột cách trực tiếp. Năm mươi tác vụ điều hướng Mind2Web thực tế, được chạy trong bộ khung tác nhân web trong môi trường sản xuất của chính Inception: Mercury 3 hoàn thành 50% trong số đó, mà bài đăng ra mắt nói là "nhiều hơn đáng kể so với GPT-6.1-Sol", sử dụng cùng lượng token và cùng số bước tác nhân, với mức mà họ mô tả là một phần nhỏ chi phí trên mỗi token. Đó là một tuyên bố cụ thể hơn hầu hết các bài đăng ra mắt, và cũng là một tuyên bố không có mẫu số. Năm mươi tác vụ là một mẫu nhỏ, bộ khung là của nhà cung cấp, tỷ lệ hoàn thành của GPT-6.1 Sol không bao giờ được công bố, và Mercury 3 vẫn chưa xuất hiện ở bất kỳ đâu trên bảng xếp hạng Artificial Analysis độc lập, nơi đã chấm GPT-6.1 Sol 51,8. Vậy nên phép so sánh trung thực không phải là "mô hình nào thông minh hơn". Đó là điều mà bài kiểm thử của chính nhà cung cấp có thể chứng minh, điều mà bảng giá nói, và nơi thành tích đo lường được của GPT-6.1 Sol vẫn thắng theo mặc định. Tỷ lệ chuyển tiếp giá là như nhau trên toàn danh mục: 0% cộng thêm giá niêm yết của nhà cung cấp vào, giá niêm yết của nhà cung cấp ra. Các thất bại AI và sự cố tác nhân được tài liệu hóa đằng sau các bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Đầu tiên, phần của tuyên bố có thể kiểm chứng một cách bất thường

Các benchmark khi ra mắt thường là một bảng điểm trên những benchmark do nhà cung cấp tự chọn, so sánh với những mô hình do nhà cung cấp tự chọn, mà không nêu rõ mỗi bên đã dùng bao nhiêu tài nguyên tính toán. Inception đã làm một việc hiếm hơn: cố định khối lượng token và số bước. "Cùng khối lượng token và cùng số bước tác nhân" là một tuyên bố về kiểm soát thực nghiệm, và điều đó quan trọng vì cách phổ biến nhất để một mô hình nhanh gian lận một benchmark tác nhân là thực hiện nhiều lần thử hơn. Nếu Mercury 3 thực sự khớp số bước và token của GPT-6.1 Sol mà vẫn hoàn thành nhiều tác vụ hơn, thì khác biệt nằm ở việc mô hình làm gì với mỗi bước, chứ không phải ở việc nó có bao nhiêu bước.

Điều mà tuyên bố vẫn còn thiếu:

• Tỷ lệ hoàn thành tuyệt đối của GPT-6.1 Sol. “Nhiều hơn đáng kể” so với một con số không được nêu không phải là kết quả mà bạn có thể định giá

• Tiêu chí đạt. Các tác vụ Mind2Web khác nhau về mức độ nghiêm ngặt khi một lượt điều hướng được tính là hoàn thành, và harness là của Inception, không phải một harness công khai.

• Một lần chạy thứ hai. Năm mươi tác vụ đủ ít để chỉ một vài lần đảo kết quả có thể làm tỷ lệ phần trăm nhích vài điểm.

• Bất kỳ điểm số nào trên một bài đánh giá có đường cơ sở được công bố, đó là lý do tại sao bảng Artificial Analysis vẫn chưa thể xếp hạng Mercury 3 ở bất kỳ vị trí nào

Shuhao Zhang của TinyFish AI được trích dẫn về kết quả này, và phát biểu đó là lời chứng thực của khách hàng chứ không phải một lần tái lập độc lập. Điều đó là bình thường đối với một buổi ra mắt và đáng được gọi đúng như vậy, bởi vì con số 50% sẽ còn được nhắc đến trong nhiều tháng mà không kèm theo lưu ý định tính đó.

Bảng giá, đây chính là điểm mà lập luận thực sự vững chắc.

