Mercury 3 vs Grok 4.6: Một cái đã bị thay thế, cái kia chưa được đo lường, và cả hai đều được bán dựa trên tốc độ

Sự thật hữu ích đầu tiên khi so sánh Mercury 3 với Grok 4.6 là Grok 4.6 không phải Grok hiện tại. SpaceXAI đã phát hành nó vào ngày 12 tháng 8 năm 2026 với giá 2,00 USD/triệu token đầu vào và 6,00 USD/triệu token đầu ra, và kể từ đó đã ra mắt Grok 4.7; Artificial Analysis hiện đánh dấu 4.6 là đã lỗi thời và hướng người đọc sang mô hình mới hơn. Ngược lại, Mercury 3 mới ra được hai ngày: Inception Labs phát hành nó vào ngày 19 tháng 10 năm 2026 với giá 0,20 USD và 0,70 USD/triệu, giảm một nửa trong giai đoạn ra mắt không công bố ngày kết thúc, và chưa có ai trung lập đo lường nó cả. Vậy nên cách diễn đạt trung thực cho cặp so sánh này không phải là "nên dùng cái nào trong hai cái này". Mà là cả hai đều được bán chủ yếu dựa trên một con số tốc độ, hai con số tốc độ đó không cùng loại, và một trong hai sản phẩm đang trên đường bị loại khỏi danh mục trong khi sản phẩm còn lại chưa được bất kỳ ai không làm việc cho công ty tạo ra nó kiểm thử. Những thất bại AI và sự cố tác nhân (agent) được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Điều đó khiến đây trở thành một phép so sánh về đo lường, và đây hóa ra lại là điều hữu ích nhất cần biết trước khi bạn định giá cho bên nào trong hai bên. Mercury 3 là một mô hình ngôn ngữ khuếch tán — nó khử nhiễu một khối vị trí và chốt chúng cùng lúc thay vì phát ra một token mỗi lượt — và Inception báo cáo tốc độ 1.068 token mỗi giây trên phần cứng NVIDIA, hơn 40 lần tổng số tham số của Mercury 1, cửa sổ ngữ cảnh tăng từ 260.000 lên 1.000.000 token, và giới hạn đầu ra 131.072 token. Grok 4.6 là một mô hình tiên tiến thông thường được xây dựng cho các tác vụ tác nhân dài, với ngữ cảnh 500.000 token, đầu vào văn bản, hình ảnh và tệp, cùng mức giảm giá bộ nhớ đệm 75% ở mức 0,50 USD mỗi triệu lần đọc.

Hai con số tốc độ thực sự đo điều gì

1.068 token mỗi giây của Inception là một chỉ số thông lượng đầu ra: tốc độ token rời khỏi mô hình một khi nó bắt đầu tạo ra chúng. Artificial Analysis đo cùng đại lượng đó cho Grok 4.6 và nhận được 65,4 token mỗi giây. Đặt hai con số đó cạnh nhau, Mercury 3 trông nhanh gấp 16 lần. Đó là một khác biệt thực sự và đó không phải là toàn bộ khác biệt, vì thông lượng chỉ là một trong ba con số cấu thành nên ngân sách độ trễ.

Điều thứ hai là thời gian đến token đầu tiên, và ở đây bức tranh trở nên kém tô hồng cho cách đóng khung hơn và thú vị hơn. Artificial Analysis ghi nhận thời gian đến token đầu tiên trung vị là 37,19 giây đối với Grok 4.6 trên khối lượng công việc mà họ kiểm thử, so với mức trung vị 3,75 giây trên các mô hình trong bảng của họ. Dữ liệu đo từ xa bảy ngày của playground do chúng tôi tự thu thập cho thấy p50 của Grok 4.6 là 8,00 giây trong một ngày mà nó có mẫu. Cả hai điều đó đều không phải vấn đề hay lợi thế của Mercury 3 — Inception hoàn toàn không công bố con số token đầu tiên nào, và những số liệu độ trễ duy nhất từ bên thứ ba trong thông báo của họ là lời chứng thực của khách hàng: Octen báo cáo thời gian tạo trung vị là 0,9 giây và phản hồi đầu-cuối trung vị là 2,2 giây, RevisionDojo báo cáo các câu trả lời trả về "trong khoảng một giây", và Lorikeet cho biết Mercury 3 vượt các mô hình khác về độ trễ trong khi đạt điểm cao hơn trong các bài đánh giá của mình. Đó là những tín hiệu hữu ích và chúng là những trích dẫn tiếp thị, trên những khối lượng công việc mà không ai ngoài ba công ty đó có thể kiểm tra.