Chênh lệch giá không hề nhỏ và không phụ thuộc vào harness của bất kỳ ai. Mercury 3 niêm yết ở mức 0,20 USD mỗi triệu token đầu vào và 0,70 USD mỗi triệu token đầu ra, với đầu vào được cache ở mức 0,02 USD. Trong suốt giai đoạn ra mắt, Inception tính một nửa mức đó: 0,10 USD đầu vào, 0,01 USD được cache và 0,35 USD đầu ra. GPT-6.1 Sol niêm yết ở mức 2,00 USD đầu vào, 0,10 USD được cache, 2,50 USD ghi cache và 10,00 USD đầu ra. Theo giá niêm yết, giá đầu ra của Mercury 3 bằng một phần mười bốn của GPT-6.1 Sol; trong thời gian giảm giá ra mắt, bằng một phần hai mươi tám.

Hãy lấy một tác nhân trình duyệt chạy bốn mươi bước, gửi 12.000 token đầu vào mỗi bước và phát ra 400 token đầu ra mỗi bước. Tức là 480.000 token đầu vào và 16.000 token đầu ra cho toàn bộ lượt chạy, tất cả đều không được lưu trong bộ nhớ đệm, đây là trường hợp bi quan đối với mô hình rẻ hơn:

• GPT-6.1 Sol — 0,96 USD đầu vào với giá 2,00 USD mỗi triệu, cộng 0,16 USD đầu ra với giá 10,00 USD mỗi triệu: khoảng 1,12 USD mỗi lần chạy

• Mercury 3 theo giá niêm yết — $0.096 cho đầu vào cộng $0.011 cho đầu ra ở mức $0.70 mỗi triệu: khoảng $0.107 mỗi lần chạy, tức rẻ hơn 10,4 lần

• Mercury 3 ở mức giá ra mắt — $0.048 cộng $0.006: khoảng $0.054 mỗi lần chạy, tức rẻ hơn khoảng 21 lần

Giờ hãy đặt tỷ lệ hoàn thành lên trên đó. Nếu Mercury 3 hoàn thành 50 trong 100 tác vụ và GPT-6.1 Sol hoàn thành một con số nhỏ hơn nào đó, khoản tiết kiệm trên mỗi lần chạy chỉ được hiện thực hóa ở những lần chạy hoàn thành. Một mô hình rẻ hơn mười lần mỗi bước và hoàn thành thường xuyên bằng hai phần ba vẫn rẻ hơn trên mỗi tác vụ đã hoàn thành, và đó là con số thuộc về một dashboard. Nhưng ở 50 tác vụ, chưa ai biết tỷ lệ thứ hai đó.

Có hai chi tiết về chi phí quan trọng hơn cả con số nổi bật và rất dễ bị bỏ qua. Đầu vào được lưu trong bộ nhớ đệm ở mức 0,10 USD trên GPT-6.1 Sol chỉ bằng một nửa giá đầu vào {{2}}niêm yết{{/2}} của Mercury 3 và gấp hai mươi lần giá lưu trong bộ nhớ đệm của nó, vì vậy với một lời nhắc hệ thống dài và ổn định, tính năng lưu trong bộ nhớ đệm của GPT-6.1 Sol thu hẹp được một phần khoảng cách — nhưng chỉ ở phía đầu vào, còn đầu ra mới là nơi các vòng lặp tác nhân tiêu tốn.niêm yếtVà GPT-6.1 Sol tính lại giá cho toàn bộ yêu cầu khi vượt quá 272.000 token đầu vào: gấp 2 lần đối với đầu vào và bộ nhớ đệm, gấp 1,5 lần đối với đầu ra. Cái ngưỡng dốc đứng đó đúng là nơi những bản ghi hội thoại dài của tác nhân rơi vào, và cửa sổ 1 triệu token của Mercury 3 cùng việc không công bố phụ phí cho lời nhắc dài là một lợi thế mang tính cấu trúc trong chính kịch bản đó.

Điều GPT-6.1 Sol có mà Mercury 3 không có: một kỷ lục được đo lường

Mọi thứ ở trên là sự so sánh với bảng giá và một bài kiểm tra của nhà cung cấp. Bảng xếp hạng độc lập là một bức tranh khác, và nó chỉ có một trong những mô hình này.

• Chỉ số Trí tuệ — Mercury 3 không được liệt kê; GPT-6.1 Sol đạt 51,8 ở mức nỗ lực suy luận tối đa, theo Artificial Analysis ngày 20 tháng 10 năm 2026

• Chi phí cho mỗi tác vụ lập chỉ mục — Mercury 3 chưa được đo; GPT-6.1 Sol $0.72, so với mức trung vị trên bảng xếp hạng vốn cao hơn nhiều so với con số đó

• Terminal-Bench 4.0 — Mercury 3 chưa được đo; GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 không được đo; GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 không được đo; GPT-6.1 Sol 0.5292

• AA-LCR suy luận ngữ cảnh dài — Mercury 3 chưa được đo; GPT-6.1 Sol 0.83

• GDPval-AA, công việc tri thức có giá trị kinh tế — Mercury 3 chưa được đo; GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 chưa được đo; GPT-6.1 Sol 41.5

• Ngữ cảnh và đầu ra — Mercury 3 1.000.000 vào / 131.072 ra; GPT-6.1 Sol 1.050.000 vào / 128.000 ra

• Trọng số — cả hai đều đóng; không bên nào cung cấp checkpoint cho bạn

• Phương thức — cả hai đều hỗ trợ văn bản; GPT-6.1 Sol cũng nhận hình ảnh và tệp

Câu cuối cùng đó là khác biệt kém hào nhoáng nhất và mang tính quyết định nhất đối với một số đội. GPT-6.1 Sol chấp nhận đầu vào là hình ảnh và tệp. Tài liệu của chính Mercury 3 liệt kê các định dạng được hỗ trợ là văn bản. Nếu agent của bạn phải đọc ảnh chụp màn hình, PDF hay hóa đơn quét, thì việc so sánh dừng lại ở đó bất kể giá cả, và số token mỗi giây có nhiều đến đâu cũng không thay đổi được điều đó.

Các thang suy luận cũng không có cùng hình dạng. Mercury 3 cung cấp mức tức thì, thấp, trung bình và cao, với nhiệt độ có thể điều chỉnh từ 0,5 đến 1,0. GPT-6.1 Sol cung cấp mức thấp, trung bình, cao, xhigh và max, đồng thời không còn chấp nhận chế độ không suy luận nữa. Một mô hình có nấc “tức thì” đang đưa ra một lời hứa sản phẩm khác: nó nói với bạn rằng một số yêu cầu không nên suy nghĩ, và nó sẽ tính phí bạn cho phù hợp. Đó là một khác biệt thiết kế thực sự, và nó vô hình trong một con số trí tuệ duy nhất.

Khi nào mỗi mô hình là lựa chọn phù hợp

Mercury 3 là lựa chọn đúng khi khối lượng công việc bị ràng buộc bởi độ trễ, chỉ có văn bản và chi phí mỗi bước chiếm ưu thế trong ngân sách: điều hướng trình duyệt, hỗ trợ trò chuyện, gia sư thời gian thực, công việc liên quan đến phân loại khối lượng lớn, bất kỳ vòng lặp nào mà con người hoặc hệ thống khác đang chờ ở mỗi lượt. Ngữ cảnh 1M và giới hạn đầu ra 131.072 token phù hợp với các bản ghi tác nhân dài, và bậc tức thời tồn tại cho những yêu cầu không nên suy nghĩ. Rủi ro là chưa có đánh giá viên độc lập nào chấm điểm nó, nên phạm vi chất lượng của nó hiện chỉ là tuyên bố của nhà cung cấp.