Con số thứ ba là con số quyết định xem một mô hình nhanh có dùng được hay không, và đó là tỷ lệ lỗi. Trên hạ tầng của chính chúng tôi trong bảy ngày qua, đường phục vụ của GPT-5.6 Sol ghi nhận tỷ lệ lỗi 0,05%. Grok 4.6, trong ngày duy nhất mà nó có dữ liệu đo từ xa — 17 tháng 10 năm 2026 — ghi nhận 86,7%. Đó chỉ là mẫu của một ngày trên một mô hình đã hoạt động từ tháng 8, nên đây là một cảnh báo về đường phục vụ chứ không phải phán quyết về mô hình, và đây chính xác là kiểu con số không bao giờ xuất hiện trên trang của nhà cung cấp. Với Mercury 3 thì hoàn toàn không có tỷ lệ lỗi, vì không có tuyến nào để đo.

Bảng thông số kỹ thuật, kèm nguồn gốc được ghi vào từng dòng.

• Giá — Mercury 3: $0.20 / $0.70 mỗi triệu, $0.10 / $0.35 khi ra mắt, chưa công bố ngày kết thúc, đầu vào được lưu trong bộ nhớ đệm giảm 90%. Grok 4.6: $2.00 / $6.00 mỗi triệu cho tối đa 200.000 token, $4.00 / $12.00 cho toàn bộ yêu cầu vượt quá mức đó, đọc từ bộ nhớ đệm $0.50.

• Ngữ cảnh và đầu ra — Mercury 3: 1,000,000 đầu vào, 131,072 đầu ra. Grok 4.6: 500,000 đầu vào, không có giới hạn đầu ra nào được công bố trên trang mô hình của chúng tôi cho mô hình này.

• Phương thức — Mercury 3: chỉ văn bản. Grok 4.6: nhận văn bản, hình ảnh và tệp, xuất văn bản.

• Thông lượng — Mercury 3: 1.068 token mỗi giây, do Inception đo lường. Grok 4.6: 65,4 token mỗi giây theo Artificial Analysis; 256 token mỗi giây trong playground của riêng chúng tôi vào ngày nó có các mẫu.

• Điểm số độc lập — Mercury 3: không có, không tồn tại trang Artificial Analysis nào. Grok 4.6: 44 trên Chỉ số Trí tuệ Artificial Analysis, xếp thứ 37 trong 217 mô hình và 76,8 trên chỉ số lập trình, xếp thứ 5 trong 138.

Trạng thái — Mercury 3: mới hai ngày tuổi, chưa được đo lường. Grok 4.6: đã bị ngừng hỗ trợ trên bảng của Artificial Analysis, được thay thế bởi Grok 4.7.

So sánh ngữ cảnh là phép so sánh đảo ngược thứ tự thông thường. Mercury 3 cung cấp cửa sổ ngữ cảnh gấp đôi Grok 4.6 — một triệu token so với nửa triệu — và làm được điều đó với giá đầu vào bằng một phần mười. Trên lý thuyết, đó không phải là một cuộc so tài sít sao cho công việc với tài liệu dài. Trên thực tế, cửa sổ 500.000 token đã lớn hơn gần như mọi tài liệu đơn lẻ mà bất kỳ ai xử lý, và câu hỏi thú vị về cửa sổ một triệu token trên một mô hình chưa được đo lường không phải là liệu nó có tồn tại hay không, mà là liệu chất lượng có được duy trì xuyên suốt nó hay không. Artificial Analysis đo lường khả năng truy hồi ngữ cảnh dài một cách rõ ràng, và Grok 4.6 đạt 80,3 ở đó. Mercury 3 không có con số tương đương, nghĩa là một cửa sổ một triệu token với đường cong truy hồi chưa biết là một tuyên bố về dung lượng chứ không phải tuyên bố về năng lực.

Cái giá của Grok 4.6 thực sự đổi lấy được những gì

Grok 4.6 có giá gấp mười lần Mercury 3 ở đầu vào và khoảng chín lần ở đầu ra theo giá niêm yết, và câu trả lời trung thực cho việc số tiền đó mua được gì là: một vị thế được đo lường trên một harness trung lập, đầu vào đa phương thức, và chi phí được công bố cho mỗi câu trả lời. Con số cuối cùng là hữu ích nhất. Artificial Analysis định giá Grok 4.6 ở mức $1.48 cho mỗi tác vụ Intelligence Index — một con số đã bao gồm bất kỳ lượng token nào mô hình cần để hoàn thành bộ kiểm tra, và đây là con số duy nhất tính theo mỗi câu trả lời trong toàn bộ so sánh này tồn tại cho một trong hai mô hình.

Ngược lại, mức giá đầu ra 0,70 USD của Mercury 3 là con số tính theo token, không có đối ứng theo từng câu trả lời. Nếu một tác vụ Mercury 3 tiêu thụ cùng lượng đầu ra như một tác vụ Grok 4.6, thì chi phí chỉ khoảng một phần mười. Nếu nó tiêu thụ gấp ba lần lượng đó — điều hợp lý đối với một mô hình mặc định dùng nỗ lực suy luận thấp cho công việc mà Grok làm với nỗ lực cao hơn — thì chi phí khoảng một phần ba, và luận điểm chiến lược suy yếu từ "một bậc độ lớn" xuống "một mức chiết khấu đáng kể trên một mô hình chưa được chứng minh". Chưa ai có thể nói điều nào trong số đó là đúng. Đó không phải là một lời rào đón tu từ; đó chính là phép đo cụ thể đang còn thiếu.

Những con số của riêng Grok 4.6, dù chúng đáng giá đến đâu, đều mạnh ở những chỗ mà một lượt chạy tác tử dài cần đến: 94,9 trên GPQA Diamond, 42,9 trên Humanity's Last Exam, 80,3 về truy hồi ngữ cảnh dài, và chỉ số lập trình 76,8 xếp nó thứ năm trong số 138 mô hình. Đó là các lượt chạy của Artificial Analysis, không phải của SpaceXAI, nên mới có thể so sánh được với Mercury 3 — còn Mercury 3, vì không có những lượt chạy như vậy, thì không thể.

Vấn đề mô hình bị thay thế, đây mới là quyết định thực sự

Chọn Grok 4.6 hôm nay nghĩa là chọn một mô hình mà chính nhà cung cấp của nó đã thay thế. Grok 4.7 đã có trong danh mục của chúng tôi, và trang 4.6 trên Artificial Analysis chuyển hướng rõ ràng người đọc đến mô hình đó. Với một khối lượng công việc bạn sắp xây dựng dựa trên nó, bắt đầu bằng một mô hình đã bị ngừng hỗ trợ là quyết định phải di chuyển về sau; câu hỏi duy nhất là khi nào, và câu trả lời thường là "trong lúc xảy ra sự cố".

Điều đó không khiến Mercury 3 trở thành lựa chọn an toàn. Một mô hình hai ngày tuổi chưa được đo lường và một mô hình chín tuần tuổi đã bị ngưng hỗ trợ là những kiểu rủi ro khác nhau, và trong cặp này, cả hai đều không phải lựa chọn rủi ro thấp. Điều mà phép so sánh thực sự xác lập thì hẹp hơn và hữu ích hơn: nếu bạn muốn một mô hình đã được đo lường với chi phí mỗi câu trả lời được ghi nhận và đầu vào đa phương thức, thì Grok 4.7 là phiên bản hiện tại của loại đó và 4.6 là phiên bản tiền nhiệm của nó với cùng mức giá. Nếu bạn muốn các token chỉ văn bản rẻ nhất hiện có ở bất kỳ đâu với cửa sổ một triệu token, thì Mercury 3 chính là lựa chọn đó, kèm lưu ý rằng con số rẻ nhất trên thẻ của nó là một chương trình khuyến mãi không có ngày kết thúc.