GPT-6.1 Sol là lựa chọn đúng khi công việc cần thị giác hoặc đầu vào tệp, khi bạn cần một mức sàn năng lực được đo lường trước khi dồn lưu lượng, khi bạn muốn một thang suy luận vượt qua "high", hoặc khi các yêu cầu 272.000 token là ngoại lệ chứ không phải thông thường. Chi phí của nó cho mỗi tác vụ lập chỉ mục là một trong những mức tốt nhất trên bảng, và đó là nửa còn lại của lập luận: rẻ trên mỗi token và rẻ trên mỗi công việc hoàn thành là hai khẳng định khác nhau, và GPT-6.1 Sol là mô hình có con số thứ hai được công bố.

Sai lầm thực tế là coi đây như một lựa chọn người thắng lấy tất. Mercury 3 không có trên OrcaRouter — nó được cung cấp qua API riêng của Inception và một số nền tảng bên thứ ba — trong khi GPT-6.1 Sol thì có, theo giá niêm yết của OpenAI với mức cộng thêm 0%, vì vậy bảng giá của chính nhà cung cấp là thứ bạn trả, chứ không phải một mức tương đương đã bị cộng thêm. Điều đó khiến việc chạy thử nghiệm chia tách trở nên rẻ: giữ GPT-6.1 Sol trên luồng sản xuất, đặt Mercury 3 phía sau API của nhà cung cấp trên một phần lưu lượng, và so sánh số tác vụ hoàn thành trên mỗi đô-la thay vì token trên giây. Nếu phần lưu lượng đó trụ vững, hãy chuyển các bước nhạy cảm với độ trễ; nếu không, bạn đã mất một tuần và một hóa đơn nhỏ. Tự động chuyển đổi dự phòng quan trọng nhất đúng trong cửa sổ này, khi một mô hình vừa ra mắt một ngày đang được thử nghiệm và một mô hình đã được đo lường đang gánh tải.

Điều gì sẽ giải quyết việc này?

Ba điều, theo thứ tự mức độ chúng có thể làm thay đổi câu trả lời:

• Một mục Artificial Analysis cho Mercury 3. Một con số chỉ số và một chi phí cho mỗi tác vụ sẽ thay thế mọi ước tính trong bài này. Cho đến khi nó tồn tại, "không có điểm số độc lập" là trạng thái đúng, không phải "chưa được chứng minh" và cũng không phải "đẳng cấp tiên phong"

• Tỷ lệ hoàn thành của GPT-6.1 Sol trên cùng 50 tác vụ, hoặc một lần chạy lại công khai bộ khung đó bởi một người không phải Inception. Tuyên bố về token được kiểm soát là một phương pháp luận tốt; nhưng nó chưa phải là kết quả mà bất kỳ ai khác có thể kiểm tra.

• Một câu trả lời đã được công bố về cách tính phí đầu ra của diffusion. Mercury 3 tạo token song song và tinh chỉnh chúng qua nhiều lượt, và tài liệu của Inception không nói liệu các lượt khử nhiễu có được tính vào token đầu ra bị tính phí hay không. Nếu không, lợi thế chi phí thực tế lớn hơn so với biểu giá gợi ý; nếu có, 1,068 token mỗi giây là một con số thông lượng chứ không phải con số tính phí.

Cho đến lúc đó, lập trường có thể bảo vệ được thì hẹp và hữu ích: Mercury 3 là mô hình văn bản nhanh rẻ nhất trong cuộc so sánh này, rẻ hơn một bậc độ lớn, dựa trên một bài kiểm tra của nhà cung cấp mà ít nhất được thiết kế để kiểm soát nỗ lực, với cửa sổ 1M token và không có điểm số độc lập. GPT-6.1 Sol là mô hình đắt hơn, chậm hơn, có số liệu đo lường, cũng đọc được hình ảnh và có chi phí công bố cho mỗi tác vụ hoàn thành. Hãy mua mô hình thứ hai cho những công việc bạn không thể chịu được sai sót, dùng thử mô hình thứ nhất cho những công việc mà chờ đợi mới là chi phí thực sự.