Grok 4.7 có trong danh mục OrcaRouter với mức giá riêng của SpaceXAI, được cung cấp qua cùng endpoint tương thích OpenAI như mọi thứ khác mà chúng tôi định tuyến, không cộng thêm phụ phí và tự động chuyển đổi dự phòng giữa các nhà cung cấp khi một tuyến bị giới hạn tốc độ — mà xét đến tỷ lệ lỗi mà hệ thống đo từ xa của chúng tôi ghi nhận trên tuyến phục vụ của 4.6 vào ngày 17 tháng 10, thì đây không phải là lợi ích lý thuyết. Mercury 3 không có trong danh mục: API mô hình của chúng tôi không trả về gì cho bất kỳ mô hình Inception nào, nên bất cứ ai gọi nó đều sẽ đến nền tảng của Inception, nơi tài khoản mới nhận được 100 triệu token miễn phí, hoặc đến một trong một số nền tảng bên thứ ba đang lưu trữ nó.

Mẫu định tuyến phù hợp với cặp này không phải là chia theo giá. Mà là chia theo thứ bạn sẵn sàng để hỏng. Đưa lưu lượng của mô hình đã lỗi thời sang mô hình hiện tại, đặt một phần có giới hạn của công việc chỉ-văn-bản lên Mercury 3, giữ một mô hình đã được đo lường làm phương án dự phòng, và để cơ chế chuyển đổi dự phòng xử lý trường hợp đường đi mới gặp ngày xấu. Phần này là một giá trị cấu hình; phương án dự phòng là một quy tắc định tuyến; quyết định mở rộng hay thu hẹp nó do chính tỷ lệ lỗi của bạn đưa ra trong vòng một tuần.

Làm gì vào thứ Hai

Nếu công việc là văn bản dài, khối lượng lớn và câu trả lời có thể kiểm chứng, thì bảng giá của Mercury 3 đáng để thử nghiệm có giới hạn trong tuần này — 100 triệu token miễn phí trên nền tảng của Inception đủ trang trải cho bài kiểm tra, và cửa sổ một triệu token nghĩa là bạn có thể gửi toàn bộ tài liệu thay vì đoán theo từng khúc. Hãy để ý hai điều: liệu số token đầu ra cho mỗi tác vụ có vượt xa mức cơ sở Sol hoặc G​rok của bạn không, và liệu chất lượng có giảm dần về cuối ngữ cảnh dài không. Cả hai đều có thể đo trong một ngày và không cần đến bất kỳ benchmark nào của ai.

Nếu công việc liên quan đến hình ảnh, chạy hàng giờ với các công cụ trong vòng lặp, hoặc phải đúng ngay lần đầu, thì câu trả lời trong cặp mô hình này không phải là Grok 4.6. Đó là Grok 4.7, hoặc một trong những mô hình tiên phong đã được đánh giá, và lý do trung thực là 4.6 đã bị ngừng hỗ trợ còn Mercury 3 thì chưa được đánh giá — một lựa chọn giữa hai mô hình mà bạn sẽ không đặt trước mặt khách hàng nếu không có phương án dự phòng phía sau.

Con số có thể thay đổi toàn bộ cục diện này là chi phí trung lập cho mỗi tác vụ đã hoàn thành của Mercury 3. Một con số duy nhất, trên khung kiểm thử đã tạo ra mức $1.48 của Grok, sẽ biến điểm bất định cốt lõi của bài viết này thành một tỷ lệ. Cho đến khi con số đó tồn tại, lập trường dễ bảo vệ nhất là lập trường tẻ nhạt: các token rẻ là có thật, tuyên bố về tốc độ là hợp lý và chỉ dựa trên một nguồn, và điều duy nhất bạn có thể tự xác minh là tỷ lệ lỗi của chính bạn trên lưu lượng của chính bạn.